Dữ liệu đƣợc thu thập với tần suất tháng từ tháng 8/2006 đến tháng 12/2015. Dữ liệu bảng không cân bằng (unbalanced panel) vì thời điểm các cổ phiếu bắt đầu niêm yết là khác nhau. Các biến vĩ mô tỉ lệ lạm phát (LP), cung tiền M2 (M2), tỷ giá VND/USD (ER), lãi suất cho vay ngắn hạn (IR) cùng đƣợc thu thập từ hệ thống Thống kê Tài chính quốc tế (IFS) của Quỹ tiền tệ quốc tế (IMF) để đảm bảo tính thống nhất về dữ liệu.
Bảng 3.1 nêu rõ các biến đƣợc sử dụng trong mô hình và nguồn thu thập dữ liệu tƣơng ứng.
Bảng 3.1: Các biến đƣợc sử dụng trong luận văn
Tên biến Ký hiệu Đơn vị Nguồn thu thập dữ liệu
Lợi suất cổ phiếu Ri % cophieu68.vn
Tỉ lệ lạm phát LP % IMF
Tổng phƣơng tiện thanh toán M2 M2 Tỷ đồng IMF
Tỷ giá VND/USD ER VND/USD IMF
Lãi suất cho vay ngắn hạn IR %/năm IMF
Lợi suất thị trƣờng VNI % cophieu68.vn
Nguồn: Tổng hợp của tác giả
Lợi suất cổ phiếu (Rit) của ngân hàng i ở tháng t đƣợc tính theo công thức , , 1 ln t i t it i t D P R P
20
t, Dt là cổ tức ở tháng t. Lợi suất thị trƣờng đƣợc tính theo công thức
1 ln m t m t P VNI P trong đó m t
P là chỉ số VN-Index trung bình của tháng t.
Giá đóng cửa của các cổ phiếu ngân hàng và chỉ số VN-Index đƣợc tính trung bình theo tháng thay vì lấy giá đóng cửa vào ngày cuối tháng để giảm sự biến động của dữ liệu và không phản ánh đúng bản chất của hiện tƣợng kinh tế.
3.3. Phƣơng pháp nghiên cứu
Sau khi thu thập dữ liệu, bƣớc đầu tiên là thực hiện thống kê mô tả. Ở bƣớc này, ta sẽ tính giá trị trung bình, độ lệch chuẩn (standard error), giá trị lớn nhất, nhỏ nhất, hệ số bất đối xứng (Skewness), độ nhọn (Kurtosis), giá trị Jacque–Bera. Điều này giúp ta có cái nhìn sơ lƣợc về giá trị trung bình, độ biến động của các biến, các biến có phân phối chuẩn không. Ngoài ra, ta cũng tìm ma trận tƣơng quan giữa các biến để có cái nhìn sơ lƣợc về mối tƣơng quan tuyến tính giữa các biến trong mô hình, dự đoán xem mô hình có hiện tƣợng đa cộng tuyến không.
Công việc quan trọng nhất trong nghiên cứu này là phân tích thực nghiệm. Trƣớc tiên, ta nhìn lại phƣơng pháp phân tích thực nghiệm đã đƣợc các nhà nghiên cứu trƣớc sử dụng thì thấy rằng có sự đa dạng về phạm vi nghiên cứu, dữ liệu và phƣơng pháp nghiên cứu. Các biến vĩ mô thƣờng đƣợc chọn là tốc độ tăng trƣởng kinh tế, chỉ số giá tiêu dùng, giá vàng, giá dầu, lãi suất, tỷ giá, cung tiền M2, chỉ số TTCK,…với 2 hƣớng nghiên cứu: sử dụng dữ liệu chuỗi thời gian với các mô hình Garch, Var, VECM nhƣ các nghiên cứu của Muneer và ctg (2011), Kasman và ctg (2011), Jawaid and Haq (2012), Ghosh (2013), Subburayan and Srinivasan (2014); sử dụng dữ liệu bảng với mô hình GLS, DGMM, kiểm định đồng liên kết với các nghiên cứu của Vaz và ctg (2008), Aishahton and Mansur (2013), Monjazeb and Shakerian (2014). Chọn hƣớng nào là tuỳ thuộc vào đặc điểm kinh tế từng nƣớc và số lƣợng các ngân hàng để thu thập dữ liệu. Về mặt lý thuyết, mỗi hƣớng phân tích đều có những ƣu, nhƣợc điểm của nó.
Theo Nguyễn Quang Dong và Nguyễn Thị Minh (2013), đặc trƣng của dữ liệu chuỗi thời gian là các số liệu thƣờng không độc lập mà tự tƣơng quan với nhau,
21
sử dụng dữ liệu chuỗi thời gian cho phép ta có thể nghiên cứu mối quan hệ giữa các chuỗi dữ liệu trong ngắn hạn và dài hạn. Ngoài ra, trong trƣờng hợp các biến có mối quan hệ đồng thời, phân tích với dữ liệu chuỗi thời gian cho phép xác định đƣợc mối quan hệ nhân quả hai chiều giữa các biến.
Còn theo Baltagi (2001), dữ liệu bảng có các ƣu điểm sau:
Dữ liệu bảng là dữ liệu của nhiều đối tƣợng nhƣ cá nhân, doanh nghiệp, đất nƣớc…theo thời gian, mỗi đối tƣợng đều có những đặc điểm riêng không đồng nhất với nhau. Kỹ thuật ƣớc lƣợng dữ liệu bảng có thể xem xét đến đặc điểm riêng của các đối tƣợng này.
Thông qua kết hợp các chuỗi theo thời gian của những quan sát theo không gian, dữ liệu bảng cung cấp “những dữ liệu có nhiều thông tin hơn, đa dạng hơn, ít có hiện tƣợng đa cộng tuyến giữa các biến số, nhiều bậc tự do hơn và hiệu quả hơn”.
Thông qua nghiên cứu các quan sát theo không gian lặp lại, dữ liệu bảng cho phép nghiên cứu tính động của sự thay đổi.
Do số lƣợng quan sát lớn, số liệu bảng có thể tối thiểu hoá sự thiên lệch nếu ta tổng hợp các cá nhân hay các doanh nghiệp thành số liệu tổng. Do số lƣợng các mã cổ phiếu ngân hàng niêm yết trên sàn HOSE chỉ có 6 tức là số lƣợng đối tƣợng nghiên cứu không lớn nên ta sẽ sử dụng dữ liệu bảng trong nghiên cứu. Điều này sẽ làm tăng số lƣợng các quan sát (n k quan sát với n đối tƣợng và k thời điểm) từ đó làm tăng bậc tự do và ƣớc lƣợng hiệu quả hơn. Hơn nữa, dữ liệu bảng cũng cho ta xem xét đƣợc đặc điểm riêng của các mã cổ phiếu.
Ở phần phân tích thực nghiệm tác giả sẽ tiến hành các công việc sau:
Kiểm định nghiệm đơn vị
Khi hồi quy các chuỗi không dừng, kết quả hồi quy có thể bị “giả mạo” (spurious). Để tránh xảy ra trƣờng hợp nhƣ vậy, ta cần kiểm định tính dừng của dữ liệu thông qua kiểm định nghiệm đơn vị. Tác giả sử dụng kiểm định Fisher trên dữ liệu bảng dựa trên nền tảng Augmented Dickey Fuller (ADF). Trƣờng hợp một biến nào đó không dừng, tác giả chuyển sang dạng logarithm hoặc dạng sai phân đến khi
22
nhận đƣợc chuỗi dừng. Đối với các biến có đơn vị % nhƣ lãi suất cho vay, tỷ lệ lạm phát, lợi suất cổ phiếu, lợi suất thị trƣờng tác giả ƣu tiên chuyển sang dạng sai phân nếu chuỗi gốc không dừng. Đối với các biến không có đơn vị % nhƣ lƣợng cung tiền M2, tỷ giá VND/USD, tác giả sẽ chuyển sang dạng logarithm rồi lấy sai phân để đảm bảo tính dừng của dữ liệu nếu chuỗi gốc không dừng. Việc chuyển đổi dữ liệu gốc sang dạng logarithm nhằm giảm bớt độ phân tán cao cũng nhƣ có một số quan sát có giá trị bất thƣờng của dữ liệu gốc, tăng khả năng chuyển chuỗi không dừng thành chuỗi dừng vừa giảm hiện tƣợng phƣơng sai phần dƣ thay đổi khi ƣớc lƣợng, giảm hiện tƣợng phần dƣ không có phân phối chuẩn và việc dùng dữ liệu dƣới dạng logarithm giúp thuận lợi trong việc nhận dạng và phân tích dữ liệu.
Kiểm tra hiện tƣợng đa cộng tuyến trong mô hình
Hiện tƣợng đa cộng tuyến có thể làm cho các hệ số hồi quy bị mất ý nghĩa thống kê và dấu của hệ số ƣớc lƣợng ngƣợc với kì vọng do đó thật cẩn thận, chúng ta sẽ kiểm tra hiện tƣợng đa cộng tuyến của các biến trƣớc khi ƣớc lƣợng mô hình bằng cách tính hệ số nhân tử phóng đại phƣơng sai (Variance Inflation Factor – VIF). Nếu VIF của các biến đều nhỏ hơn 10 thì điều này chứng tỏ rằng không có hiện tƣợng đa cộng tuyến giữa các biến trong mô hình.
Ƣớc lƣợng mô hình
Các mô hình đƣợc sử dụng thƣờng xuyên đối với dữ liệu bảng là mô hình hồi quy gộp (Pooled Regression), mô hình tác động cố định (Fixed Effect Model – FEM), mô hình tác động ngẫu nhiên (Random Effect Model – REM).
Đầu tiên, tác giả sử dụng mô hình Pooled để ƣớc lƣợng. Tuy nhiên, kết quả ƣớc lƣợng bằng mô hình Pooled có thể không vững và không hiệu quả vì mô hình này không quan tâm đến đặc điểm riêng của từng đối tƣợng (Baltagi 2001). Do đó để xử lí vấn đề về các yếu tố không quan sát đƣợc (unobserved heterogeneity), mô hình ảnh hƣởng ngẫu nhiên (REM) và ảnh hƣởng cố định (FEM) đƣợc sử dụng.
Sau khi ƣớc lƣợng các mô hình Pooled, FEM, REM xong, tác giả sẽ sử dụng kiểm định F-Limer để so sánh giữa mô hình Pooled và mô hình FEM, kiểm định Breusch Pagan Lagrange Multiplier (LM) để so sánh giữa mô hình Pooled và RE,
23
kiểm định Hausman để so sánh giữa mô hình FEM và REM. Các giá trị p-value sẽ cho ta kết quả của các kiểm định, cùng với việc xem xét hệ số xác định R2, tác giả sẽ chọn ra đƣợc mô hình phù hợp nhất trong các mô hình Pooled, FEM và REM.
Tiếp theo, tác giả dùng kiểm định Wald để kiểm tra hiện tƣợng phƣơng sai phần dƣ thay đổi và kiểm định Wooldridge để kiểm tra hiện tƣợng tự tƣơng quan. Trƣờng hợp mô hình đƣợc chọn ở trên có những hiện tƣợng này, phƣơng pháp bình phƣơng bé nhất tổng quát (GLS) sẽ đƣợc sử dụng.
Mặc dù mô hình GLS đã khắc phục đƣợc vấn đề phƣơng sai thay đổi và tự tƣơng quan nhƣng vẫn còn vấn đề nội sinh của các biến chƣa đƣợc xử lý. Hiện tƣợng nội sinh có thể xảy ra vì quan hệ đồng thời: các biến vĩ mô tác động đến lợi suất cổ phiếu ngân hàng nhƣng ngân hàng là định chế tài chính quan trọng của nền kinh tế nên cổ phiếu ngân hàng vẫn có thể tác động đến các nhân tố vĩ mô của nền kinh tế. Hậu quả của hiện tƣợng nội sinh đến mô hình là rất nghiêm trọng vì việc hồi quy các biến có thể dẫn đến sự tƣơng quan với sai số nên làm cho kết quả ƣớc lƣợng của các mô hình Pooled, FEM, REM ở trên bị chệch, không vững (theo (Baltagi 2001) và (Bond 2002)).
Để giải quyết vấn đề này, nhiều nhà nghiên cứu đề xuất sử dụng biến công cụ. Tuy nhiên vấn đề là rất khó để tìm đƣợc biến công cụ vì biến này phải tƣơng quan với biến đƣợc công cụ nhƣng không đƣợc tƣơng quan với các biến độc lập còn lại trong mô hình. Nếu chọn phải những biến công cụ yếu, ƣớc lƣợng có thể bị chệch. Từ đó mô hình động lực tổng quát dạng sai phân với dữ liệu bảng động (Difference Generalized Method of Moments – DGMM) đƣợc đề xuất sử dụng theo nghiên cứu của Arellano và Bond (1991). Ƣớc lƣợng theo phƣơng pháp DGMM của Arellano – Bond đƣợc thiết kế thích hợp cho dữ liệu bảng với T và N bị giới hạn (Judson and Owen 1996).
Ở nghiên cứu này, tác giả muốn sử dụng mô hình dạng bảng động để nghiên cứu với kì vọng rằng lợi suất cổ phiếu ngân hàng hiện tại sẽ bị tác động bởi lợi suất cổ phiếu ngân hàng những kì trƣớc đó cùng với các biến giải thích khác. Mô hình lợi suất cổ phiếu ngân hàng đƣợc biểu diễn nhƣ sau:
24
1 2 , 1 3 4 2 5 6 7
it i t it it it it it i it
R R LP M ER IR VNI u trong đó chỉ số i1,6 biểu thị cho các ngân hàng, t biểu hiện thời điểm của biến thời gian. - Rit và Ri,t-1 biểu diễn lợi suất cổ phiếu ngân hàng i ở thời điểm t và t-1.
- LPit, M2it, ERit, IRit, VNIit biểu diễn tỉ lệ lạm phát, lƣợng cung tiền M2, tỷ giá VND/USD, lãi suất cho vay của ngân hàng i, lợi suất thị trƣờng ở thời điểm t.
- i biểu thị cho biến đặc điểm riêng của các ngân hàng. - uit là sai số ngẫu nhiên.
Một trong những ƣu điểm của mô hình GMM là cho phép ta dễ dàng chọn các biến công cụ bằng cách sử dụng chính độ trễ của các biến. Arellano và Bond đã đề nghị 2 kiểm định chủ chốt để kiểm tra tính hiệu lực của mô hình GMM. Một là kiểm định Sargan hoặc kiểm định Hansen xác định tính chất phù hợp của các biến công cụ trong mô hình GMM. Đây là kiểm định giới hạn về nội sinh (over- identifying restrictions) của mô hình. Kiểm định Sargan với giả thuyết H0: biến công cụ là ngoại sinh nghĩa là không tƣơng quan với sai số của mô hình. Hai là kiểm định Arellano-Bond nhằm kiểm định sự tự tƣơng quan bậc 2.
Mô hình DGMM cho phép khai thác dữ liệu gộp của bảng và ràng buộc độ dài chuỗi dữ liệu thời gian của các đối tƣợng trong bảng dữ liệu. Từ đó, cho phép sử dụng một độ trễ thích hợp để khai thác đặc tính năng động của dữ liệu. Tuy nhiên, phƣơng pháp DGMM cũng nhƣ FEM, REM cũng có những hạn chế: buộc các tham số đồng nhất giữa các đối tƣợng và có thể đƣa đến sự không nhất quán và sự sai lệch của các hệ số hồi quy trong dài hạn và vấn đề trở nên trầm trọng hơn khi thời gian quan sát dài (Pesaran và Smith 1995); không thể hiện các đặc tính năng động ngắn hạn và đồng liên kết dài hạn.
Để khắc phục những tồn tại trên, mô hình ƣớc lƣợng nhóm trung bình gộp (Pooled Mean Group Regression – PMG) đƣợc sử dụng. Nó cho phép các tham số độc lập trong toàn bộ nhóm và không xét đến tính đồng nhất có thể có giữa các nhóm. PMG cũng làm nổi bật đặc tính hiệu chỉnh năng động giữa dài hạn và ngắn hạn. Nhƣ vậy ƣớc lƣợng PMG giúp xác định tốc độ hiệu chỉnh để trở về cân bằng trong dài hạn, kiểm tra tính bền của ƣớc lƣợng DGMM (Nguyễn Minh Tiến 2012).
25
Ta tóm tắt các bƣớc nghiên cứu của luận văn thông qua bảng 3.2.
Bảng 3.2: Các bƣớc nghiên cứu Bƣớc Công việc Mục đích 1. Thống kê mô tả Tính giá trị trung bình, độ lệch chuẩn, hệ số bất đối xứng, độ nhọn, Jacque – Bera.
Có hiểu biết tổng quan về giá trị trung bình, độ biến động, các biến có phân phối chuẩn không.
Tìm ma trận tƣơng quan. Phân tích mối quan hệ tƣơng quan tuyến tính giữa các biến, dự đoán hiện tƣợng đa cộng tuyến.
2. Phân tích thực
nghiệm
Kiểm định nghiệm đơn vị Fisher
Kiểm tra tính dừng của các biến để tránh hiện tƣợng hồi quy giả mạo Tính hệ số VIF Kiểm tra hiện tƣợng đa cộng tuyến. Ƣớc lƣợng mô hình Pooled, FEM, REM Kiểm định và ƣớc lƣợng hệ số hồi quy Kiểm định F-Limer, LM, Hausman So sánh, chọn ra mô hình phù hợp giữa Pooled, FEM, REM
Kiểm định Wald, Wooldridge Kiểm định phƣơng sai phần dƣ thay đổi và tự tƣơng quan
Ƣớc lƣợng mô hình GLS Khắc phục hiện tƣợng phƣơng sai thay đổi.
Ƣớc lƣợng mô hình DGMM, kiểm định Sargan, Arellano- Bond
Khắc phục hiện tƣợng nội sinh, kiểm tra tính hiệu lực của mô hình
Kiểm định Westerlund Kiểm định đồng liên kết
Ƣớc lƣợng mô hình PMG Kiểm định, ƣớc lƣợng hệ số hồi quy trong ngắn hạn và dài hạn
26
Kết luận chƣơng 3
Luận văn sẽ thực hiện một quy trình nghiên cứu thực nghiệm khá chặt chẽ thông qua các bƣớc: kiểm tra và khắc phục hiện tƣợng đa cộng tuyến, phƣơng sai thay đổi, tự tƣơng quan, nội sinh để đảm bảo rằng ƣớc lƣợng là không chệch, vững và đáng tin cậy. Một số mô hình thƣờng sử dụng với dữ liệu bảng sẽ đƣợc áp dụng ở nghiên cứu này nhƣ Pooled, FEM, REM, DGMM, PMG để so sánh kết quả giữa chúng và chọn ra mô hình phù hợp nhất với đặc tính của dữ liệu. Kết quả nghiên cứu cụ thể sẽ đƣợc trình bày ở chƣơng 4 tiếp theo.
27
CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Chƣơng này trình bày chi tiết các kết quả nghiên cứu đƣợc. Mục 4.1 giới thiệu một số thông tin về các cổ phiếu ngân hàng đƣợc niêm yết tại HOSE nhƣ ngày niêm yết, số lƣợng cổ phiếu đang lƣu hành, các chỉ số EPS, P/E, beta cũng nhƣ một số chỉ số tài chính nhƣ lợi nhuận sau thuế, ROE để giúp ngƣời đọc có hiểu biết sơ lƣợc về các cổ phiếu ngân hàng đƣợc nghiên cứu. Nội dung chính của mục 4.2 trình bày sơ lƣợc tình hình kinh tế vĩ mô và biến động của TTCK nói chung, thị trƣờng cổ phiếu ngân hàng nói riêng để thấy đƣợc tác động của các nhân tố kinh tế vĩ mô đến lợi suất cổ phiếu ngân hàng trong thực tiễn. Kết quả nghiên cứu định lƣợng đƣợc nêu và phân tích trong mục 4.3.