Như vậy, khi đã tham khảo các bài nghiên cứu ở nước ngoài cũng như là trong nước,
tất cả đều cho thấy rằng mô hình Fama-French mang lại sự vượt trội hơn khi giải thích TSSL của chứng khoán so với mô hình CAPM. Việc phân tích và nghiên cứu một mô hình phân tích mang tính khoa học và được chấp nhận rộng rãi trên toàn thế giới là một nhu cầu
cấp bách đối với thị trường chứng khoán Việt Nam. Tuy nhiên, việc sử dụng mô hình Fama-French 3 nhân tố trên thị trường mới noi như thị trường chứng khoán Việt Nam vẫn còn là đề tài ít được thực hiện.
Hơn nữa, giai đoạn từ năm 2015 cho tới năm 2020 là một giai đoạn đầy biến động với các thị trường tài chính trên thế giới nói chung và thị trường chứng khoán Việt Nam nói riêng, đặc biệt là tại năm 2020, với đại dịch Covid-19 ảnh hưởng hết sức nặng nề đối với nền kinh tế toàn cầu cũng như thị trường chứng khoán Việt Nam. Bài viết này sẽ mang mô hình Fama và French 3 nhân tố thử nghiệm trong giai đoạn này để xem xét với một tình
hình vĩ mô đầy biến động như thế, liệu rằng mô hình này có còn mang lại sự hiệu quả hay không.
TÓM TẮT CHƯƠNG II
Như vậy, chương 2 đã lược khảo về lịch sử hình thành của mô hình Fama và French 3 nhân tố, mô hình này ra đời nhằm cải thiện hiệu quả của mô hình CAPM. Hiện nay, đã có rất nhiều nghiên cứu đã kiểm định mô hình này tại các thị trường chứng khoán ở khắp nơi trên toàn thế giới, tất cả đều mang lại kết luận rằng, mô hình Fama và French 3 nhân tố là một cải thiện đầy hiệu quả của mô hình CAPM. Ở thị trường chứng khoán Việt Nam, các bài viết cũng cho ra kết quả đồng nhất rằng, mô hình Fama và French 3 nhân tố hiệu quả hơn mô hình CAPM. Chương 2 cũng chỉ ra khoảng trống nghiên cứu của việc kiểm định mô hình Fama và French. Điều mà khóa luận này ra đời nhằm khỏa lấp đó chính là kiểm định mô hình trên một thị trường mới nổi và trong một giai đoạn với tình hình vĩ mô biến động.
CHƯƠNG III: PHƯƠNG PHÁP NGHIÊN CỨU
3.1. Mẫu và dữ liệu nghiên cứu
3.1.1. Dữ liệu nghiên cứu
Bài viết sử dụng dữ liệu thứ cấp từ báo cáo tài chính của các công ty đã được niêm yết tại Sở giao dịch chứng khoán Thành phố Hồ Chí Minh (HOSE) giai đoạn từ năm 2015 tới năm 2020. Nguồn dữ liệu lấy từ bộ dữ liệu Datastream. Các dữ liệu được sử dụng bao gồm: giá đóng cửa của ngày giao dịch cuối cùng trong tháng đó, quy mô thị trường của chứng khoán được tính bằng lấy giá chứng khoán nhân cho tong khối lượng giao dịch và chỉ số book-to-market.
3.1.2. Công cụ nghiên cứu
Bài viết sử dụng phần mềm Excel để xử lý dữ liệu của biến phụ thuộc và biến độc lập; và sử dụng phần mềm Stata để thực hiện hồi quy chuỗi thời gian và các kiểm định liên
quan.
3.2. Phương pháp nghiên cứu
Bài viết theo sát các bước xử lý dữ liệu và phân tích của Fama - French (1988). Mục đích chính của bài viết là kiểm định và so sánh 2 mô hình định giá hiện đại đã được chấp nhận rộng rãi là CAPM và Fama - French 3 nhân tố.
Đầu tiên, tỷ suất sinh lợi của chứng khoán được tính bằng công thức sau: Ri,t = log(pi,t) - log(pi,t-1) = log(pi,t/pI,t-1)
Trong đó:
Ri,t là TSSL của chứng khoán tại tháng t.
pi,t là giá đóng cửa của chứng khoán tại tháng t. Pi,t-1 là giá đóng cửa của chứng khoán tại tháng t-1.
Dữ liệu về giá đóng cửa theo tháng của lãi suất trái phiếu Chính phủ 1 năm được sử dụng làm lãi suất phi rủi ro, được lấy từ trang web Investing.com.
về TSSL của danh mục thị trường, khóa luận sẽ tính trung bình TSSL của tất cả cổ phiếu theo tháng theo như bài viết của Fama và French (1993).
3.2.1. Mô hình CAPM
Rp,t-Rf,t = «0 + βι [Rm,t - Rf,t] Trong đó:
Rp,t là TSSL của chứng khoán tại thời điểm t. Rf,t là lãi suất phi rủi ro tại thời điểm t.
Rm,t là TSSL của danh mục thị trường tại thời điểm t.
Treynor (1961), Sharpe (1964) và Lintner (1965) đã cho ra đời mô hình định giá đầu tiên trên thế giới, đánh dấu một mốc quan trọng trong việc tìm kiếm câu trả lời về sự biến động của TSSL chứng khoán. Mô hình CAPM cho rằng, TSSL kỳ vọng của một chứng khoán bằng phần bù rủi ro thị trường thêm với lãi suất phi rủi ro. Điều này có nghĩa, chỉ có
một nhân tố duy nhất tác động đến TSSL của chứng khoán đó là phần bù rủi ro thị trường hay TSSL của danh mục thị trường, thiếu sót ở đây là các rủi ro phi thị trường thì không được xem xét. Vì thế, mô hình này có giả định là đa dạng hóa danh mục đầu tư có thể loại bỏ được rủi ro phi thị trường.
3.2.2. Mô hình Fama-French ba nhân tố
Vì mô hình CAPM có khiếm khuyết là bỏ qua các nhân tố phi thị trường, Fama và French (1993) đã thêm 2 nhân tố nữa vào mô hình mà các ông cho rằng những co phiếu có
nhân tố này thường tốt hơn so với thị trường, đó là nhân tố về quy mô (SMB) và nhân tố về giá trị (HML). Từ đó mô hình Fama - French sẽ có dạng như sau:
Rp,t-Rf,t = «0 + β1 [Rm,t - Rf,t] + β2 SMBt + β3 HMLt+ St Trong đó:
Rp,t là TSSL của một chứng khoán hay danh mục đầu tư tại thời điểm t. Rf,t là lãi suất phi rủi ro.
SMBt là nhân tố quy mô tại thời điểm t. HMLt là nhân tố giá trị tại thời điểm t. 3.2.2.1. Nhân tố quy mô (SMB)
Các nhân tố được sử dụng trong bài viết theo sát các bước nghiên cứu của Fama và French (1993). Đầu tiên, các cổ phiếu sẽ được lọc và tái cấu trúc mỗi năm một lần. Ớ nhân
tố quy mô, khóa luận sẽ sắp xếp các cổ phiếu theo tiêu chí quy mô thị trường từ bé nhất tới
lớn nhất, sau đó sẽ chia thành hai danh mục đó là những cổ phiếu có quy mô nhỏ (S) và
những cổ phiếu có quy mô lớn (B) dựa vào vị trí của cổ phiếu so với mức trung vị. Cụ thể là, nếu cổ phiếu có quy mô lớn hơn trung vị của chuỗi quy mô, thì sẽ nằm dưới trung vị theo cách sắp xếp trên, thì được thêm vào danh mục có quy mô lớn (B); và ngược lại, nếu quy mô của cổ phiếu bé hơn mức trung vị và nằm trên vị trí trung vị của chuỗi quy mô, thì sẽ được xếp vào danh mục có quy mô nhỏ (S). Tiếp theo, khóa luận sẽ sắp xếp lại các cổ phiếu dựa trên tiêu chí chỉ số book-to-market từ bé đến lớn và đánh dấu các mốc ở 30% và
70%, những cổ phiếu ở vị trí trên mốc 30% sẽ vào danh mục những cổ phiếu có giá trị thấp
(L), những cổ phiếu ở vị trí dưới mốc 70% sẽ vào danh mục những cổ phiếu có giá trị cao (H), còn lại là danh mục những cổ phiếu có giá trị trung bình (M).
Sau quá trình xử lý như trên, 5 danh mục cổ phiếu đã được tạo ra đó là S, B, H, M và
L. Tiếp theo khóa luận sẽ xây dựng các danh mục cổ phiếu là tổng hợp từng cặp của 5 danh
mục nói trên, kết quả sẽ thiết lập được 6 danh mục cổ phiếu đó là SH, SM, SL và BH, BM,
BL. Như vậy:
- Danh mục SH là danh mục của những cổ phiếu vừa có nhân tố quy mô nhỏ S) vừa có nhân tố giá trị cao (H).
- Danh mục SM là danh mục của những cổ phiếu vừa có nhân tố quy mô nhỏ (S) vừa có nhân tố giá trị trung bình (M).
- Danh mục SL là danh mục của những cổ phiếu vừa có nhân tố quy mô nhỏ (S) vừa có nhân tố giá trị thấp (L).
- Danh mục BH là danh mục của những cổ phiếu vừa có nhân tố quy mô lớn (B) vừa có nhân tố giá trị cao (H).
- Danh mục BM là danh mục của những cổ phiếu vừa có nhân tố quy mô lớn (B) vừa có nhân tố giá trị trung bình (M).
- Danh mục BL là danh mục của những cổ phiếu vừa có nhân tố quy mô lớn (B) vừa có nhân tố giá trị thấp (L).
Để dễ dàng nhận biết, ta có bảng thiết lập các danh mục như sau:
Tên
biến Số Quan Sát Trung Bình Độ Lệch Chuẩn Nhỏ Nhat Lớn Nhất
SL 71 0.012 0.047 -0.106 0.143 SM 71 -0.001 0.032 -0.130 0.090 SH 71 -0.017 0.042 -0.153 0.116 BL 71 0.015 0.048 -0.206 0.145 BM 71 0.003 0.054 -0.237 0.152 BH 71 -0.015 0.080 -0.340 0.215 SMB 71 -0.003 0.034 -0.083 0.131
Nguồn: Tác giả tự tính toán
Cuối cùng, để tính nhân tố SMB, khóa luận sẽ tính TSSL trung bình đã trừ đi lãi suất phi rủi ro của từng tháng của 6 danh mục vừa thiết lập trên, sau đó áp dụng công thức:
SMB = 1/3 x (SL + SM +SH) - 1/3 x (BL + BM + BH) 3.2.2.2. Nhân tố HML
Tương tự như các bước trên, sau khi tính toán được TSSL trung bình đã trừ đi lãi suất
phi rủi ro theo tháng của 6 danh mục, tiếp tục áp dụng công thức sau để tính toán nhân tố HML:
HML = 1/2 x (SH + BH) - 1/2 x (SL +BL) 3.2.2.3. Nhân tố phần bù rủi ro thị trường
Cuối cùng, theo Fama-French (1993), nhân tố phần bù rủi ro thị trường sẽ được tính bằng cách lấy tong TSSL trung bình của 6 danh mục đã được thiết lập theo tháng trừ đi lãi suất phi rủi ro theo tháng.
Căn cứ vào bảng 3.2 thuộc về kết quả thống kê mô tả các biến, tất cả các biến trong mô hình nghiên cứu đều là dữ liệu dạng chuỗi thời gian, trong thời gian nghiên cứu từ 2015
đến 2020, có 71 quan sát của mỗi biến từ báo cáo tài chính các cổ phiếu trên Sở giao dịch chứng khoán Thành phố Hồ Chí Minh (HOSE). Kết quả thống kê mô tả từng biến như sau:
HML 71 -0.029 0.040 -0.121 0.094
Rm 71 0.011 0.267 \-1.164
---
Biến SMB HML Rm-Rf
SMB -0.603 -0.717
HML -0.603 0.429
Rm - Rf -0.717 0.429
Nguôn: Tác giả tự tính toán
Bảng 3.2 thống kê miêu tả các biến trong mô hình, có thể thấy được trung bình TSSL
của 6 danh mục đã được thiết lập dao động trong khoản từ -1.7% của danh mục SH tới 1.5% của danh mục BL. Nhìn chung, TSSL trung bình của những danh mục có nhân tố quy
mô nhỏ (SL, SH, SM) thấp hơn TSSL trung bình của những danh mục có nhân tố quy mô lớn. Tương tự, TSSL của những danh mục có nhân tố giá trị so sách trên thị giá thấp (SL, BL) cao hơn những danh mục có nhân tố giá trị sổ sách trên thị giá cao. Kết quả thống kê mô tả của các danh mục này tương tự với bài viết của Phong, N. A., & Hoang, T. V. (2012),
khi đó tác giả nghiên cứu và kiểm định mô hình 3 nhân tố trong giai đoạn khủng hoảng tài chính toàn cầu ảnh hưởng tới nền kinh tế vĩ mô, cũng như thị trường chứng khoán Việt Nam, khá giống với tình hình vĩ mô trong giai đoạn mà khóa luận đang nghiên cứu.
Nguôn: Tác giả tự tính toán
Bảng 3.3 thể hiện ma trận tương quan của các biến trong mô hình nghiên cứu, qua bảng trên ta có thể thấy:
- Nhân tố quy mô có tương quan âm với phần bù rủi ro thị trường, hay nói cách khác khi các co phiếu có quy mô nhỏ tăng vượt trội so với các co phiếu có quy mô lớn thì phần bù rủi ro thị trường sẽ giảm.
- Nhân tố giá trị có tương quan dương với phần bù rủi ro thị trường, hay nói cách khác khi các cổ phiếu có giá trị cao tăng vượt trội so với các công ty có giá trị thấp thì phần
CHƯƠNG IV: KẾT QUẢ VÀ THẢO LUẬN
4.1. Kiểm định các khuyết tật trong mô hình
4.1.1. Kiểm định tính dừng
Khi hồi quy chuỗi thời gian, một giả thuyết pho biến là các biến độc lập phải là chuỗi dừng, nếu sử dụng hồi quy OLS mà các biến độc lập trong mô hình không dừng thì sẽ đưa ra các kết quả không sử dụng được, cũng như các kiểm định t và p sẽ không dùng được, nói cách khác là hồi quy giả mạo. Bài viết sẽ sử dụng kiểm định nghiệm đơn vị (Unit Root Test) để kiểm định các biến trong mô hình đã dừng hay chưa.
Mô hình kiểm định chuỗi dừng được dựa theo nghiên cứu Dickey - Fuller (1981) với mô hình ước lượng: t= -ɪ- để kiểm định hai giả thuyết:
H∣∣: p = 1 (chuôi không dừng) Hi: p ≠ 1 (chuôi dừng)
Nếu |t| > |tα∣ thì bác bỏ giả thuyết H0, chấp nhận H1 và ngược lại.
Bảng 4.1 Kết quả kiểm định Unit Root Test
Augmented Dickey-Fuller test statistic
TÓM TẮT CHƯƠNG III
Chương này đã trình bày được mô hình nghiên cứu gồm mô hình CAPM và mô hình Fama-French 3 nhân tố. Trình bày phương pháp nghiên cứu, cách khóa luận phân chia các danh mục gồm 6 danh mục SL, SH, SM, BL, BH, BM từ 2 nhân tố là nhân tố quy mô và nhân tố giá trị. Khóa luận đã thực hiện thống kê mô tả của các danh mục đầu tư, gồm có 71 quan sát trong giao đoạn từ tháng 1 năm 2015 tới tháng 12 năm 2020. Thống kê mô tả đã chỉ ra rằng trong giai đoạn nghiên cứu với tình hình vĩ mô đầy biến động, TSSL của các danh mục có nhân tố quy mô nhỏ (S) thấp hơn TSSL của các danh mục có nhân tố quy
mô lớn (B), và TSSL của các danh mục có nhân tố giá trị thấp (L) cao hơn TSSL của các danh mục có giá trị cao (H). Tiếp theo chúng ta sẽ tiến đến chương quan trọng nhất của khóa luận, để tiến hành hồi quy chuỗi thời gian các mô hình và đưa ra phân tích.
Rm - Rf -9.520 0 SMB -8.822 0 HML -8.870 0 SL - Rf -9.999 0 SH - Rf -9.999 0 SM - Rf -9.080 0 BL - Rf -8.892 0 BH - Rf -8.892 0 BM - Rf -9.343 0 1% level -3.527 tα 5% level -2.903 10% level -2.903
Nguồn: Tác giả tự tính toán
Ket quả cho thấy cả ba nhân tố quy mô, giá trị, phần bù rủi ro thị trường và 6 danh mục đã thiết lập đều có |t| >tα ở cả 3 mức ý nghĩa 1% 5% và 10% (chẳng hạn nhân tố SMB có |-8.82241| > |-3.527045|). Từ đó kết luận rằng, bác bỏ giả thuyết H0, chấp nhận giả thuyết H1, có nghĩa rằng tất cả các biến và danh mục đã thiết lập đã dừng ở mức ý nghĩa 1% và có thể sử dụng để hồi quy OLS.
4.1.2. Kiểm định tự tương quan
Để kiểm định tự tương quan của mô hình, bài viết sử dụng kiểm định Breusch - Godfrey của phần mềm Eviews với các giả thuyết:
H0: p = 0 (không có sự tự tương quan) H1: p ≠ 0 (có sự tự tương quan)
Nếu p-value >0.05, ta chấp nhận giả thuyết H0 là không tồn tại sự tự tương quan trong các mô hình đã thực hiện và ngược lại.
Kiểm định Breusch-Godfrey cho ra kết quả như bảng sau:
Bảng 4.3 Kiểm định Breusch-Godfrey Serial Correlation LM
Breusch-Godfrey Serial Correlation LM Test
Mô hình p-value p-value so với mức ý nghĩa 5% SL 0.458 Lớn hơn SH 0.139 Lớn hơn SM 0.877 Lớn hơn BL 0.301 Lớn hơn BH 0.953 Lớn hơn BM 0.169 Lớn hơn
Mô hình p-value p-value so với mức ý nghĩa 5% SL 0.330 Lớn hơn SH 0.645 Lớn hơn SM 0.278 Lớn hơn BL 0.119 Lớn hơn BH 0.712 Lớn hơn BM 0.935 Lớn hơn
4.1.1. Kiểm định phương sai sai số thay đổi
Để kiểm định phương sai sai số thay đoi của các mô hình đã thực hiện, bài viết sử dụng kiểm định White bằng phần mềm Eviews với các giả thuyết:
Ho: phương sai sai số đồng đều, R2 = 0. . Hi: phương sai sai số không đồng đều, R2 > 0
Nếu các mô hình có p-value lớn hơn mức ý nghĩa 5%, kết luận bác bỏ giả thuyết H1,