Tên biến Ký hiệu Đơn vị Mô tả
TSSL cổ phiếu Ri % TSSL cổ phiếu đƣợc tính theo tháng TSSL TTCK VNI % TSSL TTCK đƣợc tính theo tháng
Lạm phát INF % Tỷ lệ lạm phát tháng Tỷ giá hối đoái EX VND/USD Tỷ giá VND/USD tháng
Cung tiền M2 M2 % Tăng trƣởng cung tiền M2 theo tháng Lãi suất INT %/năm Lãi suất cho vay ngắn hạn theo tháng
Nguồn: Tổng hợp của tác giả
Các biến số kinh tế vĩ mô lạm phát, tỷ giá hối đoái, cung tiền M2, lãi suất đƣợc thu thập từ tháng 07/2006 đến tháng 12/2017 từ số liệu Thống kê tài chính quốc tế IFS của Quỹ Tiền tệ Quốc tế IMF để đảm bảo tính thống nhất dữ liệu. Lý do chọn dữ liệu tháng vì hầu hết các biến số kinh tế vĩ mô của Việt Nam có thể thu thập đƣợc hàng tháng. Đối với các biến không đƣợc tính theo đơn vị phần trăm (%) nhƣ tỷ giá hối đoái (EX) biến đƣợc sử dụng dƣới dạng Logarithm tự nhiên nhằm giảm bớt độ phân tán cũng nhƣ tránh một số quan sát có giá trị bất thƣờng của dữ
liệu gốc, giảm hiện tƣợng phƣơng sai thay đổi khi ƣớc lƣợng và việc dùng dữ liệu dƣới dạng Logarithm để thuận lợi trong việc nhận dạng và phân tích dữ liệu.
Chỉ số VN-Index và dữ liệu giá cổ phiếu ngân hàng đƣợc thu thập trên trang web www.cophieu68.vn. Giá đóng cửa của các cổ phiếu ngân hàng và chỉ số VN- Index đƣợc tính bình quân theo tháng thay vì lấy giá đóng cửa vào ngày giao dịch cuối cùng của tháng để giảm sự biến động của số liệu.
TSSL cổ phiếu (Rit) của ngân hàng i tại tháng t đƣợc tính theo công thức:
Rit= ln(Dt + Pit - Pit-1
Pit-1 )
Trong đó:
Pit là giá đóng cửa bình quân của cổ phiếu ngân hàng i tại tháng t
Pit-1 là giá đóng cửa bình quân của cổ phiếu ngân hàng i tại tháng t - 1
Dt là cổ tức đƣợc chia của cổ phiếu ngân hàng i tại tháng t
TSSL TTCK trong bài nghiên cứu đƣợc tính toán dựa trên chỉ số VN-Index theo công thức:
VNI = ln(Pt
VNI Pt-1VNI)
Trong đó:
PtVNI là chỉ số VN-Index bình quân của tháng t
Pt-1VNI là chỉ số VN-Index bình quân của tháng t-1
3.2. Phƣơng pháp nghiên cứu
Phƣơng pháp đƣợc sử dụng là phƣơng pháp nghiên cứu định lƣợng bằng cách sử dụng mô hình hồi quy dữ liệu bảng, sử dụng phần mềm Stata 14.2 hỗ trợ chạy số liệu. Việc sử dụng dữ liệu bảng để phân tích có nhiều ƣu điểm nổi bật so với dữ liệu chéo hoặc dữ liệu chuỗi thời gian (Phạm Thị Tuyết Trinh, 2016). Dữ liệu bảng có những ƣu điểm nhƣ sau:
Dữ liệu bảng cung cấp dữ liệu của nhiều đơn vị chéo theo thời gian, nên có những đặc điểm riêng không đồng nhất. Phân tích dữ liệu bảng có thể xem xét đến đặc trƣng riêng của từng đơn vị chéo.
Do sự kết hợp của yếu tố thời gian và đơn vị chéo, dữ liệu bảng cung cấp nhiều thông tin hơn, có số lƣợng quan sát lớn hơn, nhiều bậc tự do hơn, ƣớc lƣợng hiệu quả hơn đồng thời giảm bớt hiện tƣợng đa cộng tuyến thƣờng gặp trong mô hình dữ liệu chuỗi thời gian có nhiều biến giải thích.
Dữ liệu bảng cho phép vừa phân tích đƣợc tính động theo thời gian vừa phân tích đƣợc sự khác nhau giữa các đơn vị chéo nhờ thành phần chéo trong dữ liệu.
Những thiên lệch do việc tổng hợp số liệu sẽ giảm đi hoặc bị triệt tiêu trong dữ liệu bảng. Do đó, dữ liệu bảng tạo ra những biến chính xác hơn. Sau khi thu thập dữ liệu, nghiên cứu đƣợc thực hiện theo trình tự nhƣ sau:
3.2.1. Thống kê mô tả
Thống kê mô tả nhằm cung cấp các chỉ số liên quan đến việc kiểm tra đặc tính của các biến, cũng nhƣ so sánh để suy diễn thống kê về mối quan hệ giữa các biến. Các chỉ số gồm: giá trị trung bình (Mean), giá trị lớn nhất (Max), giá trị nhỏ nhất (Min), độ lệch chuẩn (Standard deviation), độ nghiêng (Skewness), độ nhọn (Kurtosis).
Theo Phạm Thị Tuyết Trinh (2016), độ lệch chuẩn đo lƣờng mức độ dao động của dữ liệu xung quanh giá trị trung bình nên đƣợc dùng để xem mức độ phân tán của dữ liệu. Độ nghiêng đo lƣờng sự bất đối xứng của phân phối xác suất quanh giá trị trung bình. Độ nghiêng bằng 0 thể hiện phân phối xác suất hai bên mang tính đối xứng đều nhau, đối xứng qua giá trị trung bình. Độ nghiêng dƣơng (>0) có nghĩa là phân phối xác suất có đuôi phải dài, chuỗi dữ liệu có phân phối xác suất không đều, nghiên cứu thu thập một số dữ liệu nhận giá trị quá lớn. Độ nghiêng âm (<0) có nghĩa là phân phối xác suất không đều, có đuôi trái dài, nghiên cứu thu thập một số dữ liệu nhận giá trị quá nhỏ. Độ nhọn đo lƣờng độ nhọn hoặc bằng của phân phối xác suất. Độ nhọn của phân phối chuẩn bằng 3. Nếu độ nhọn lớn hơn 3 (>3), phân
phối có độ nhọn vƣợt chuẩn (leptokurtic), nếu độ nhọn nhỏ hơn 3 (<3), phân phối có độ nhọn dƣới chuẩn (platykurtic).
3.2.2. Phân tích tƣơng quan
Một trong những điều kiện cần để phân tích hồi quy là các biến độc lập phải có tƣơng quan với biến phụ thuộc. Nếu biến độc lập không có tƣơng quan với biến phụ thuộc thì cần loại biến độc lập này ra khỏi phân tích hồi quy.
Hệ số tƣơng quan Pearson (r) dùng để kiểm tra mối liên hệ tuyến tính giữa các biến độc lập và các biến phụ thuộc. Ngoài ra, hệ số tƣơng quan còn đo mức độ mạnh, yếu trong mối tƣơng quan giữa các biến. Hệ số tƣơng quan nhận giá trị từ [- 1, 1]. Dấu của hệ số tƣơng quan phản ánh mối quan hệ thuận nghịch giữa các biến.
Bài nghiên cứu tiến hành phân tích mối quan hệ tƣơng quan giữa các biến lạm phát, tỷ giá hối đoái, cung tiền M2, lãi suất cho vay ngắn hạn và TSSL TTCK để xác định mức độ tƣơng quan giữa các biến trong mô hình. Hệ số tƣơng quan càng lớn nói lên mức độ tƣơng quan càng cao. Tuy nhiên, điều này có thể dẫn tới hiện tƣợng đa cộng tuyến khi kiểm định mô hình hồi quy.
3.2.3. Kiểm định tính dừng của các biến
Khái niệm dừng (stationary) hoặc không dừng (non-stationary) vô cùng quan trọng vì một chuỗi dữ liệu dừng và một chuỗi dữ liệu không dừng sẽ phù hợp với những phƣơng pháp khác nhau. Khi sử dụng một chuỗi dữ liệu không dừng có thể dẫn đến hiện tƣợng hồi quy giả mạo (spurious regression). Nếu sử dụng 2 biến ngẫu nhiên không dừng, hệ số ƣớc lƣợng có thể có ý nghĩa thống kê và R2 có thể rất cao. Tuy nhiên, kết quả thống kê này không đáng tin cậy và do đó không có giá trị. Bên cạnh đó, khi các biến số trong mô hình hồi quy không dừng, thống kê t sẽ không tuân theo phân phối t (t-distribution) và thống kê F sẽ không tuân theo phân phối F (F-distribution). Khi đó, các kiểm định ý nghĩa của hệ số ƣớc lƣợng sẽ không còn giá trị.
Để tránh các trƣờng hợp kể trên, bài nghiên cứu kiểm tra tính dừng của dữ liệu bằng kiểm định nghiệm đơn vị của Dickey Fuller – ADF. Đối với chuỗi gốc không dừng, sẽ đƣợc lấy sai phân cho đến khi dừng trƣớc khi đƣợc đƣa vào mô hình.
3.2.4. Ƣớc lƣợng mô hình Pooled OLS, FEM, REM
Luận văn ƣớc lƣợng bằng các mô hình thƣờng đƣợc sử dụng cho dữ liệu bảng gồm: Bình phƣơng tối thiểu gộp Pooled OLS (Pooled Ordinary Least Squares), mô hình tác động cố định FEM (Fixed Effects Model) và mô hình tác động ngẫu nhiên REM (Random Effects Model).
3.2.5. Kiểm định sự phù hợp của mô hình
Một mô hình chỉ có ý nghĩa khi các giả định của mô hình đƣợc đáp ứng. Do vậy, trong nghiên cứu cần kiểm tra các giả định trƣớc khi diễn giải các kết quả của mô hình. Quá trình kiểm tra các giả định có thể đƣợc thực hiện thông qua việc phát hiện các khuyết tật có thể có của mô hình. Các khuyết tật thƣờng gặp trong mô hình gồm: Đa cộng tuyến (Multicollinearity), phƣơng sai sai số không đồng nhất hay còn gọi là phƣơng sai thay đổi (Heteroskedastic), tự tƣơng quan (Autocorrelation).
3.2.5.1. Đa cộng tuyến (Multicollinearity)
Trong mô hình hồi quy, các biến độc lập có mối quan hệ tuyến tính, nghĩa là các biến độc lập có tƣơng quan chặt, mạnh với nhau thì sẽ dẫn tới hiện tƣợng đa cộng tuyến. Đa cộng tuyến là hiện tƣợng các biến độc lập trong mô hình phụ thuộc lẫn nhau và thể hiện đƣợc dƣới dạng hàm số. Hiện tƣợng đa cộng tuyến vi phạm giả định của mô hình hồi qui tuyến tính là các biến độc lập không có mối quan hệ tuyến tính với nhau. Hiện tƣợng đa cộng tuyến có thể làm tăng phƣơng sai dẫn đến không ƣớc lƣợng chính xác mô hình, làm tăng sai số chuẩn (standard error), tăng khoảng tin cậy, tăng giá trị p, dẫn đến khó bác bỏ giả thuyết H0, làm đổi dấu của hệ số hồi quy dẫn đến đảo ngƣợc kết quả dự đoán.
Bài nghiên cứu tiến hành kiểm tra hiện tƣợng đa cộng tuyến của các biến bằng cách tính hệ số nhân tử phóng đại phƣơng sai VIF (Variance Inflation Factor). Nếu
VIF của các biến đều nhỏ hơn 2 (<2) chứng tỏ không có hiện tƣợng đa cộng tuyến giữa các biến trong mô hình.
3.2.5.2. Tự tƣơng quan (Autocorrelation)
Tự tƣơng quan là sự tƣơng quan giữa các thành phần của chuỗi các quan sát đƣợc sắp xếp theo thứ tự thời gian hoặc không gian. Hiện tƣợng tự tƣơng quan tuy không làm thiên lệch kết quả ƣớc lƣợng của hệ số nhƣng sẽ làm kết quả ƣớc lƣợng không hiệu quả, nhất là các sai số chuẩn ƣớc lƣợng của hệ số không còn là bé nhất, thống kê t và thống kê F không còn đáng tin cậy.
Nghiên cứu thực hiện kiểm định Wooldridge để kiểm tra hiện tƣợng tự tƣơng quan trong dữ liệu bảng. Với giả thiết H0 không có hiện tƣợng tự tƣơng quan trong mô hình, nếu giá trị Prob > F của kiểm định Wooldridge > 0,05 (mức ý nghĩa α = 5%), không có cơ sở bác bỏ H0, có nghĩa là không có hiện tƣợng tự tƣơng quan trong mô hình.
3.2.5.3. Phƣơng sai thay đổi (Heteroskedastic)
Một giả thiết quan trọng trong mô hình hồi quy tuyến tính là phần dƣ (residuals) xuất hiện trong hàm hồi quy tổng thể có phƣơng sai không thay đổi (homoscedasticity - còn gọi là phƣơng sai có điều kiện không đổi); tức là phần dƣ có cùng phƣơng sai. Nếu giả thiết này không đƣợc thỏa mãn thì mô hình hồi quy có sự hiện diện của phƣơng sai thay đổi hay còn gọi là phƣơng sai sai số không đồng nhất.
Với sự hiện diện của phƣơng sai thay đổi, mặc dù ƣớc lƣợng các hệ số trong mô hình vẫn không chệch nhƣng ƣớc lƣợng không hiệu quả, các trị thống kê t và thống kê F không còn chính xác và vì vậy, mô hình không còn tin cậy để giải thích.
Để phát hiện phƣơng sai thay đổi trong các mô hình, nghiên cứu sử dụng kiểm định White cho mô hình Pooled OLS, kiểm định Wald cho mô hình FEM và kiểm định Larange cho mô hình REM.
3.2.6. Chọn mô hình hồi quy
Dựa vào kết quả ƣớc lƣợng của các mô hình Pooled OLS, FEM và REM, nghiên cứu sử dụng kiểm định F-test để so sánh giữa 2 mô hình Pooled OLS và FEM, kiểm định Hausman để so sánh giữa 2 mô hình FEM và REM. Cùng với việc xem xét các khiếm khuyết trong các mô hình, nghiên cứu đề xuất sử dụng mô hình bình phƣơng tối thiểu tổng quát khả thi FGLS (Feasible Generalized Least Squares) để khắc phục hiện tƣợng tự tƣơng quan trong mô hình.
Mô hình TSSL cổ phiếu ngân hàng đƣợc biểu diễn nhƣ sau:
Rit= 0+ 1Ri,t-1+ 2INFt+ 3EXt+ 4M2t+ 5INTt+ 6VNIt+ uit Trong đó:
Chỉ số i=1, 9̅̅̅̅̅ biểu thị cho các ngân hàng trong nghiên cứu
t biểu hiện thời điểm của biến thời gian
Rit và Ri,t-1 biểu diễn TSSL cổ phiếu ngân hàng i tại thời điểm t và t-1
INFt, EXt, M2t, INTt và VNIt biểu diễn lạm phát, tỷ giá hối đoái, cung tiền M2, lãi suất cho vay ngắn hạn, TSSL TTCK tại thời điểm t
uit là sai số ngẫu nhiên
Kết luận chƣơng 3
Luận văn thực hiện quy trình nghiên cứu thực nghiệm chặt chẽ qua các bƣớc: thống kê mô tả, phân tích tƣơng quan, kiểm định tính dừng, ƣớc lƣợng mô hình, kiểm định sự phù hợp, khắc phục hậu quả nếu có. Các mô hình thƣờng đƣợc áp dụng trong nghiên cứu này là các mô hình thƣờng đƣợc sử dụng trong dữ liệu bảng nhƣ Pooled OLS, FEM, REM, FGLS. Nghiên cứu thực hiện các kiểm định cần thiết, sau đó so sánh kết quả và chọn ra mô hình hồi quy phù hợp với dữ liệu. Kết quả nghiên cứu đƣợc trình bày cụ thể trong chƣơng 4.
KẾT QUẢ NGHIÊN CỨU CHƢƠNG 4:
Nội dung chƣơng 4 trình bày chi tiết kết quả của nghiên cứu, gồm 4 phần: Giới thiệu tổng quan các cổ phiếu trong nghiên cứu; khái quát biến động của từng nhân tố vĩ mô đến TSSL cổ phiếu ngân hàng; trình bày chi tiết các kết quả nghiên cứu định lƣợng và thảo luận kết quả đạt đƣợc.
4.1. Tổng quan các cổ phiếu niêm yết trên thị trƣờng chứng khoán Việt Nam
Tính đến ngày 30/09/2018, có tổng cộng 13 cổ phiếu của các ngân hàng TMCP đƣợc niêm yết chính thức trên TTCK Việt Nam, trong đó: 10 cổ phiếu ngân hàng đƣợc niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh – HOSE và 3 cổ phiếu ngân hàng đƣợc niêm yết trên Sở Giao dịch Chứng khoán Hà Nội – HXN. Bảng 4.1 trình bày các thông tin cơ bản về 13 cổ phiếu của 13 Ngân hàng TMCP đang đƣợc niêm yết chính thức trên TTCK Việt Nam tính đến tháng 09/2018.
Bảng 4.1. Thông tin cơ bản cổ phiếu ngân hàng niêm yết trên thị trƣờng chứng khoán Việt Nam tính đến tháng 09/2018
Mã cổ phiếu Ngân hàng Ngày niêm yết Khối lƣợng cổ phiếu lƣu hành (Cổ phiếu) Giá trị vốn hóa (Tỷ đồng) EPS (Nghìn đồng) PE STB Sài Gòn Thƣơng Tín 12/07/2006 1.785.215.716 24.100 0,83 16,3 ACB Á Châu 21/11/2006 1.247.165.130 42.528 2,89 11,8 SHB Sài Gòn-Hà Nội 20/04/2009 1.203.119.924 10.948 1,45 6,3 VCB Ngoại thƣơng Việt Nam 30/06/2009 3.597.768.575 226.659 3,14 20,1 CTG Công Thƣơng Việt Nam 16/07/2009 3.723.404.556 102.766 2,09 13,2 EIB Xuất Nhập
khẩu Việt Nam 27/10/2009 1.235.522.904 17.483 1,00 14,2 NVB Quốc Dân 13/09/2010 301.021.552 2.769 0,10 96,8 MBB Quân đội 01/11/2011 2.069.676.114 47.810 2,17 10,6 BID Đầu tƣ và Phát
triển Việt Nam 24/01/2014 3.418.715.334 120.339 2,36 14,9 VPB Việt Nam Thịnh Vƣợng 17/08/2017 2.422.798.725 64.931 3,03 8,9 HDB Phát triển nhà Thành phố Hồ Chí Minh 05/01/2018 980.999.979 38.112 2,67 14,5 TPB Tiên Phong 19/04/2018 555.000.000 14.541 2,35 11,1 TCB Kỹ Thƣơng Việt Nam 05/06/2018 3.496.592.160 101.926 2,13 13,7
Cổ phiếu của các Ngân hàng TMCP Việt Nam đƣợc niêm yết trên TTCK vào những thời điểm khác nhau. Cổ phiếu đƣợc niêm yết đầu tiên trên TTCK là cổ phiếu của Ngân hàng TMCP Sài Gòn Thƣơng Tín với mã STB, niêm yết ngày 12/07/2006. Bài nghiên cứu tìm hiểu sự tác động của các nhân tố vĩ mô đến TSSL cổ phiếu các ngân hàng đang đƣợc niêm yết trên TTCK Việt Nam. Tuy nhiên, có một số cổ phiếu đƣợc niêm yết trong thời gian gần đây gồm: Ngân hàng TMCP Việt Nam Thịnh Vƣợng – mã cổ phiếu VPB, niêm yết tháng 08/2017; Ngân hàng TMCP Phát triển nhà Thành phố Hồ Chí Minh – mã cổ phiếu HDB, niêm yết tháng 01/2018; Ngân hàng TMCP Tiên Phong – mã cổ phiếu TPB, niêm yết tháng 04/2018; Ngân hàng TMCP Kỹ Thƣơng Việt Nam – mã cổ phiếu TCB, niêm yết tháng 06/2018. Do mới đƣợc niêm yết trên TTCK, số lƣợng quan sát của cổ phiếu các ngân hàng này không nhiều nên các cổ phiếu này không đƣợc đƣa vào mô hình nghiên cứu.
Bảng 4.1 cho thấy, dựa vào giá trị vốn hóa thị trƣờng, có thể thấy mức độ chênh lệch rõ rệch giữa 2 nhóm ngân hàng: Ngân hàng có vốn Nhà nƣớc chiếm đa số VCB, BID, CTG lần lƣợt có giá trị vốn hóa cao nhất trong nhóm cổ phiếu ngân