Ngồi ra tác giả chỉ bao gồm các cơng ty trong chỉ số VN-Index vào cuối năm 2012. Điều này giúp tác giả có một bộ dữ liệu hồn chỉnh trên 36 cơng ty. (Có thể lập luận rằng loại bỏ các công ty trong chỉ số VN-Index sẽ dẫn đến một sự tồn tại chệch, nhưng xem xét một số các cơng ty mà tác giả loại bỏ vì lý do này, tổng hiệu ứng sẽ nhỏ. Hơn nữa, ngay cả khi có một sự chệch trong chọn mẫu, nó khơng quan trọng cho chiến lược kinh doanh mà tác giả giả định, vì tác giả có thể đơn giản so sánh hiệu quả của nó với hiệu quả trung bình mẫu của tác giả. Danh sách 36 cơng ty trong mẫu nghiên cứu của tác giả được trình bày trong bảng 3.1.
Bảng 3.1. Danh sách 36 công ty trên sàn Hose được đưa vào nghiên cứu. cứu.
Mã CP Tên tìm kiếm Tên Công ty
BHS BHS Công ty Cổ phần Đường Biên Hòa
BMI BẢO HIỂM BẢO
MINH Tổng Công ty Cổ phần Bảo Minh
BMP NHỰA BÌNH
MINH Cơng ty Cổ phần Nhựa Bình Minh
CII CII Công ty Cổ phần Đầu tư Hạ tầng Kỹ thuật TP.HCM
CLC CÁT LỢI Công ty Cổ phần Cát Lợi
COM COMECO Công ty Cổ phần Vật tư Xăng dầu
DMC DOMESCO Công ty Cổ phần Xuất nhập khẩu Y tế DOMESCO
DRC CAO SU ĐÀ
NẴNG Công ty Cổ phần Cao su Đà Nẵng FPT TẬP ĐỒN FPT Cơng ty Cổ phần FPT
GMD GEMADEPT Công ty Cổ phần Gemadept
HAP HAPACO Cơng ty Cổ phần Tập Đồn Hapaco
HBC TẬP ĐỒN HỊA
BÌNH
Cơng ty Cổ phần Xây dựng và Kinh doanh Địa ốc Hịa Bình
IMP IMEXPHARM Công ty Cổ phần Dược phẩm IMEXPHARM
ITA CƠNG TY TÂN
TẠO Cơng ty Cổ phần Đầu tư và Công nghiệp Tân Tạo
KDC KDC Công ty Cổ phần Kinh Đô
KHP KHP Cơng ty Cổ phần Điện lực Khánh Hịa
NAV CƠNG TY CỔ
PHẦN NAM VIỆT Cơng ty Cổ phần Nam Việt
PJT PJT Công ty Cổ phần Vận tải Xăng dầu đường thủy Petrolimex
PPC
CƠNG TY CỔ PHẦN NHIỆT ĐIỆN PHẢ LẠI
Cơng ty Cổ phần Nhiệt điện Phả Lại
PVD PVD Tổng Công ty Cổ phần Khoan và Dịch vụ khoan Dầu khí
RAL RAL Cơng ty Cổ phần Bóng đèn Phích nước Rạng Đơng
REE REE Công ty Cổ phần Cơ điện Lạnh
SAM CƠNG TY SAM Cơng ty Cổ phần Đầu tư và Phát triển SACOM
SAV SAVIMEX Công ty Cổ phần Hợp tác Kinh tế và Xuất nhập khẩu Savimex
SFI SAFI Công ty Cổ phần Đại lý Vận tải Safi
SSI SSI Công ty Cổ phần Chứng khốn Sài Gịn
STB NGÂN HÀNG
SACOMBANK
Ngân hàng Thương mại Cổ phần Sài Gịn Thương Tín
TAC TƯỜNG AN Công ty Cổ phần Dầu Thực vật Tường An
TCR TAICERA Công ty Cổ phần Công nghiệp Gốm sứ TAICERA
TDH TDH Công ty Cổ phần Phát triển Nhà Thủ Đức
TTP NHỰA TÂN TIẾN Cơng ty Cổ phần Bao bì Nhựa Tân Tiến
TYA TYA Cơng ty Cổ phần Dây và Cáp điện Taya Việt Nam
VIP VIPCO Công ty Cổ phần Vận tải Xăng dầu VIPCO
VNM VNM Công ty Cổ phần Sữa Việt Nam
VSH VHS Công ty Cổ phần Thủy điện Vĩnh Sơn - Sông Hinh
3.2. Mơ hình và các biến trong mơ hình Lựa chọn mơ hình phù hợp
Mơ hình tác động của công cụ Google đến tỷ suất sinh lợi chứng khoán trên thị trường chứng khốn Việt Nam được ước tính hồi quy theo Laurens Bijl và cộng sự (2016) dưới dạng:
= + ∑ ) + ∑ ) + ∑ ) + + + (1)
Với:
: Tỷ suất lợi nhuận vượt trội của một loại chứng khoán trong thời điểm t.
L: Toán tử độ trễ
: Tốn tử có độ trễ thứ i
: Khối lượng tìm kiếm Google của một loại chứng khoán trong thời điểm t
: chuẩn hóa.
: Khối lượng giao dịch của một loại chứng khoán đã được hiệu chỉnh theo khối lượng giao dịch 12 tuần kế trước.
: Biến động theo tuần của tỷ suất sinh lợi vượt trội chứng khoán.
: Biến động theo tháng (hiệu chỉnh theo biến động 5 tuần trước đó) của tỷ suất sinh lợi vượt trội chứng khoán.
: Sai số.
Tác giả mở rộng mơ hình này bằng cách bao gồm một biến giả tháng Giêng (Jan) để tính tốn cho hiệu ứng tháng Giêng, lần đầu tiên được quan sát bởi Wachtel ,(1942). Ngồi biến giả tháng Giêng, tác giả cịn thêm biến giả là biến khủng hoảng
sự tác động của GSV qua 2 khoảng thời gian trong và sau cuộc khủng hoảng có khác nhau khơng. Vai trị của khủng hoảng tài chính ảnh hưởng đến sự tác động của khối lượng tìm kiếm Google tới tỷ suất lợi nhuận chứng khốn như thế nào.
Ngoài ra tác giả bao gồm ba biến tương tác mà có thể có ý nghĩa (Vlm*R, R*SGSV, Vlm*SGSV). Động cơ bao gồm các biến này là giá trị dự đoán của khối lượng giao dịch hoặc Google search có thể phụ thuộc vào việc tin tức về cơng ty này là tích cực/tiêu cực trong ngày và một hệ quả đơn giản cho điều này là tạo ra lợi nhuận tích cực/tiêu cực. Tương tự như vậy, Laurens Bijl và cộng sự (2016) dự đốn Google search có thể khác nhau trong ngày với khối lượng giao dịch cao hơn là trong ngày với khối lượng giao dịch thấp. Do đó mơ hình mở rộng của tác giả trở thành:
= + ∑ ) + ∑ ) + ∑ ) + *Jan + *Crisis + + + ( * ) + ( * ) + ( * ) + . (2)
Với chữ cái Hy Lạp là các hệ số hội quy.
Tỷ suất sinh lợi cổ phiếu
Trong mơ hình hồi quy, tác giả sử dụng tỷ suất sinh lợi vượt trội là biến phụ thuộc. Tác giả tập trung vào tỷ suất sinh lợi vượt trội của các công ty niêm yết trên sàn Hose. Tác giả tính tốn tỷ suất sinh lợi vượt trội bằng cách lấy tỷ suất sinh lợi cổ phiếu hàng ngày trừ beta của cổ phiếu riêng lẻ nhân với tỷ suất sinh lợi thị trường xem phương trình (5). Tỷ suất sinh lợi cổ phiếu hàng ngày được tính như tổng lợi nhuận điều chỉnh cho cổ tức và chia tách cổ phiếu như trong phương trình (3) dưới đây, trong đó S là giá cổ phiếu lúc mở cửa, D là cổ tức, N là số lượng cổ phiếu đang lưu hành, t là thời gian ngày, và R là tổng lợi nhuận. Trong phân tích của tác giả, tác giả sử dụng tỷ suất sinh lợi vượt trội hàng tuần từ giá mở cửa đầu tiên của một tuần tới giá mở cửa đầu tiên của tuần tiếp theo như tính tốn dưới đây trong phương trình (4), trong đó n là số ngày giao dịch trong tuần tương ứng,
là tỷ suất sinh lợi thị trường hàng tuần và beta (β) là beta trung bình động 52 tuần của công ty với chỉ số VN-Idex. Lý do mà tác giả sử dụng giá mở cửa đầu tiên của một tuần bởi chúng đại diện cho các cơ hội đầu tiên để hành động trên thông tin mới sau khi tách ra GSV hàng tuần vào chủ nhật (báo cáo từ chủ nhật đến thứ bảy). Tác giả sử dụng dữ liệu hàng tuần vì dữ liệu sẵn có. Có thể tải về dữ liệu hàng ngày, nhưng chỉ trong tuần rất ngắn. Ngược lại, số liệu hàng tuần là có sẵn cho vài năm.
=
– 1 (3)
= ∏ -1 (4) = - β (5)
Khối lượng tìm kiếm Google (GSV)
Như đã đề cập ở trên, GSV được báo cáo như là một chỉ số theo thời gian của tổng lượng tìm kiếm cho một tên cơng ty cụ thể, hoặc trên toàn cầu hoặc trong khu vực nhất định. Tác giả tải dữ liệu đối với Việt Nam trên trang Google Trend. Tác giả tin rằng dữ liệu của Việt Nam làm việc tốt hơn hơn dữ liệu toàn cầu khi sử dụng GSV để dự đoán biến động trên thị trường chứng khoán Việt Nam. Hiện nay, một số doanh nghiệp có ý định niêm yết trên thị trường chứng khốn nước ngồi. Đặc biệt là trên Sở Giao dịch chứng khoán London là trung tâm tài chính lớn trên thế giới nên nếu các doanh nghiệp tham gia niêm yết trên sàn giao dịch chứng khoán London, sẽ tạo dựng được một hình ảnh doanh nghiệp rất tốt cùng khả năng huy động vốn cao. Tương tự, Sở giao dịch chứng khoán Hongkong cũng là trung tâm tài chính lớn trên thế giới và khu vực, là nơi tập trung nhiều tổ chức tài chính, ngân hàng và quỹ đầu tư lớn. Hầu hết các doanh nghiệp Việt Nam đều biết lợi ích của việc niêm yết ở thị trường chứng khốn nước ngồi, chẳng hạn để huy động vốn, quảng bá thương hiệu..., nhưng có nhiều nguyên nhân khiến các doanh nghiệp chưa muốn tham gia niêm yết ra thị trường nước ngoài. Chẳng hạn các quy định về tiêu chuẩn và quy ước niêm yết ở nước ngồi rất cao, địi hỏi các doanh nghiệp phải tn
thủ hết sức nghiêm ngặt về chế độ cơng bố thơng tin, chế độ kế tốn, kiểm toán theo tiêu chuẩn quốc tế, áp dụng cách quản trị doanh nghiệp và các điều lệ mẫu…nên rất ít doanh nghiệp Việt Nam tiến hành niêm yết ở nước ngoài. Điều trực quan này làm cho cảm giác như là Việt Nam có lẽ là khu vực với sự tập trung lớn nhất cũng có thể là duy nhất của các nhà đầu tư giao dịch các cổ phiếu trong chỉ số VN-Index. Ngoài ra, những người tìm kiếm thơng tin cơng ty trên Internet ở Việt Nam hầu như quan tâm đến công ty Việt Nam hơn là một ý nghĩa thay thế của từ trong ngôn ngữ khác hoặc một công ty nước ngồi có cùng tên. Vẫn cịn một số lượng lớn độ nhiễu tìm kiếm trong dữ liệu, đặc biệt là cho các công ty trong ngành bán lẻ, bán sản phẩm mang tên họ, công ty chia sẻ tên với các đối tượng tìm kiếm khác, như Công ty Kinh Đô với bánh kẹo Kinh Đơ. Theo trực giác người ta có thể tưởng tượng việc sử dụng GSV cho các tìm kiếm mã để giải quyết vấn đề này, nhưng tác giả thấy rằng nhiều mã cũng tóm lược chung chung.
Tác giả đã sử dụng tên chính thức của các cơng ty như là một điểm khởi đầu khi tải về GSV, nhưng điều chỉnh một số tên để phù hợp với thực tế cho việc sử dụng nhiều hơn (ví dụ loại bỏ các mục như “công ty”). Tất cả tên công ty, tác giả đã sử dụng, và các mã tương ứng, được bao gồm trong bảng 1 (Phụ lục 1).
Để tiện cho việc tham khảo trong việc tải dữ liệu GSV từ Google Trend, tác giả đã trình bày giao diện trang Google Trend được tác giả sử dụng tìm kiếm dữ liệu GSV của các cơng ty trên hình 3.1.
Hình 3.1: Giao diện trang Google Trend và các ghi chú liên quan tới việc tải số liệu GSV.
Ở hình 3.1, tác giả gõ tên cần tìm kiếm vào ơ “Cụm từ tìm kiếm” để xác định tên cơng ty tìm kiếm. Tác giả xác định vùng tìm kiếm là Việt Nam. Như phân tích ở trên, khi phạm vi tìm kiếm là bất kỳ một nước nào khác thì dữ liệu sẽ khơng được tìm thấy. Hoặc khi phạm vi tìm kiếm là trên tồn thế giới cũng làm giảm đi giá trị tìm kiếm của cơng cụ Google Trend đối với dữ liệu GSV. Khung thời gian dữ liệu tìm kiếm từ 1/1/2008 đến 31/12/2012. Khung thời gian này có thể điều chỉnh tùy nhu cầu tìm kiếm của tác giả. Dữ liệu trong thời gian ngắn hơn hoặc bằng 5 năm thì dữ liệu sẽ được phân bổ dữ liệu theo tuần. Với những dữ liệu tìm kiếm khung thời gian dài hơn (theo tháng hoặc ngắn hơn, nhưng dài hơn 1 tuần). Vì vậy, tác giả đã xác định khung thời gian dữ liệu từ năm 2008-2012 và khung thời gian từ năm
2010-2013 để xác định mức ý nghĩa của dữ liệu tìm kiếm GSV có tác động đến tỷ suất sinh lợi chứng khoán khơng những trong giai đoạn khủng hoảng mà cịn trong cả giai đoạn bình thường, gần đây.
Các chỉ số từ Google Trends được sử dụng để tính tốn một GSV chuẩn hóa. Việc chuẩn hóa làm cho các chỉ số có tính so sánh hơn giữa các cơng ty. Theo Laurens Bijl và cộng sự (2016), tính tốn của tác giả về các GSV chuẩn hóa (SGSV) được thể hiện trong phương trình (6) dưới đây trong đó n là số tuần quan sát GSV, và là độ lệch chuẩn đầy đủ mẫu của chuỗi thời gian GSV.
=
∑
(6)
Tính biến động tỷ suất chứng khốn
Mức biến động tỷ suất sinh lợi chứng khốn chính là mức độ thay đổi (phân tán) của tỷ suất sinh lợi chứng khốn. Tác giả tính tốn sự biến động hàng tuần là một căn bậc hai của tổng bình phương lợi nhuận hàng ngày, trong đó n là số ngày giao dịch trong tuần tương ứng. Poon và Granger (2003) kết luận rằng giả định này thực sự làm cho các ước tính về biến động chính xác hơn.
= √∑ (7)
Dựa trên các kết quả của (Corsi, 2009), mơ hình của tác giả bao gồm hai biến cho sự biến động, trung hạn (hàng tuần) và dài hạn (hàng tháng). Đối với các biến động dài hạn, tác giả chỉ đơn giản là sử dụng mức trung bình của các biến động hàng tuần trong năm tuần quá khứ:
=
∑ (8)
Khối lượng giao dịch là số lượng đơn vị được giao dịch trong khoảng thời gian nhất định, thông thường là trong một ngày. Khi được kết hợp với diễn biến giá, khối lượng cho ta biết được về xu hướng hiện tại của giá là đang mạnh hay yếu. Khối lượng giúp ta đo lường được áp lực mua bán ẩn dấu đằng sau sự di chuyển của giá. Đó là khối lượng của cổ phiếu phổ thông được giao dịch mỗi ngày trên thị trường chứng khoán. Đối với việc phân tích trong phạm vi dài hạn hơn, người ta theo dõi khối lượng theo mốc thời gian là hàng tuần. Trong mơ hình của tác giả, tác giả sử dụng khối lượng giao dịch chứng khoán hàng tuần đã được điều chỉnh logarit để làm giảm khuynh hướng, làm trơn dữ liệu (ký hiệu là VLM) như được chỉ ra bên dưới bằng cách tính trung bình động 12 tuần quá khứ của khối lượng giao dịch điều chỉnh. Phương pháp này dựa trên Campbell và cộng sự (1993). Nghiên cứu trước đó (ví dụ Conrad và cộng sự, 1994;. Cooper, 1999; Glosten và cộng sự, 1993) tìm thấy một liên kết mạnh mẽ giữa khối lượng và lợi nhuận.
= log( ) -
CHƯƠNG IV. KẾT QUẢ NGHIÊN CỨU TẠI CÁC CÔNG TY NIÊM YẾT TRÊN SÀN CHỨNG KHOÁN GIAO DỊCH TPHCM.
4.1. Phương pháp hồi quy Lựa chọn phương pháp phù hợp Lựa chọn phương pháp phù hợp
Để kiểm định xem phương pháp hồi quy nào trong 3 phương pháp hồi quy gồm Pooled OLS, Random Effect (RE), Fixed Effect (FE) là phương pháp phù hợp nhất với mơ hình hồi quy, tác giả lần lượt chạy mơ hình với phương pháp Pooled OLS và RE, sau đó tác giả sử dụng kiểm định Breusch-Pagan LM (1979) để xác định được mơ hình Pooled OLS và RE. Với việc kiểm định Breusch-Pagan LM xác định mơ hình RE phù hợp, tác giả tiếp tục chạy mơ hình với phương pháp FE và dùng kiểm định Hausman (1978) để xác định mơ hình RE hay FE phù hợp nhất với mơ hình hồi quy.
Lựa chọn phương pháp hồi quy RE hay Pooled OLS.
Tác giả kiểm định mơ hình (1) với các biến độc lập trễ 1 kỳ bằng kiểm định Breusch-Pagan Lagrange Multiplier (1979) để xem xét xem liệu mơ hình (1) sẽ phù hợp với mơ hình hồi quy nào hơn-tác động ngẫu nhiên (RE) hay Pooled OLS. Đối với ước lượng tác động ngẫu nhiên, phương pháp nhân tử Lagrange (LM) với kiểm định Breusch-Pagan được sử dụng để kiểm chứng tính phù hợp của ước lượng (Baltagi, 2008). Theo đó, giả thuyết Ho cho rằng sai số của ước lượng thô không bao gồm các sai lệch giữa các đối tượng var(vi) = 0 (hay phương sai giữa các đối tượng hoặc các thời điểm là không đổi). Bác bỏ giả thuyết Ho, cho thấy phù hợp với ước lượng tác động ngẫu nhiên.
Đầu tiên tác giả chạy mơ hình hồi quy Pooled OLS với kết quả được trinh bày trong bảng 4.1.