3.2. Mơ hình nghiên cứu
3.2.3. Mô tả các biến
Biến phụ thuộc
Tỷ suất sinh lợi vượt trội của danh mục = Ri – Rf
Tỷ suất sinh lợi của danh mục (Ri):
∑
Trong đó,
Ri,t : tỷ suất sinh lợi của danh mục i tháng t
rk,t : tỷ suất sinh lợi của cổ phiếu k tháng t
n : số lượng cổ phiếu trong danh mục
pk,t : giá đóng cửa có điều chỉnh của cổ phiếu k tại thời điểm cuối tháng t
pk,t-1 : giá đóng cửa có điều chỉnh của cổ phiếu k tại thời điểm cuối tháng t – 1
Tỷ suất sinh lợi phi rủi ro (Rf): lãi suất trúng thầu của trái phiếu Chính
phủ kỳ hạn 2 năm (tính theo tháng).
Biến độc lập
Nhân tố thị trường (Rm – Rf)
Tỷ suất sinh lợi vượt trội của thị trường = Rm – Rf
Tỷ suất sinh lợi của danh mục thị trường (Rm) được xác định dựa trên sự biến động của chỉ số VN-Index và được tính tốn theo cơng thức sau:
Trong đó,
Rm,t : tỷ suất sinh lợi của danh mục thị trường tháng t
VNIndext : chỉ số VN-Index đóng cửa tại thời điểm cuối tháng t VNIndext-1 : chỉ số VN-Index đóng cửa tại thời điểm cuối tháng t – 1
Nhân tố quy mô (SMB)
Chỉ tiêu SMB (Small minus Big) được đo lường bằng chênh lệch giữa TSSL bình quân của các danh mục có quy mơ nhỏ so với TSSL bình quân của các danh mục có quy mơ lớn.
Đối với mơ hình ME – BM, chỉ tiêu SMB được tính tốn như sau:
SMB = (RS/H + RS/M + RS/L)/3 – (RB/H + RB/M + RB/L)/3
Đối với mơ hình ME – TURN, chỉ tiêu SMB được tính tốn như sau:
SMB = (RS/I + RS/M + RS/V)/3 – (RB/I + RB/M + RB/V)/3
Trong đó,
RS/H, RS/M,…: TSSL hàng tháng tương ứng với từng loại danh mục S/H, S/M,…
Nhân tố giá trị (HML)
Chỉ tiêu HML (High minus Low) được đo lường bằng chênh lệch giữa TSSL bình quân của các danh mục có tỷ lệ BE/ME cao so với TSSL bình qn của các danh mục có tỷ lệ BE/ME thấp.
Đối với mơ hình ME – BM, chỉ tiêu HML được tính tốn như sau:
HML = (RS/H + RB/H)/2 – (RS/L + RB/L)/2
Đối với mơ hình BM – TURN, chỉ tiêu HML được tính tốn như sau:
Trong đó,
RS/H, RB/H,…: TSSL hàng tháng tương ứng với từng loại danh mục S/H, B/H,…
Nhân tố thanh khoản (IMV)
Chỉ tiêu IMV (Illiquid minus Very liquid) được đo lường bằng chênh lệch giữa TSSL bình qn của các danh mục có tính thanh khoản thấp (hệ số vịng quay giao dịch thấp) so với TSSL bình quân của các danh mục có tính thanh khoản cao (hệ số vịng quay giao dịch cao).
Đối với mơ hình ME – TURN, chỉ tiêu IMV được tính tốn như sau:
IMV = (RS/I + RB/I)/2 – (RS/V + RB/V)/2
Đối với mơ hình BM – TURN, chỉ tiêu IMV được tính tốn như sau:
IMV = (RH/I + RM/I + RL/I)/3 – (RH/V + RM/V + RL/V)/3
Trong đó,
RS/I, RB/I,…: TSSL hàng tháng tương ứng với từng loại danh mục S/I, B/I,…
3.3. Phƣơng pháp nghiên cứu
Để đạt được các mục tiêu nghiên cứu đặt ra của đề tài, tác giả thực hiện chạy mơ hình hồi quy bằng phần mềm Eviews 6.0 trên cơ sở các số liệu thu thập và tính tốn được. Tuy nhiên, trước khi tiến hành chạy mơ hình hồi quy cho các danh mục, tác giả thực hiện phân tích số liệu thống kê mơ tả các biến, đồng thời thực hiện một số kiểm định điều kiện tiên quyết như kiểm định tính dừng của chuỗi dữ liệu và kiểm định hiện tượng đa cộng tuyến.
Phân tích thống kê mơ tả các biến
Trong nội dung này, tác giả tập trung phân tích các chỉ tiêu giá trị trung bình, lớn nhất, nhỏ nhất và độ lệch chuẩn của chuỗi dữ liệu các biến độc lập và biến phụ thuộc trong từng mơ hình nghiên cứu. Kết quả phân tích sẽ cho thấy được phần nào xu hướng ảnh hưởng của các nhân tố độc lập đối với TSSL của cổ phiếu.
Kiểm định tính dừng của chuỗi dữ liệu
Cả ba mơ hình nghiên cứu đều được tác giả sử dụng phương pháp phân tích hồi quy trên cơ sở dữ liệu chuỗi thời gian của các biến. Trong phân tích hồi quy theo chuỗi thời gian, đặc trưng tính dừng của chuỗi dữ liệu là một trong những yếu tố nền tảng quan trọng cho việc lựa chọn mơ hình dự báo thích hợp. Với một chuỗi dữ liệu thời gian không dừng, dù kết quả hồi quy có tốt đến đâu, mơ hình nghiên cứu có thích hợp đến đâu đi nữa thì chúng ta cũng khơng thể sử dụng mơ hình đó để dự báo cho các giai đoạn tiếp theo trong tương lai, dẫn đến kết quả nghiên cứu sẽ khơng có giá trị thực tiễn. Vì vậy, kiểm định tính dừng là cơng việc bắt buộc phải làm trước khi thực hiện chạy mơ hình hồi quy theo chuỗi thời gian.
Tác giả thực hiện kiểm định tính dừng của các chuỗi dữ liệu bằng phương pháp kiểm định nghiệm đơn vị (Unit Root Test) với tiêu chuẩn kiểm định Dickey – Fuller mở rộng (Augmented Dickey Fuller test – ADF). Theo đó, mỗi biến nghiên cứu được tiến hành hồi quy theo phương trình hồi quy tự tương quan và thu được các giá trị thống kê t ước lượng. Các giá trị này được so sánh với giá trị thống kê т (Tau) theo bảng DF (Dickey – Fuller) ở các mức ý nghĩa khác nhau để kết luận một chuỗi dừng hay không dừng.
Quy tắc quyết định là:
- Nếu | t | > | тα | : chuỗi dừng với mức ý nghĩa α tương ứng.
- Nếu | t | < | тα | : chuỗi không dừng với mức ý nghĩa α tương ứng. Sau khi kiểm định, tác giả sẽ loại ra các chuỗi dữ liệu khơng có tính dừng và chỉ tiếp tục thực hiện nghiên cứu trên các chuỗi dữ liệu dừng.
Ma trận hệ số tƣơng quan và kiểm định hiện tƣợng đa cộng tuyến
Ma trận hệ số tương quan thể hiện một cách tổng quát mức độ tác động qua lại giữa các biến nghiên cứu trong mơ hình, đặc biệt giữa các biến độc lập/biến giải thích với nhau. Nếu giữa hai biến độc lập có mối tương quan cao thì sẽ tác động đáng kể đến sự ảnh hưởng riêng của mỗi biến độc lập lên biến phụ thuộc. Từ đó, ta
khơng thể đánh giá được chính xác nhất mức độ giải thích của từng biến độc lập đối với biến phụ thuộc. Đồng thời, hệ số tương quan cao cũng là dấu hiệu cho thấy có thể xảy ra hiện tượng đa cộng tuyến nghiêm trọng giữa các biến. Vì vậy, sau khi phân tích ma trận hệ số tương quan, tác giả sẽ tiến hành kiểm định hiện tượng đa cộng tuyến giữa các biến.
Để kiểm định hiện tượng này, tác giả thực hiện hồi quy từng biến giải thích theo các biến giải thích cịn lại trong mơ hình (được gọi là hồi quy phụ trợ). Tương ứng với mỗi hàm hồi quy phụ trợ, tác giả sẽ có được hệ số xác định Rj2
phụ trợ của biến giải thích được hồi quy. Sau đó, tác giả thực hiện tính tốn các giá trị nhân tử phóng đại phương sai (Variance Inflation Factor – VIF) theo công thức:
Quy tắc quyết định:
- Nếu VIFj > 10 hay Rj2 > 0,9 thì có xảy ra hiện tượng đa cộng tuyến nghiêm trọng giữa biến giải thích được hồi quy với các biến giải thích cịn lại, làm cho ước lượng của các hệ số hồi quy trong mơ hình ban đầu trở nên kém chính xác. Lúc đó, tác giả sẽ sử dụng các biện pháp thích hợp để khắc phục hiện tượng này.
- Ngược lại, nếu VIFj < 10 hay Rj2 < 0,9 thì kết luận mức độ đa cộng tuyến giữa các biến không quá nghiêm trọng và không cần thiết phải xử lý. Bởi vì, bản chất mối tương quan giữa các biến là ln ln xảy ra, ta rất khó có thể tìm được mơ hình nghiên cứu nào mà có hai biến hồn tồn khơng tương quan với nhau. Do đó, ta chỉ quan tâm đánh giá mức độ đa cộng tuyến giữa các biến là cao hay thấp, chứ khơng u cầu hiện tượng này hồn tồn khơng xảy ra.
Phân tích hồi quy bằng phƣơng pháp OLS
Phương pháp hồi quy được sử dụng trong bài là phương pháp hồi quy bình phương bé nhất thông thường (OLS) với dữ liệu chuỗi thời gian. Theo đó, tác giả thực hiện hồi quy mỗi mơ hình nghiên cứu theo các loại danh mục tương ứng với
Theo phương pháp OLS, mục tiêu của việc hồi quy là ta phải tìm giá trị ước lượng của các hệ số hồi quy sao cho tổng bình phương phần dư (ei2
) là nhỏ nhất. Bằng cách sử dụng phần mềm Eviews 6.0, tác giả sẽ tìm được các giá trị ước lượng này. Sau đó, dựa trên kết quả hồi quy có được, tác giả tiến hành kiểm định ý nghĩa thống kê của các hệ số hồi quy và phân tích sự ảnh hưởng của các nhân tố thị trường, quy mô, giá trị và tính thanh khoản đến TSSL của các danh mục. Đồng thời, mức độ phù hợp của từng mơ hình nghiên cứu cũng được đánh giá thơng qua hệ số R2 hiệu chỉnh cùng với giá trị kiểm định thống kê F của nó.
Theo định lý Gauss – Markov, để các hệ số hồi quy mẫu là các ước lượng tốt cho mơ hình hồi quy thì các giả thiết cơ bản của phương pháp OLS phải được thỏa mãn. Hay nói khác đi, các hàm ước lượng theo OLS (ước lượng của các hệ số hồi quy) là các hàm ước lượng tuyến tính, khơng chệch và có phương sai nhỏ nhất trong lớp các hàm ước lượng tuyến tính, khơng chệch của các hệ số hồi quy tổng thể. Tức, ước lượng theo OLS phải có tính chất BLUE (Best Linear Unbiased Estimation). Vì vậy, sau khi xác định được giá trị ước lượng của các hệ số hồi quy trong mơ hình, tác giả thực hiện một số kiểm định như kiểm định hiện tượng tự tương quan của nhiễu và kiểm định hiện tượng phương sai sai số thay đổi để kiểm tra xem các giả thiết cơ bản của OLS có bị vi phạm hay khơng.
Kiểm định các vi phạm giả thiết của OLS
o Kiểm định hiện tƣợng tự tƣơng quan của nhiễu
“Tự tương quan là tương quan trễ của một chuỗi đã cho với chính nó, bị chậm lại bởi một số đơn vị thời gian.” (Nguyễn Thành Cả và Nguyễn Thị Ngọc Miên, 2014, trang 238). Khi xảy ra hiện tượng tự tương quan thì ước lượng của các hệ số hồi quy theo OLS mặc dù vẫn là các ước lượng tuyến tính, khơng chệch và vững nhưng khơng cịn là các ước lượng hiệu quả nữa, bởi nó sẽ cho kết quả ước lượng kém chính xác với khoảng tin cậy rộng hơn, thậm chí có thể dẫn đến ước lượng sai lầm về dấu so với hệ số hồi quy tổng thể.
Trong dãy số liệu chuỗi thời gian, vấn đề tự tương quan của nhiễu thường hay xảy ra hơn so với dữ liệu chéo. Ngoài những nguyên nhân xuất phát từ bản chất kinh tế của vấn đề nghiên cứu như qn tính (tính ì) của các quan sát hay độ trễ của biến, hiện tượng tự tương quan cịn có thể xảy ra do mơ hình gặp phải sai số đặc trưng liên quan đến vấn đề chọn biến (như thiếu biến cần thiết). Vì vậy, kiểm định hiện tượng tự tương quan cịn giúp phát hiện các biến bị bỏ sót trong mơ hình.
Trong bài nghiên cứu, tác giả kiểm định hiện tượng tự tương quan của nhiễu bằng kiểm định Durbin – Watson (d-test). Giá trị thống kê d được lấy từ bảng kết quả hồi quy của các mơ hình theo từng danh mục. Giá trị này được so sánh với các giá trị tới hạn dL và dU tra theo bảng Durbin-Watson (tương ứng với mức ý nghĩa α cho trước) để kết luận có hiện tượng tự tương quan xảy ra hay khơng.
Quy tắc quyết định đó là:
- Nếu giá trị thống kê d nằm trong khoảng từ dU đến 4 – dU thì kết luận khơng có hiện tượng tự tương quan xảy ra.
- Nếu giá trị thống kê d nằm trong khoảng từ dL đến dU hay từ (4 – dU) đến (4 – dL), tức nằm trong miền khơng có kết luận thì tác giả sử dụng kết hợp nguyên tắc kinh nghiệm. Theo đó, trường hợp thống kê d có giá trị lớn hơn 1 và nhỏ hơn 3 thì kết luận khơng có hiện tượng tự tương quan xảy ra.
- Các trường hợp cịn lại sẽ kết luận có hiện tượng tự tương quan xảy ra. Đối với các danh mục có hiện tượng tự tương quan, tác giả sẽ sử dụng các biện pháp thích hợp để khắc phục hiện tượng này nhằm làm tăng độ tin cậy cho các hệ số hồi quy ước lượng.
o Kiểm định hiện tƣợng phƣơng sai sai số thay đổi
Một trong những giả thiết cơ bản của phương pháp hồi quy OLS là các nhiễu có phương sai khơng thay đổi theo các quan sát hay phương sai đồng nhất. Nếu giả thiết này bị vi phạm thì giá trị ước lượng của các hệ số hồi quy vẫn là các ước lượng tuyến tính, khơng chệch và vững nhưng khơng cịn là các ước lượng hiệu quả nữa.
Đây chính là hậu quả đối với mơ hình khi có xảy ra hiện tượng phương sai sai số thay đổi.
Trong bài nghiên cứu, tác giả sử dụng kiểm định Breusch-Pagan-Godfrey (BPG-Test) để kiểm tra xem có hiện tượng phương sai thay đổi xảy ra hay khơng. Theo đó, dựa trên phần mềm Eviews 6.0, tác giả thu được giá trị thống kê Θ cùng giá trị p (p-value) của nó từ mơ hình hồi quy bình phương phần dư (ei2) của hàm hồi quy ban đầu theo các biến độc lập Xi. Sau đó, các giá trị p (p-value) của thống kê Θ sẽ được dùng làm căn cứ để kết luận có hiện tượng phương sai thay đổi xảy ra hay không.
Quy tắc quyết định là: nếu danh mục nào có giá trị p < 0,01 thì kết luận có xảy ra hiện tượng phương sai nhiễu thay đổi và tác giả sẽ sử dụng biện pháp thích hợp để khắc phục hiện tượng này nhằm làm tăng mức độ chính xác cho các hệ số hồi quy ước lượng.
Cuối cùng, trên cơ sở tổng hợp tất cả các kết quả phân tích và kiểm định thu
được trong bài nghiên cứu, tác giả sẽ đánh giá vai trò tác động của nhân tố thanh khoản đối với TSSL của cổ phiếu khi xem xét trong từng mơ hình nghiên cứu khác nhau, đồng thời thực hiện so sánh và lựa chọn mơ hình tối ưu để đo lường TSSL của cổ phiếu trên thị trường chứng khoán Việt Nam.
CHƢƠNG 4 – KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN