(Nguồn: cophieu68.com) Đối với VN30 và HNX30: Điểm mấu chốt cần phải thay đổi khi tính lại chỉ số cổ phiếu là xem xét lại phương pháp tính quyền số trong rổ tính chỉ số VN-Index theo thực tế của Việt Nam, tức là quyền số chỉ nên tính tốn trên số cổ phiếu chuyển nhượng được, để phản ánh chính xác diễn biến của thị trường.
VN30_Index, HNX30_Index có thể khắc phục được nhiều nhược điểm cơ bản của VN- Index, HNX_Index như sau:
Giá trị vốn hóa của cấu phần chỉ số VN30_Index, HNX30_Index được tính dựa trên khối lượng cổ phiếu thực sự tự do lưu hành trên thị trường (tự do chuyển nhượng).
Hạn chế sự ảnh hưởng quá mức của những cấu phần có tỷ trọng quá cao trong chỉ số VN30, HNX30 bằng cách tính đến giới hạn tỷ trọng vốn hóa khơng vượt q
Ngoài ra, do tiêu chuẩn chọn vào rổ VN30, HNX30 là những cổ phiếu có tính thanh khoản cao nhất nên giá cả của các cổ phiếu trong rổ VN30, HNX30 sẽ phản ánh tốt nhất mối quan hệ giữa cung và cầu cổ phiếu, từ đó hạn chế được sự làm giá vốn thường xảy ra đối với những cổ phiếu có thanh khoản kém.
Sự ra đời của VN30_Index, HNX30_Index đã đáp ứng nhu cầu tìm hiểu thơng tin chi tiết của thị trường đồng thời với một chỉ số có khả năng mơ phỏng và đầu tư được, các nhà đầu tư sẽ có thêm nhiều cơ hội đầu tư và từ đó tự tin hơn khi xây dựng danh mục đầu tư cho riêng mình.
Đây cũng là cơ sở để phát triển các quỹ đầu tư chỉ số, quỹ ETF, kéo theo sự gia tăng thanh khoản trên thị trường. Ngoài ra, VN30, HNX30 cũng kỳ vọng là tài sản cơ sở cho các sản phẩm phái sinh của HOSE, HNX sẽ triển khai trong tương lai.
2.3.2. Những tồn tại của các chỉ số giá cổ phiếu trên TTCK Việt Nam
Phương pháp tính VN_Index, HNX_index chỉ đơn thuần dựa trên giá trị vốn hóa thị trường của các cổ phiếu thành phần mà chưa tính đến lượng cổ phiếu thực sự tự do lưu hành trên thị trường, cũng như chưa hạn chế sự ảnh hưởng quá mức của những cấu phần có tỷ trọng quá cao trong chỉ số. Bởi trong thực tế có một bộ phận cổ phiếu bị hạn chế chuyển nhượng. Điều này dẫn đến trường hợp, vài ba mã cổ phiếu có mức vốn hóa chiếm tỷ trọng lớn trong rổ cổ phiếu tại sàn HOSE, HNX như MSN, VNM, VIC, BVH,..song lại có số cổ phiếu giao dịch tự do rất nhỏ đang dễ dàng gây ảnh hưởng đến chỉ số VN_Index, HNX_Index
Còn đối với VN30 và HNX30, trong quá trình hoạt động cũng bộc lộ một số hạn chế sau:
Chỉ đại diện cho các cổ phiếu của một sàn giao dịch HOSE hoặc HNX, do đó tính đại diện của thị trường là không cao.
Trong rổ chỉ số VN30, HNX30, các cơng ty tài chính chiếm đến hơn 50% và chỉ số này bị chi phối rất mạnh bởi ngành tài chính.
Năm mã cổ phiếu có giá trị vốn hóa lớn nhất của chỉ số cũng có khả năng chi phối được chỉ số khi tỷ trọng của năm mã này chiếm đến 50% tổng tỷ trọng vốn hóa. Do đó tính đại diện cho thị trường là khơng cao.
Cơng thức tính phức tạp, dễ gây nhầm lẫn và khó hiểu cho nhà đầu tư, đây cũng là một trong những nguyên nhân dẫn đến việc các nhà đầu tư vẫn chưa quen dùng VN30, HNX30 thay thế cho VN_Index, HNX_Index
Bên cạnh các nhược điểm trên của các chỉ số, thị trường cổ phiếu Việt Nam hiện nay còn thiếu một loại chỉ số của thị trường cổ phiếu sơ cấp, nhằm đánh giá sự tăng trưởng và phát triển của thị trường được xem là đóng vai trị tiền đề cơ sở cho sự phát triển của thị trường thứ cấp, cũng như là nguồn cung vốn trực tiếp cho nền kinh tế.
2.4. Kiểm định tính hiệu quả của các chỉ số giá cổ phiếu tại TTCK Việt Nam
Nhằm kiểm định tính hiệu quả của các chỉ số giá cổ phiếu trên TTCK Việt Nam, tiến hành phân tích định lượng dựa theo hai tiêu chí sau:
-Khả năng dự báo nền kinh tế -Mức độ đại diện cho thị trường
Hai chỉ số tiến hành kiểm định tính hiệu quả là chỉ số HNX_Index và VN30 của sàn HOSE. Lý do lựa chọn hai chỉ số này vì tính đại diện cho thị trường của hai chỉ số là cao nhất so với các chỉ số cổ phiếu ở HNX như HNX_Index hay HNX30_Index. Các chỉ số cổ phiếu ở HOSE đại diện cho các mã cổ phiếu có giá trị vốn hóa lớn, và tổng giá trị vốn hóa của HOSE cao hơn gấp 9 lần so với sàn HNX (643 nghìn tỷ so với 83 nghìn tỷ ở sàn HNX).
2.4.1. Kiểm định tính hiệu quả của VN_Index
2.4.1.1. Kiểm định mối tương quan giữa VN_Index và tốc độ tăng trưởng kinh tế Việt Nam (GDP)
Thu thập dữ liệu
Dữ liệu được thu thập từ quý 2/2005 đến quý 4/2012 của VN_Index và GDP theo nguồn dữ liệu của Sở giao dịch chứng khoán Thành phố Hồ Chí Minh và Tổng cục thống kê Việt Nam
Mơ hình nghiên cứu
Dựa trên các nghiên cứu trước đó và đánh giá nguồn dữ liệu cịn hạn chế hiện nay ở Việt Nam, tác giả đề xuất mơ hình nghiên cứu là mơ hình VAR, Vecto auto regression, với hai biến nội sinh là sai phân bậc 2 của GDP và chỉ số VNindex. Việc sử dụng mơ hình VAR này có thể khắc phục được những hạn chế về mặt dữ liệu ở Việt Nam (do số quan sát quá ít) và khắc phục được hiện tượng nội sinh trong mơ hình so
với các mơ hình ước lượng theo các phương pháp truyền thống như OLS (Ordinary least square).
Mơ hình VAR đề xuất bao gồm hai biến nội sinh là y1t, y2t y1t = β10 + β11 y1t−1 +· · ·+β1k y1t−k + α11 y2t−1 +· · ·+α1k y2t−k + u1t (2.1) y2t = β20 + β21 y2t−1 +· · ·+β2k y2t−k + α21 y1t−1 +· · ·+α2k y1t−k + u2t (2.2) Với:
y1t: sai phân bậc 2 của GDP y2t: sai phân bậc 2 của VN_Index u1t: sai số( phần dư) của GDP u2t: sai số( phần dư) của VN_Index
y1t−k: biến độ trễ của biến y1t, với k là độ trễ.
Nghiên cứu thực nghiệm
Kiểm định tính dừng của chuỗi dữ liệu thời gian
Trước khi tiến hành kiểm định mối quan hệ giữa GDP và VN_Index, tác giả tiến hành kiểm định tính dừng của hai biến số này để đảm bảo rằng cả hai chuỗi dữ liệu GDP và VN_Index đều là chuỗi dừng. Nếu như điều kiện này khơng thỏa, thì phương trình hồi quy sẽ gặp vấn đề nghiêm trọng và ước lượng sẽ có thể bị chệch, và khơng cịn chính xác nữa. Giả thuyết H0 là chuỗi dữ liệu GDP và VN_Index là chuỗi không dừng, và được kiểm định bằng phương pháp kiểm định nghiệm đơn vị (unit roof test). Kết quả cho thấy, giả thuyết H0 được chấp nhận ở chuỗi dữ liệu GDP và bị bác bỏ ở chuỗi dữ liệu Vnindex. Do GDP là chuỗi không dừng nên không thể tiến hành hồi quy theo chuỗi dữ liệu này. Để khắc phục vấn đề này, sẽ lần lượt tiến hành lấy sai phân bậc 1 và bậc 2 của hai chuỗi dữ liệu GDP và VNindex và tiếp tục kiểm định tính dừng của các chuỗi dữ liệu này sau khi đã lấy sai phân. Kết quả cho thấy GDP và Vn_Index đều là chuỗi dừng ở sai phân bậc hai. (Phụ lục 2)
Chọn độ trễ phù hợp cho mơ hình VAR cần hồi quy
Mơ hình VAR được kiểm định bằng việc lựa chọn dựa vào độ trễ của các biến nội sinh GDP và VN_Index. Do đó bước tiếp theo là chọn độ trễ phù hợp của các biến nội sinh cho mơ hình VAR. (Phụ lục 3)
Theo kết quả xác định độ trễ phù hợp theo Order Selaction Criteria, chọn độ trễ là 3 theo các tiêu chí FPE, AIC, SC, và HQ. Tiếp theo đó, tiến hành chạy mơ hình VAR theo độ trễ là 3. (Phụ lục 4)
Kiểm định quan hệ nhân quả
Sử dụng phương pháp kiểm định Wald (VAR Granger Causality/Block Exogeneity Wald) để kiểm định mối quan hệ nhân quả giữa VN_Index và GDP theo mơ hình VAR. Với giả thuyết H0: Khơng có mối quan hệ nhân quả giữa VN_Index và GDP. Kết quả kiểm định quan hệ nhân quả cho thấy với P value lần lượt là 0.485 và 0.525 chúng ta chấp nhận giả thuyết H0, và có thể kết luận rằng khơng tồn tại bằng chứng có mối quan hệ nhân quả giữa GDP và VN_Index. (Phụ lục 5)
Kiểm định tự tương quan
Để đánh giá mơ hình có xảy ra hiện tượng tự tương quan hay không, luận văn tiến hành kiểm định tự tương quan (VAR Residual Portmanteau Tests). (Phụ lục 6) .Kết quả cho thấy, đa số các biến trễ trong mơ hình đều khơng gây ra hiện tượng tự tương quan, và mơ hình sử dụng là hiệu quả cho ước lượng.
Tiếp theo, thực hiện phân tích tác động phản ứng đẩy (Variance Decomposition) và phân tích phân rã phương sai (Variance Decomposition) để xem xét mối quan hệ giữa hai biến GDP và VN_Index. (Phụ lục 7)
Tác động phản ứng đẩy chỉ ra sự tác động của hai biến số, trong đó chỉ ra một xu hướng không rõ ràng và gia tăng dần sự biến động khi chu kỳ tăng lên trong tác động của GDP với chính bản thân nó, tự hồi quy. Trong khi điều này là ngược lại đối với VN_Index khi tác động của chính nó giảm dần khi chu kỳ tăng lên. Bên cạnh đó, kết quả cũng chỉ ra tác động rất nhỏ và không đáng kể của VN_Index đến GDP, và điều này cũng tương tự ở chiều ngược lại, qua đó cho thấy mối liên hệ rất yếu thậm chí là khơng có mối liên hệ giữa hai biến số nghiên cứu là GDP và VN_Index.
Để đánh giá chính xác hơn về sự giải thích lẫn nhau giữa hai biến số VN_Index và GDP, tiến hành phân tích phân rã phương sai để đo lường mức độ giải thích giữa hai biến số này và tìm mối liên hệ giữa chúng theo chu kỳ là 10 chu kỳ. Phân tích phân rã phương sai cho thấy Vn_Index chỉ giải thích được 6.2 % trong sự thay đổi của GDP, và
GDP được giải thích đến 93.8 % trong sự biến động của chính nó. Trong khi đó, GDP chỉ có thể giải thích 1.1% trong việc dự báo sự thay đổi của GDP, và phần còn lại là sự thay đổi của chính VN_Index đối với nó. (Phụ lục 8)
Như vậy, kết quả nghiên cứu cho thấy không tồn tại bằng chứng về mối liên hệ giữa sự phát triển của thị trường chứng khốn Việt Nam thơng qua chỉ số Vn_Index và sự phát triển kinh tế ở Việt Nam thông qua chỉ số GDP bằng mơ hình VAR, và các kiểm định về quan hệ nhân quả, phân tích tác động phản ứng đẩy. Bên cạnh đó, phương pháp phân rã phương sai cho chúng ta kết luận chỉ 6.2 % dự báo về sự thay đổi của VN_Index được giải thích bởi tăng trưởng kinh tế, 93.8 % là bởi chính nó. Trong khi đó, chỉ 1.1 % dự báo về sự thay đổi của GDP được giải thích bởi VN_Index, và 98.9 % cịn lại là bởi chính nó.
Qua đó, có thể kết luận khơng có mối liên hệ giữa chỉ số VN_Index và tăng trưởng kinh tế GDP ở Việt Nam.
2.4.1.2. Kiểm định mức độ đại diện của VN_Index đối với thị trường
Để đánh giá mức độ đại diện của VN_Index đối với thị trường, tiến hành loại bỏ 4 mã cổ phiếu có giá trị vốn hóa lớn nhất của VN_Index ra khỏi rổ tính chỉ số và chạy lại chỉ số mới với tên gọi là VN_Index2. Sau đó tiến hành kiểm định mối tương quan của hai chỉ số này. Dữ liệu được thu thập bao gồm 989 quan sát, từ ngày 2/1/2009 đến 31/12/2012.
Bảng 2.6: Kết quả ma trận hệ số tương quan giữa VN_Index và VN_Index2
VN_INDEX VN_INDEX2
VN_INDEX 1.000000 0.697549
VN_INDEX2 0.697549 1.000000
(Nguồn: Sở giao dịch chứng khốn TPHCM,tác giả tự tính tốn)
(Nguồn: Sở giao dịch chứng khốn TPHCM, tác giả tự tính tốn) Mức độ tương quan của hai chỉ số này khá chặt ở thời điểm đầu, tuy nhiên trong giai đoạn sau đó thì có sự tách biệt nhau, VN_Index vẫn duy trì ở mức cao khi VN_Index2 lại có xu hướng giảm mạnh từ quan sát thứ 220 trở đi. Nguyên do là bốn mã cổ phiếu có mức vốn hóa lớn của thị trường đã bẻ cong VN_Index, các mã này vẫn tăng điểm mạnh trong khi đa số các mã cổ phiếu trên thị trường đều giảm điểm, khiến cho chỉ số này khơng cịn là một chỉ số đại diện cho thị trường một cách hiệu quả nữa.
2.4.2. Kiểm định tính hiệu quả của VN30_Index
2.4.2.1. Kiểm định tính chỉ báo của VN30_Index đối với nền kinh tế
Thu thập dữ liệu
Tương tự như kiểm định ở HNX_Index, tác giả tiến hành kiểm định mối quan hệ giữa VN30_Index và GDP. Dữ liệu thu thập được là dữ liệu theo quý từ quý 1/2009 đến quý 4/2012 của GDP và VN30_Index.
Mơ hình nghiên cứu
Mơ hình VAR đề xuất bao gồm hai biến nội sinh là y1t, y2t y1t = β10 + β11 y1t−1 +· · ·+β1k y1t−k + α11 y2t−1 +· · ·+α1k y2t−k + u1t (2.1)
100 200 300 400 500 600 700 100 200 300 400 500 600 700 800 900 VNINDEX VNINDEX2
y2t = β20 + β21 y2t−1 +· · ·+β2k y2t−k + α21 y1t−1 +· · ·+α2k y1t−k + u2t (2.2) Với:
y1t: sai phân bậc 2 của GDP
y2t: sai phân bậc 2 của VN30_Index u1t: sai số( phần dư) của GDP
u2t: sai số( phần dư) của VN30_Index y1t−k: biến độ trễ của biến y1t, với k là độ trễ.
Nghiên cứu thực nghiệm
Kiểm định tính dừng của chuỗi dữ liệu
VN30 là chuỗi dừng và GDP là chuỗi dừng ở sai phân bậc 2. (Phụ lục 9) Tác giả tiến hành chạy mơ hình VAR theo sai phân bậc 2 của GDP và VN30. (Phụ lục 10)
Sau đó, tiến hành chọn độ trễ phù hợp cho mơ hình. (Phụ lục 11)
Kết quả cho thấy, theo các tiêu chuẩn FR, FPE, AIC, SC, HQ nên chọn độ trễ là 3, và chạy lại mơ hình VAR với độ trễ là 3. (Phụ lục 12)
Sau đó, tác giả kiểm định mối quan hệ nhân quả giữa 2 biến số này. Kết quả cho thấy khơng có mối quan hệ nhân quả giữa VN30 và GDP. (Phụ lục 13). Ranger Causialy test chỉ ra khơng có mối quan hệ nhân quả giữa VN30 và GDP.
Khi tiến hành phân tích tác động phản ứng đẩy Impulse Response Phụ lục 14 Kết quả cho thấy khơng tìm thấy bằng chứng về sự tác động qua lại giữa VN30 và GDP, và tìm thấy bằng chứng về sự tác động của bản thân chỉ số GDP, VN30 tác động ngược lại chính nó.
Bên cạnh đó, tiến hành phân tích phân rã phương sai, để xét mối quan hệ giữa hai biến số VN30 và GDP. (Phụ lục 15). Kết quả phân tích phân rã phương sai cho thấy, VN30 chỉ giải thích được 4 % sự biến động của GDP, trong khi GDP giải thích được 34% sự biến động của VN30.
Như vậy, qua các phân tích trên khơng tìm thấy mối quan hệ nhân quả giữa GDP và VN30, vì số quan sát q ít nên khơng thể kiểm định đồng liên kết để tìm mối quan hệ dài hạn giữa hai biên số này. Ngồi ra, phân tích tác động phản ứng đẩy và phân rã
phương sai chỉ ra có mối quan hệ về mặt giải thích sự biến động giữa hai biến số này. Trong đó chiều tác động từ GDP đến VN30_Index là rõ ràng hơn, còn chiều ngược lại khá yếu nên vai trị của VN30_Index như cơng cụ dự báo nền kinh tế là thấp.
2.4.2.2. Kiểm định mức độ đại diện của chỉ số đối với thị trường
Tương tự như đã kiểm định đối với VN_Index, tiến hành thu thập dữ liệu từ ngày 2/1/2009 đến ngày 31/12/2012 bao gồm 989 quan sát giữa VN30_Index và VN_Index2, VN_Index để đánh giá tính đại diện của VN30_Index
Bảng 2.7: Kết quả ma trận hệ số tương quan giữa VN30_Index, VN_Index2 và VN_Index
VN_INDEX VN_INDEX2 VN30_Index
VN_INDEX 1.000000 0.697549 0.771106
VN_INDEX2 0.697549 1.000000 0.133163
VN30_Index 0.771106 0.133163 1.000000
(Nguồn: Sở giao dịch chứng khoán TPHCM, Sở giao dịch chứng khoán Hà Nội, tác giả tự tính tốn)
Biểu đồ 2.7: Mối quan hệ giữa VN30, VN_Index2 và VN_Index
(Nguồn: Sở giao dịch chứng khoán TPHCM, Sở giao dịch chứng khốn Hà Nội, tác giả tự tính tốn) Kết quả phân tích hệ số tương quan cho thấy, tính đại diện thị trường của chỉ số VN30 khơng cao, vì hệ số tương quan của nó với VN_Index2 đại diện cho thị trường