3. NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU
3.4. Phân tích danh mục ER,NF và tỷ suất sinh lợi vượt trội hàng tháng
Trong cách phân tích danh mục, cùng với mô hình CAPM và mô hình Fama- French, chúng tôi sử dụng thêm mô hình nhân tố q của Chen và Zhang (2010).
Vào cuối mỗi năm trong giai đoạn 2007-2012, chúng tôi sắp xếp cổ phiếu vào 4 danh mục dựa trên mức độ tài trợ ròng (tứ phân vị của NF) của năm tài chính đang xét, sau đó ở mỗi danh mục lại tiếp tục chia thành 4 danh mục nhỏ dựa trên các mức độ của tỷ số ER (ER=0, 0<ER<=0.5, 0.5<ER<1, ER=1). Tiếp theo, tính toán tỷ suất sinh lợi trung bình có tỷ trọng hàng tháng trong một năm của mỗi danh mục trong 16 danh mục (với tỷ trọng là tỷ lệ phần trăm của giá trị thị trƣờng của mỗi chứng khoán trong tổng
giá trị thị trƣờng của danh mục đó). Sau đó chúng tôi ƣớc tính hệ số Alpha (TSSL vƣợt trội) hàng tháng theo các mô hình đã đề cập ở trên:
CAPM
𝑟𝑖𝑡 − 𝑟𝑓𝑡 = 𝛼𝑖𝐶𝐴𝑃𝑀 + 𝛽𝑖𝑀𝐾𝑇𝑡 + 𝜀𝑖𝑡
Với ri là tỷ suất sinh lợi hàng tháng của danh mục, rf là lãi suất tín phiếu kho bạc6, MKT là tỷ suất sinh lợi hàng tháng của chỉ số VN-INDEX trừ đi lãi suất phi rủi ro.
FAMA-FRENCH
𝑟𝑖𝑡 − 𝑟𝑓𝑡 = 𝛼𝑖𝐹𝐹+ 𝛽𝑖𝑀𝐾𝑇𝑡 + 𝑠𝑖𝑆𝑀𝐵𝑡 + 𝑖𝐻𝑀𝐿𝑡 + 𝜀𝑖𝑡
Để tính giá trị của SMB và HML, với mỗi danh mục trong 16 danh mục ở trên, mỗi năm chúng tôi phân chia thành 6 danh mục nhỏ dựa trên 2 yếu tố phân loại là giá trị thị trƣờng (MV) và tỷ số B/M. Với SMB là sự khác biệt giữa tỷ suất sinh lợi hàng tháng của một danh mục các công ty nhỏ (MV nhỏ hơn mức trung bình) và tỷ suất sinh lợi của một danh mục các công ty lớn (MV lớn hơn mức trung bình), HML là sự khác biệt giữa tỷ suất sinh lợi trung bình hàng tháng của 2 danh mục cổ phiếu có tỷ số B/M cao nhất (30% cao nhất) và 2 danh mục cổ phiếu có B/M thấp nhất (30% thấp nhất).
Q-FACTOR MODEL
𝑟𝑖𝑡 − 𝑟𝑓𝑡 = 𝛼𝑖𝐹𝐹 + 𝛽𝑖𝑀𝐾𝑇𝑡 + 𝛽𝑖𝐼𝑁𝑉𝐼𝑁𝑉𝑡 + 𝛽𝑖𝑅𝑂𝐴𝐹𝑅𝑂𝐴𝐹𝑡 + 𝜀𝑖𝑡
Theo Chen và Zhang (2010) chúng tôi cũng tính toán 2 biến số INV và ROAF dựa trên cách phân loại danh mục. Với biến INV, mỗi năm chúng tôi phân mỗi danh mục trong 16 danh mục trên thành 6 danh mục nhỏ dựa trên 2 yếu tố phân loại là quy mô công ty (đại diện là giá trị thị trƣờng) và tỷ số đầu tƣ trên tổng tài sản (I/A: đƣợc
6
tính toán bằng cách lấy tổng thay đổi trong tài sản cố định và thay đổi trong hàng tồn kho chia cho tổng tài sản của năm trƣớc đó). Khi đó INV là sự khác biệt giữa tỷ suất sinh lợi trung bình hàng tháng của 2 danh mục nhỏ có I/A thấp nhất (30% thấp nhất) và 2 danh mục nhỏ có I/A cao nhất (30% cao nhất).
Đối với biến ROAF, tƣơng tự mỗi năm chúng tôi cũng phân mỗi danh mục trong 16 danh mục trên thành 6 danh mục nhỏ dựa trên 2 yếu tố phân loại là quy mô công ty (đại diện là giá trị thị trƣờng) và TSSL trên tổng tài sản ROA. Khi đó, ROAF là sự khác biệt giữa tỷ suất sinh lợi trung bình hàng tháng của 2 danh mục nhỏ có ROA cao nhất (30% cao nhất) và 2 danh mục nhỏ có ROA thấp nhất (30% thấp nhất).
Chúng tôi sắp xếp các danh mục thành 2 loại: tăng tài trợ hay NF>0 và giảm tài trợ hay NF<0. Trong mỗi nhóm danh mục, chúng tôi lần lƣợt sử dụng CAPM, FF3 và Q-FACTOR để kiểm định. Bảng 3.7, Bảng 3.8 và Bảng 3.9 dƣới đây trình bày kết quả giá trị Alpha (TSSL vƣợt trội) hàng tháng của mỗi nhóm danh mục7:
7
Chúng tôi chỉ trình bày trong bảng kết quả những giá trị Alpha có ý nghĩa. Đồng thời, do sự hạn chế về dữ liệu nên có một số chỗ để trống do không có công ty nào thuộc các danh mục tƣơng ứng.
NF>0
𝐌ô 𝐡ì𝐧𝐡: 𝐫𝐢𝐭− 𝐫𝐟𝐭 = 𝛂𝐢𝐂𝐀𝐏𝐌+ 𝛃𝐢𝐌𝐊𝐓𝐭 + 𝛆𝐢𝐭
CAPM ER Lớn nhất- Nhỏ nhất
ER=0 0<ER<=0.5 0.5<ER<1 ER=1
Tứ phân vị NF Nhỏ nhất -0.024 (0.052) 2 -0.031 -0.057 -0.026 (0.042) (0.088) (0.088) 3 -0.035 -0.008 0.035 (0.100) (0.085) (0.100) Lớn nhất -0.025 (0.089) Lớn nhất- Nhỏ nhất -0.017 -0.033 (0.089) (0.088) Bảng 3.7: Sử dụng CAPM để tính TSSL vƣợt trội trƣờng hợp NF>0 Bảng 3.8: Sử dụng FF3 để tính TSSL vƣợt trội trƣờng hợp NF>0 Bảng 4.9: Sử dụng Q-FACTOR để tính TSSL vƣợt trội trƣờng hợp NF>0 NF>0 𝐌ô 𝐡ì𝐧𝐡: 𝑟𝑖𝑡− 𝑟𝑓𝑡 = 𝛼𝑖𝐹𝐹+ 𝛽𝑖𝑀𝐾𝑇𝑡 + 𝑠𝑖𝑆𝑀𝐵𝑡 + 𝑖𝐻𝑀𝐿𝑡 + 𝜀𝑖𝑡 FF3 ER Lớn nhất- Nhỏ nhất
ER=0 0<ER<=0.5 0.5<ER<1 ER=1
Tứ phân vị NF Nhỏ nhất -0.023 (0.046) 2 -0.058 -0.003 0.093 0.150 (0.020) (0.069) (0.050) (0.050) 3 -0.007 -0.025 -0.017 (0.082) (0.015) (0.082) Lớn nhất 0.046 -0.063 -0.109 (0.044) (0.063) (0.063) Lớn nhất- Nhỏ nhất -0.006 -0.004 -0.002 (0.063) (0.082) (0.046)
Bảng 3.9: Sử dụng Q-FACTOR để tính TSSL vƣợt trội trƣờng hợp NF>0
Kết quả từ 3 mô hình CAPM, FF3 và Q-FACTOR cho thấy có một sự khác biệt đáng kể trong tỷ suất sinh lợi vƣợt trội (Alpha) giữa những công ty gia tăng nhiều vốn (NF lớn nhất) với những công ty gia tăng vốn ít (NF nhỏ nhất). Những công ty càng gia tăng vốn nhiều (NF càng lớn) thì hầu hết có tỷ suất sinh lợi vƣợt trội thấp hơn so với những công ty gia tăng ít.
Ngoài ra, mặc dù có một số trƣờng hợp chúng ta thấy tỷ suất sinh lợi vƣợt trội của những công ty tài trợ chủ yếu bằng phát hành vốn cổ phần (ER càng lớn) thấp hơn so với tài trợ chủ yếu bằng nợ (tứ phân vị thứ hai đối với CAPM, tứ phân vị thứ ba và bốn đối với FF3, tứ phân vị 1 và 3 đối với Q-FACTOR), tuy nhiên trong các trƣờng hợp còn lại không cho thấy kết quả này.
NF>0
𝐌ô 𝐡ì𝐧𝐡: 𝑟𝑖𝑡 − 𝑟𝑓𝑡 = 𝛼𝑖𝐹𝐹 + 𝛽𝑖𝑀𝐾𝑇𝑡 + 𝛽𝑖𝐼𝑁𝑉𝐼𝑁𝑉𝑡 + 𝛽𝑖𝑅𝑂𝐴𝐹𝑅𝑂𝐴𝐹𝑡 + 𝜀𝑖𝑡
Q-FACTOR ER Lớn nhất- Nhỏ nhất ER=0 0<ER<=0.5 0.5<ER<1 ER=1
Tứ phân vị NF Nhỏ nhất -0.016 -0.028 -0.012 (0.032) (0.094) (0.094) 2 -0.058 -0.057 0.019 0.077 (0.020) (0.109) (0.016) (0.020) 3 -0.060 -0.034 -0.063 -0.003 (0.012) (0.016) (0.081) (0.081) Lớn nhất -0.075 (0.032) Lớn nhất- Nhỏ nhất -0.018 -0.018 -0.035 (0.032) (0.032) (0.094)
Kết quả từ các Bảng 3.10, 3.11 và 3.12 cũng cho thấy tác động của mức độ giảm nguồn tài trợ lên tỷ suất sinh lợi (lƣu ý NF<0). Theo đó, những công ty giảm nguồn tài trợ càng nhiều (NF càng nhỏ) có tỷ suất sinh lợi vƣợt trội cao hơn những công ty giảm nguồn tài trợ ít (NF càng lớn). Ngoài ra, trong trƣờng hợp giảm nguồn tài trợ dƣờng nhƣ có sự tồn tại tác động của định thời điểm thị trƣờng đến TSSL vƣợt trội của chứng khoán. Bằng chứng là kết quả cho thấy những công ty giảm nguồn tài trợ chủ yếu bằng mua lại vốn cổ phần (ER càng lớn) có TSSL vƣợt trội cao hơn so với trả bớt nợ (ER càng nhỏ). Bảng 3.10: Sử dụng CAPM để tính TSSL vƣợt trội trƣờng hợp NF<0 Bảng 4.11: Sử dụng FF3 để tính TSSL vƣợt trội trƣờng hợp NF<0 BẢNG : NF<0 𝐌ô 𝐡ì𝐧𝐡: 𝑟𝑖𝑡 − 𝑟𝑓𝑡 = 𝛼𝑖𝐶𝐴𝑃𝑀 + 𝛽𝑖𝑀𝐾𝑇𝑡 + 𝜀𝑖𝑡 CAPM ER Lớn nhất- Nhỏ nhất
ER=0 0<ER<=0.5 0.5<ER<1 ER=1
Tứ phân vị NF Nhỏ nhất -0.048 (0.058) 2 3 -0.083 (0.005) Lớn nhất -0.066 -0.044 0.023 (0.051) (0.040) (0.051) Lớn nhất- Nhỏ nhất
BẢNG : NF<0
𝐌ô 𝐡ì𝐧𝐡: 𝑟𝑖𝑡 − 𝑟𝑓𝑡 = 𝛼𝑖𝐹𝐹 + 𝛽𝑖𝑀𝐾𝑇𝑡 + 𝑠𝑖𝑆𝑀𝐵𝑡 + 𝑖𝐻𝑀𝐿𝑡 + 𝜀𝑖𝑡
FF3 ER Lớn nhất- Nhỏ nhất ER=0 0<ER<=0.5 0.5<ER<1 ER=1
Tứ phân vị NF Nhỏ nhất -0.030 (0.104) 2 -0.027 (0.088) 3 -0.060 (0.047) Lớn nhất -0.037 (0.034) Lớn nhất- Nhỏ nhất -0.010 (0.088) BẢNG : NF<0 𝐌ô 𝐡ì𝐧𝐡: 𝑟𝑖𝑡 − 𝑟𝑓𝑡 = 𝛼𝑖𝐹𝐹 + 𝛽𝑖𝑀𝐾𝑇𝑡 + 𝛽𝑖𝐼𝑁𝑉𝐼𝑁𝑉𝑡 + 𝛽𝑖𝑅𝑂𝐴𝐹𝑅𝑂𝐴𝐹𝑡 + 𝜀𝑖𝑡 Q-FACTOR ER Lớn nhất- Nhỏ nhất ER=0 0<ER<=0.5 0.5<ER<1 ER=1
Tứ phân vị NF Nhỏ nhất -0.037 -0.030 0.007 (0.073) (0.104) (0.104) 2 -0.053 (0.038) 3 -0.051 -0.040 0.011 (0.046) (0.047) (0.047) Lớn nhất Lớn nhất- Nhỏ nhất -0.014 -0.010 (0.073) (0.104) Bảng 3.11: Sử dụng FF3 để tính TSSL vƣợt trội trƣờng hợp NF<0 Bảng 3.12: Sử dụng Q-FACTOR để tính TSSL vƣợt trội trƣờng hợp NF<0
Tóm lại, kết quả kiểm định độc lập tác động của mức độ và thành phần tài trợ lên TSSL chứng khoán trong tƣơng lai cho thấy: những công ty càng gia tăng vốn nhiều có khuynh hƣớng đạt đƣợc TSSL vƣợt trội càng thấp so với trƣờng hợp gia tăng vốn ít, và ngƣợc lại những công ty giảm nguồn tài trợ càng nhiều thì TSSL vƣợt trội đạt đƣợc sẽ cao hơn. Đồng thời, kết quả cũng cho thấy có tồn tại tác động của định thời điểm thị trƣờng đến TSSL chứng khoán trong trƣờng hợp giảm nguồn tài trợ, tuy nhiên tác động này không rõ ràng trong trƣờng hợp gia tăng vốn.
3.5. Hồi quy chéo-ER,NF và tỷ suất sinh lợi chứng khoán trong tương lai
3.5.1. Hồi quy chéo cho toàn bộ mẫu dữ liệu
Kết thúc hồi quy đơn biến với kết quả ủng hộ cho giả thuyết đầu tƣ thực, chúng ta sẽ tiếp tục kiểm định các lý thuyết này nhƣng không phải một cách độc lập nữa mà là kiểm định đồng thời.
Để giảm bớt ảnh hƣởng của các giá trị phân bố lệch lạc (tức nằm rải rác về phía 2 cực của giảm tài trợ thực nghiệm), chúng tôi tiến hành lƣợc giản những giá trị lệch lạc đó. Cụ thể, Các giá trị ER đƣợc lƣợc giản sao cho nằm gọn trong đoạn [0,1], NF đƣợc lƣợc giản với tập giá trị nằm trong khoảng 1% - 99% giảm tài trợ thực nghiệm của nó.
Việc phân chia mẫu dữ liệu theo NF>0 và NF<0 đã cung cấp cho chúng ta những phát hiện đáng kể về đặc điểm riêng của từng bộ dữ liệu này. Do đó, có thể nhận thấy “hƣớng” của nguồn tài trợ (tức gia tăng hay giảm tài trợ) cũng sẽ tác động đến kết quả kiểm định của chúng ta. Chính vì thế, biến giả POSNF đƣợc đƣa vào, POSNF nhận giá trị 1 nếu công ty phát hành vốn và nhận giá trị 0 nếu giảm nguồn tài trợ.
Mô hình hồi quy: (Fama và Macbeth 1973)
𝑅𝑖,𝑡+1 = 𝛼 + 𝛽1ER𝑖,𝑡 + 𝛽2𝐸𝑅𝑖,𝑡 X POSNF + 𝛽3NF𝑖,𝑡 + 𝛽4𝑁𝐹𝑖,𝑡 X POSNF + 𝛽5POSNF
Trong đó Ri,t là tỷ suất sinh lợi hàng tháng của mỗi chứng khoán.
Giai đoạn đầu, chúng tôi tiến hành hồi quy chéo theo phƣơng trình trên cho từng tháng. Chúng tôi hồi quy tỷ suất sinh lợi hàng tháng trong 12 tháng tiếp theo dựa trên dữ liệu sẵn có của các biến ER, NF và POSNF… ở cuối mỗi năm tài chính t. Nhƣ vậy với thời gian kiểm định 6 năm (2007-2012), chúng tôi sẽ thực hiện hồi quy chéo cho 72 bộ dữ liệu tƣơng ứng cho 72 tháng.
Ở giai đoạn tiếp theo, chúng tôi sẽ tính trung bình các hệ số hồi quy đã tính đƣợc ở giai đoạn đầu. Kết quả cuối cùng đƣợc trình bày ở Bảng 3.13.
Ở cột 1, chúng tôi trình bày kết quả hồi quy nếu chỉ sử dụng biến thành phần tài trợ: ER và ER*POSNF. Kkết quả cho thấy có sự tác động của hiệu ứng thành phần tài trợ. Đối với những công ty giảm nguồn tài trợ (POSNF =0), chúng tôi tìm thấy một mối tƣơng quan thuận giữa ER và tỷ suất sinh lợi tƣơng lai, nhƣng mối tƣơng quan này là thấp (hệ số của ER là 0.013). Nhƣ vậy, các công ty càng giảm nguồn tài trợ bằng vốn cổ phần nhiều (ví dụ: mua lại cổ phiếu quỹ…) thì TSSL trong tƣơng lai đạt đƣợc càng lớn hơn, nhƣng lớn hơn không đáng kể. Nhƣng điều đáng chú ý hơn, đó là đối với các công ty gia tăng vốn (POSNF=1), “hệ số của ER” + “hệ số của ER*POSNF” cũng là một số dƣơng (0.014). Nhƣ vậy chúng ta có thể khẳng định công ty phát hành vốn cổ phần nhiều đạt đƣợc tỷ suất sinh lợi tƣơng lai tƣơng đối cao hơn công ty phát hành vốn cổ phần ít. Phát hiện này là trái với giả thuyết định thời điểm thị trƣờng, thay vì đó dƣờng nhƣ ủng hộ cho một lý thuyết tài chính doanh nghiệp ra đời trƣớc nó: lý thuyết trật tự phân hạng. Chúng tôi sẽ thảo luận vấn đề này kỹ hơn ở phần giải thích kết quả.
Kiểm định ở cột 2 đƣợc thực hiện tƣơng tự, nhƣng lần này biến NF, NF*POSNF và POSNF đƣợc đồng thời đƣa vào để kiểm định giả thuyết đầu tƣ thực: “Liệu rằng mức độ tài trợ có ảnh hƣởng đến TSSL tƣơng lai?”. Kết quả cho thấy công ty giảm nguồn tài trợ có tỷ suất sinh lợi cao hơn (với POSNF= 0, hệ số của NF là -0.185),
Biến phụ thuộc: TSSL hàng tháng trong tương lai Hệ số tương quan p-value Hệ số tương quan p-value Hệ số chặn -0.009 0.00 -0.014 0.00 ER 0.013 0.00 0.026 0.00 ER*POSNF 0.001 0.00 -0.022 0.00 ER+ER*POSNF 0.014 0.00 0.004 0.00 NF -0.185 0.00 NF*POSNF -0.288 0.00 NF+NF*POSNF -0.473 0.00 POSNF -0.008 0.00
ngƣợc lại công ty tăng vốn thì có tỷ suất sinh lợi thấp hơn (với POSNF= 1, hệ số của
NF -0.473). Hơn nữa, hệ số tƣơng quan giữa POSNF và TSSL tƣơng lai là một số âm
(mức ý nghĩa 1%) cho thấy công ty gia tăng nguồn tài trợ có xu hƣớng đạt đƣợc một TSSL tƣơng lai thấp hơn so với công ty giảm nguồn tài trợ.
Về phía thành phần tài trợ (ER và ER*POSNF), kết quả của hai kiểm định này cũng cho một kết quả tƣơng tự nhƣ kiểm định ở cột 1, nhƣng độ lớn của hệ số giảm đi, cho thấy khi kiểm định đồng thời thành phần và mức độ của nguồn tài trợ, thì sự ảnh hƣởng của thành phần tài trợ đối với TSSL tƣơng lai sẽ bị lấn át một phần bởi mức độ tài trợ. Kết quả này khá hợp lý, vì khi gia tăng vốn cổ phần nhiều thì TSSL tƣơng lai cao hơn so với tăng nợ nhiều, nhƣng xét cho cùng tăng vốn cổ phần cũng là hành động làm tăng nguồn tài trợ. Tác động của việc gia tăng nguồn tài trợ làm TSSL giảm, do đó làm giảm tác động của thành phần tài trợ, thể hiện qua hệ số tƣơng quan của ER và TSSL giảm.
3.5.2. Hồi quy chéo cho mẫu dữ liệu giai đoạn nhà đầu tư quá lạc quan
Vì các kết quả kiểm định trên toàn mẫu không ủng hộ một cách hoàn toàn cho lý thuyết định thời điểm thị trƣờng, nếu nhƣ kết quả là phù hợp với giả thuyết này trong trƣờng hợp giảm nguồn tài trợ, thì trong trƣờng hợp gia tăng nguồn tài trợ, tất cả các kết quả đều chống lại lý thuyết này. Và vì nguyên nhân của sự xuất hiện định thời điểm thị trƣờng xuất phát từ hành vi định giá sai của nhà đầu tƣ, chúng tôi tiến hành chia mẫu dữ liệu theo biến tâm lý nhà đầu tƣ và lặp lại hồi quy chéo nhƣ trên với mục đích xem xét liệu có phải chính yếu tố thuộc về tâm lý nhà đầu tƣ trên thị trƣờng quyết định đến TSSL chứng khoán sau hoạt động phát hành hay mua lại cổ phiếu hay không? Hay nói cách khác, liệu rằng kết quả kiểm định giả thuyết định thời điểm thị trƣờng có bị ảnh hƣởng bởi đặc thù tâm lý nhà đầu tƣ trong giai đoạn kiểm định hay không?
Các nghiên cứu trƣớc đây chỉ ra rằng một có một tập hợp các biến có thể đại diện để đo lƣờng tâm lý của nhà đầu tƣ trên thị trƣờng chứng khoán. Do đó, trong bài nghiên cứu này, chúng tôi sẽ xây dựng một chỉ số tổng hợp để xem xét tâm lý của nhà đầu tƣ. Cụ thể, chỉ số mà chúng tôi sử dụng đƣợc mô phỏng theo chỉ số tâm lý nhà đầu tƣ SENT, đƣợc tác giả Baker và Wurgler sử dụng trong bài nghiên cứu “Investor Sentiment and the Cross-Section of Stock Returns”.
Biến SENT trong bài nghiên cứu này đƣợc xây dựng dựa trên 5 biến chính đại diện cho tâm lý nhà đầu tƣ8: (1) tỷ lệ giao dịch của cổ phiếu niêm yết trên sàn HoSE:
8
Tác giả Baker và Wurgler sử dụng thêm một biến nữa đó là CEFD, đƣợc tính bằng cách lấy chệnh lệch của giá trị tài sản ròng và giá trị thị trƣờng trên một chứng chỉ quỹ đóng. Tuy nhiên, số lƣợng quỹ đóng niêm yết trên HSX là không nhiều, do đó tính đại diện của biến không cao. Chính vì lí do đó, chúng tôi loại biến CEFD ra khỏi danh sách các biến dùng để tính toán SENT
TURN; (2) Số vụ IPO: NIPO ; (3) tỷ suất sinh lợi trung bình của ngày đầu tiên IPO: RIPO; (4) tỷ lệ vốn cổ phần trong tổng vốn phát hành: S và (5) phần bù cổ tức: P