6. Cấu trúc của đề tài
2.4 Mơ hình nghiên cứu
2.4.1 Dữ liệu nghiên cứu
Chỉ số giá chứng khốn chịu tác động của nhiều yếu tố trong đó có các yếu tố kinh tế vĩ mô. Theo nhiều nghiên cứu thực nghiệm trên thế giới, sự tác động này là khác nhau tùy theo từng thị trƣờng và giai đoạn nghiên cứu. Việt Nam đƣợc xem nhƣ là một nền kinh tế mới nổi, TTCK còn non trẻ nên chỉ số giá chứng khoán nhạy cảm với các biến động của các yếu tố kinh tế vĩ mô. Để trả lời câu hỏi “Chỉ số giá chứng khoán Việt Nam chịu tác động mạnh với biến số vĩ mô nào”, trong chƣơng này tác giả sẽ tiến hành thực hiện các phân tích định lƣợng.
Lý do tác giả chọn các yếu tố kinh tế vĩ mơ trên là vì:
Đối với yếu tố giá vàng: dựa vào các nghiên cứu thực nghiệm của Tunali (2010). Đối với yếu tố giá dầu thế giới: dựa vào các nghiên cứu thực nghiệm của Jones
và cộng sự Goswami và Jung (1997), Gan và cộng sự (2006), Tunali (2010).
Đối với yếu tố lãi suất: dựa vào các nghiên cứu thực nghiệm của Chen và cộng
sự (1986), Goswami và Jung (1997), Islam và cộng sự (2004), Gan và cộng sự (2006), Acikalin và cộng sự (2008), Tunali (2010), Tangjitprom (2011).
Đối với yếu tố tỷ lệ lạm phát: dựa vào các nghiên cứu thực nghiệm của Chen và
cộng sự (1986), Tunali (2010).
Đối với yếu tố tỷ giá hối đoái: dựa vào các nghiên cứu thực nghiệm của
Mookerjee và Yu (1997), Islam và cộng sự (2004), Acikalin và cộng sự (2008), Mohammad và cộng sự (2009), Tunali (2010), Tangjitprom (2011), Singh và cộng sự (2011).
Đối với yếu tố cung tiền mở rộng: dựa vào các nghiên cứu thực nghiệm của
Ibrahim và Yusoff (2001), Mohammad và cộng sự (2009), Tunali (2010).
Đối với yếu tố chỉ số sản xuất công nghiệp: dựa vào các nghiên cứu thực nghiệm
của Chen và cộng sự (1986), Mohammad và cộng sự (2009), Tunali (2010). Các nghiên cứu đều chỉ ra ảnh hƣởng của các yếu tố kinh tế vĩ mô kể trên tới chỉ số giá chứng khoán. Tuy nhiên, sự ảnh hƣởng này lại không giống nhau giữa các thị trƣờng. Có thị trƣờng ảnh hƣởng tích cực, cịn ở thị trƣờng khác thì lại ảnh hƣởng tiêu cực. Có thị trƣờng ảnh hƣởng trong ngắn hạn, cịn ở thị trƣờng khác thì lại có ảnh hƣởng trong dài hạn, thậm chí là khơng có ảnh hƣởng tới chỉ số giá chứng khốn. Bên cạnh đó để phù hợp với đặc thù về thông tin và kinh tế Việt Nam, sự khó khăn trong việc lấy số liệu và năng lực nghiên cứu, trong đề tài nghiên cứu này tác giả chọn các yếu tố kinh tế vĩ mô gồm giá vàng, giá dầu, lãi suất, tỷ lệ lạm phát, tỷ giá hối đoái, cung tiền mở rộng, chỉ số sản xuất công nghiệp để kiểm định tác động của các yếu tố kinh tế vĩ mô tới chỉ số giá chứng khốn, xem ảnh hƣởng đó tích cực hay tiêu cực, ảnh hƣởng này giống hay khác so với các TTCK khác trên thế giới.
Bảng 2.1: Các yếu tố kinh tế vĩ mô sử dụng trong nghiên cứu
STT Tên biến Ký hiệu Nguồn Đơn vị tính Dấu kỳ vọng
1 Giá vàng Việt Nam GOLD GSO % -
2 Giá dầu thế giới OIL www.eia.gov USD/thùng -
3 Lãi suất DR IFS % -
4 Tỷ lệ lạm phát CPI GSO % -
5 Tỷ giá hối đoái EX IFS USD/VNĐ +
6 Cung tiền mở rộng M2 IFS triệu VNĐ +
7 Chỉ số sản xuất công nghiệp IPI GSO % +
Nguồn: Tóm lược của tác giả
Chỉ số giá chứng khoán Việt Nam: sử dụng chỉ số VN-Index làm đại diện cho chỉ số giá chứng khoán Việt Nam. Chỉ số này đƣợc tính bằng cách lấy chỉ số giá đóng cửa hàng tháng của chỉ số VN-Index. Chuỗi số liệu đƣợc thu thập từ hệ thống dữ liệu của Sở giao dịch chứng khoán TPHCM (HOSE).
Cách lấy số liệu của các yếu tố kinh tế vĩ mô:
Giá vàng Việt Nam: chỉ số đƣợc cung cấp hàng tháng. Giá dầu thế giới: giá chốt tại thời điểm cuối tháng. Lãi suất: sử dụng lãi suất tiền gửi tiết kiệm 1 tháng.
Tỷ lệ lạm phát: sử dụng chỉ số CPI để đo lƣờng mức độ lạm phát.
Tỷ giá hối đoái: sử dụng tỷ giá giữa tiền đồng Việt Nam so với đơ la Mỹ vì USD
là đồng tiền có mức độ phổ biến nhất trong các hoạt động kinh tế thƣơng mại tại thị trƣờng Việt Nam.
Cung tiền mở rộng: cung tiền ở đây đƣợc chọn là cung tiền M2. Chỉ số sản xuất công nghiệp: chỉ số đƣợc cung cấp hàng tháng.
Trong nghiên cứu này, việc phân tích sẽ đƣợc tiến hành trên dữ liệu tháng trong giai đoạn từ tháng 01/2004 đến tháng 02/2013 với 110 quan sát. Lý do chọn khoảng thời gian bắt đầu từ năm 2004 là vì: do hạn chế trong việc tiếp cận các số liệu trƣớc đó để có chuỗi dữ liệu đồng nhất về thời gian giữa các biến vì một số biến nhƣ M2, chỉ số sản xuất công nghiệp tác giả chỉ thu thập đƣợc số liệu từ năm 2004 trở đi. Bên
cạnh đó, khoảng thời gian từ năm 2004, giá trị trái phiếu niêm yết so với GDP tăng đáng kể, đồng thời, nhiều quy định mới đƣợc áp dụng nhằm thúc đẩy giao dịch trái phiếu nhƣ: không giới hạn tỷ lệ nắm giữ đối với trái phiếu của các tổ chức, cá nhân nƣớc ngoài; cơ chế giao dịch thỏa thuận; rút ngắn thời gian thanh tốn T+1. Vì vậy, tính thanh khoản của thị trƣờng cũng tăng dần.
Dữ liệu trong bài nghiên cứu đƣợc tổng hợp, thu thập và tính tốn từ nhiều nguồn khác nhau. Để đảm bảo sự chính xác cho chuỗi dữ liệu trong quá trình xử lý, đa số dữ liệu đƣợc lấy trong các báo cáo của các tổ chức uy tín nhƣ: GSO, IFS, EIA, HOSE.
Ngoài ra, để tránh những rắc rối liên quan đến vấn đề phƣơng sai của sai số thay đổi và để chuỗi dữ liệu đƣợc ổn định hơn, các biến gồm VNI, EX, M2, OIL đều đƣợc chuyển từ dữ liệu gốc sang dạng logarit (log).
2.4.2 Phƣơng pháp nghiên cứu
Trong bài nghiên cứu này, mơ hình tự hồi quy vector (VAR) đƣợc sử dụng để đánh giá xu hƣớng và mức độ phụ thuộc lẫn nhau giữa các chuỗi thời gian. Có thể nói đây là một trong những mơ hình phổ biến nhất trong nghiên cứu định lƣợng các chính sách tiền tệ. Bởi lẽ mối quan hệ giữa các biến số kinh tế không đơn thuần chỉ theo một chiều, biến độc lập (biến giải thích) ảnh hƣởng lên biến phụ thuộc mà trong nhiều trƣờng hợp nó cịn có ảnh hƣởng ngƣợc lại. Do đó ta phải xét ảnh hƣởng qua lại giữa các biến này cùng một lúc. Mơ hình VAR đã giúp giải quyết đƣợc vấn đề này, là mơ hình khá linh động và dễ dàng sử dụng trong phân tích với chuỗi thời gian đa biến (multivariate). Nó là sự mở rộng thêm mơ hình tự hồi quy đơn biến (univariate). Mơ hình VAR đặc biệt rất hữu ích cho việc mơ tả những biến động của chuỗi thời gian kinh tế và dự báo. Mơ hình này cịn đƣợc sử dụng trong việc phân tích chính sách hay kết luận mang tính cấu trúc. Trong phân tích cấu trúc (structure analysis), một vài giả định về cấu trúc có tính nguyên nhân của dữ liệu dƣới dạng nghiên cứu đƣợc áp đặt và kết quả của những tác động gây ra của các biến động không mong muốn hay những cách tân của các biến cụ thể trong mơ hình đƣợc tổng kết lại. Những tác động thƣờng đƣợc tổng kết lại với những công thức đo
lƣờng phản ứng đẩy (impulse reponse) và sai số dự báo trong mơ hình phân tích phƣơng sai (variance decomposition).
Mơ hình VAR về cấu trúc gồm nhiều phƣơng trình (mơ hình hệ phƣơng trình) và độ trễ (lag) của các biến số. VAR là mơ hình động của một số biến thời gian.
Mơ hình VAR trong phạm vi nghiên cứu của tác giả có dạng nhƣ sau:
Yt= A0,t + A1,tYt-1+ …+ Ap,tYt-p + εt
Trong đó:
Yt là một vector bao gồm: chỉ số giá chứng khoán (VNI), giá vàng (GOLD),
giá dầu (OIL), lãi suất (IR), tỷ lệ lạm phát (CPI), tỷ giá hối đoái (EX), cung tiền mở rộng (M2) và chỉ số sản xuất công nghiệp (IPI)
A0,t: là vector hằng số (hệ số chặn)
Ai,t: là ma trận hệ số của các thời gian khác nhau (i=1,…,p)
εt: là ma véc tơ đơn vị thỏa mãn một số điều kiện nhất định p: là giá trị trễ 1
Tính chất “trễ” trong các mơ hình hồi quy định lƣợng trong kinh tế đƣợc hiểu nhƣ sau: Khi chúng ta sử dụng một mơ hình hồi quy tƣơng quan nào đó thì thƣờng giả định rằng các biến độc lập tác động tức thì lên biến phu thuộc và biến phụ thuộc chỉ chịu sự tác động của biến độc lập. Tuy nhiên, các biến số trong kinh tế thƣờng khơng đúng, tác động của các biến có thể tức thời, có thể khơng. Ngun nhân có thể do yếu tố tâm lý, sức ỳ của nền kinh tế, định chế,…. Chính vì thế mơ hình hồi
quy thông thƣờng dạng (với t là kỳ thứ t)
thƣờng khơng chính xác, nên mơ hình hồi quy VAR có thêm ký hiệu độ trễ p – VAR(p). Chúng ta phải xác định p trễ này.
Ƣu điểm của mơ hình VAR:
Đây là phƣơng pháp đơn giản, ta không cần phải lo lắng về việc xác định các
biến nào là biến nội sinh và biến nào là biến ngoại sinh. Tất cả các biến trong VAR đều là biến nội sinh.
Các dự báo tính đƣợc bằng phƣơng pháp này, trong nhiều trƣờng hợp, tốt hơn
các dự báo tính đƣợc từ các mơ hình phƣơng trình đồng thời phức tạp hơn.
Nhƣợc điểm của mơ hình VAR:
Do trọng tâm của mơ hình đƣợc đặt vào dự báo nên VAR ít phù hợp cho phân
tích chính sách.
Khi xét đến mơ hình VAR ta phải xét đến tính dừng của các biến trong mơ
hình. u cầu đặt ra khi ƣớc lƣợng mơ hình VAR là tất cả các biến phải dừng, nếu trong trƣờng hợp các biến này chƣa dừng thì ta phải lấy sai phân để đảm bảo chuỗi dừng.
Khó khăn trong việc lựa chọn khoảng trễ thích hợp. Nếu độ trễ lớn thì hệ số
ta phải ƣớc lƣợng sẽ khá lớn. Ngồi ra, khó khăn trong việc lựa chọn khoảng trễ còn thể hiện ở chỗ nếu ta tăng độ dài của trễ sẽ làm cho bậc tự do giảm, do vậy mà ảnh hƣởng đến chất lƣợng các ƣớc lƣợng.
Phƣơng pháp ƣớc lƣợng mơ hình VAR:
Xét tình dừng của các biến trong mơ hình. Nếu chuỗi chƣa dừng thì phải sử
dụng kỹ thuật lấy sai phân để đƣa về các chuỗi dừng.
Lựa chọn khoảng trễ phù hợp.
Xem xét mức độ phù hợp của mơ hình chạy ra bằng việc kiểm định tính dừng
của phần dƣ. Nếu phần dƣ của mơ hình dừng thì mơ hình nhận đƣợc phù hợp với chuỗi thời gian và ngƣợc lại.
So sánh các mơ hình phù hợp và lựa chọn mơ hình phù hợp nhất.
2.4.3 Các bƣớc thực hiện
Để đo lƣờng mức độ ảnh hƣởng của các yếu tố kinh tế vĩ mô tới chỉ số giá chứng khoán Việt Nam (VN-Index) ta thực hiện các bƣớc nhƣ sau:
Đầu tiên, tác giả thực hiện kiểm định nghiệm đơn vị để xem xét tính dừng và
không dừng của các chuỗi thời gian của các biến trong mơ hình thực nghiệm để tránh hiện tƣợng hồi quy giả trong q trình phân tích dữ liệu.
cứu. Trƣớc khi tiến hành kiểm định đồng liên kết tác giả đã lựa chọn độ trễ phù hợp cho mơ hình.
Thứ ba, sử dụng kiểm định nhân quả Granger để xác định xem với một sự thay
đổi của các biến số kinh tế vĩ mơ có ảnh hƣởng tới chỉ số giá chứng khốn trong ngắn hạn hay khơng.
Cuối cùng, để kiểm tra lƣợng thông tin của mỗi yếu tố kinh tế vĩ mơ trong việc
giải thích biến động của chỉ số giá chứng khoán và xem xét tính động trong sự tƣơng tác của chỉ số giá chứng khoán trƣớc những cú sốc từ các biến số kinh tế vĩ mơ, phân tích phân rã phƣơng sai và hàm phản ứng đẩy cũng đƣợc sử dụng. Các kỹ thuật phân tích đề cập ở trên đều đƣợc tác giả thực hiện trên phần mềm Eviews 6.
2.4.4 Kết quả nghiên cứu
2.4.4.1 Kiểm định nghiệm đơn vị (Unit roots test)
Ở phần này, tác giả thực hiện kiểm định nghiệm đơn vị riêng lẻ từng biến để xác định thuộc tính dừng của các chuỗi số thời gian của các biến trong mơ hình thực nghiệm. Việc tìm ra chuỗi có tính dừng hay khơng dừng là một việc rất cần thiết và quan trọng vì:
Thứ nhất, một trong những giả thiết của mơ hình hồi quy cổ điển là các biến độc
lập phải phi ngẫu nhiên và có giá trị xác định. Nếu chúng ta ƣớc lƣợng mơ hình có chuỗi thời gian mà các biến độc lập khơng dừng, thì khi đó giả thiết của OLS bị vi phạm và sẽ hạn chế khả năng phân tích nếu chúng ta áp dụng các phƣơng pháp hồi quy thông thƣờng.
Thứ hai, khi phân tích chuỗi thời gian khơng dừng thƣờng cho những kết quả hồi
quy giả mạo.
Trong nghiên cứu của mình, tác giả sử dụng kiểm định Augmented Dickey – Fuller (ADF) để kiểm tra tính dừng của các biến. Các giả thiết của kiểm định nhƣ sau:
Ho: Chuỗi khơng có tính dừng H1: Chuỗi có tính dừng
Nếu │tADF │> │tα│ thì bác bỏ giả thiết Ho, tức là chuỗi có tính dừng và ngƣợc lại.
Kết quả kiểm định tính dừng của các biến trong bài nghiên cứu đƣợc thể hiện ở bảng sau:
Bảng 2.2: Kết quả kiểm định tính dừng của các biến
Biến Tại số liệu gốc ban đầu Tại sai phân bậc 1 Kết quả t(ADF) p-value t(ADF) p-value
VNI -2.049941 0.2654 -7.393309* 0.0000 Dừng tại sai phân bậc 1
DR -2.211456 0.2035 -10.36420* 0.0000 Dừng tại sai phân bậc 1
CPI -5.216824* 0.0000 Dừng tại số liệu ban đầu
M2 -2.399696 0.1442 -10.04892* 0.0000 Dừng tại sai phân bậc 1
IPI -13.38196* 0.0000 Dừng tại số liệu ban đầu
EX 0.634210 0.9901 -8.342320* 0.0000 Dừng tại sai phân bậc 1
OIL -2.301406 0.1734 -8.173151* 0.0000 Dừng tại sai phân bậc 1
GOLD -8.390024* 0.0000 Dừng tại số liệu ban đầu
Ghi chú: * là ký hiệu mức ý nghĩa lần lƣợt tại 1%
Nguồn: Kết quả do tác giả tính tốn từ phần mềm thống kê
Bảng 2.2 cho thấy, yếu tố chỉ số CPI, IPI, GOLD dừng tại số liệu ban đầu, các yếu tố còn lại đều dừng ở sai phân bậc 1. Do đó 8 biến nói trên có thể sử dụng để hồi quy mơ hình VAR.
2.4.4.2 Xác định độ trễ tối ƣu sử dụng trong mơ hình
Trƣớc khi tiến hành kiểm định đồng liên kết để kiểm tra liệu có tồn tại mối quan hệ dài hạn giữa các biến, chúng ta phải xác định độ trễ phù hợp cho mơ hình. Kết quả kiểm định bƣớc trễ thể hiện qua bảng sau:
2.4.4.2.1 Xác định độ trễ tối đa
Bảng 2.3: Xác định độ trễ tối đa sử dụng trong mơ hình VAR
Lag LogL LR FPE AIC SC HQ
0 1968.042 NA 1.92e-27 -38.81272 -38.60558* -38.72886 1 2067.624 181.4155* 9.54e-28* -39.51730 -37.65305 -38.76260* 2 2113.190 75.79323 1.41e-27 -39.15227 -35.63092 -37.72673 3 2166.784 80.65726 1.83e-27 -38.94622 -33.76777 -36.84984 4 2211.375 60.04340 3.02e-27 -38.56189 -31.72633 -35.79466 5 2274.483 74.97996 3.74e-27 -38.54423 -30.05156 -35.10615 6 2351.848 79.66238 3.94e-27 -38.80887 -28.65910 -34.69995 7 2422.796 61.81617 5.57e-27 -38.94646 -27.13958 -34.16669 8 2519.701 69.08057 6.05e-27 -39.59803* -26.13405 -34.14742
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Nguồn: Kết quả do tác giả tính tốn từ phần mềm thống kê
Bảng 2.3 cho thấy độ trễ tối đa của mơ hình là 8.
2.4.4.2.2 Xác định độ trễ tối ƣu
Bảng 2.4 Xác định độ trễ tối ƣu sử dụng trong mơ hình VAR
D(VNI) CPI D(DR) D(EX) GOLD IPI D(M2) D(OIL) Joint
Lag 1 23.95105 28.17694 7.889519 13.66675 29.68290 15.90919 7.937464 3.488836 178.6592 [ 0.002336] [ 0.000442] [ 0.444336] [ 0.090876] [ 0.000240] [ 0.043698] [ 0.439603] [ 0.900054] [ 8.95e-13]
Lag 2 18.29542 5.582462 6.216017 5.909835 5.029245 6.282890 5.643729 2.741201 78.79844 [ 0.019118] [ 0.693888] [ 0.623049] [ 0.657331] [ 0.754446] [ 0.615577] [ 0.687069] [ 0.949535] [ 0.100829]
Nguồn: Kết quả do tác giả tính tốn từ phần mềm thống kê
Từ bảng 2.4 ta thấy cần loại bỏ độ trễ 2 và 5. Vậy trong bài nghiên cứu tác giả chọn độ trễ tối ƣu của mơ hình là 1, 3, 4, 6, 7, 8.