Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Các yếu tố ảnh hưởng đến chỉ số VN30 của thị trường chứng khoán Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

3.1. Dữ liệu nghiên cứu

Nguồn thu thập từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh: Chỉ số giá chứng khoán VN30 trung bình theo tháng sẽ được thu thập theo giá đóng cửa của các ngày giao dịch trong tháng, dựa trên số liệu thống kê được công bố chính thức của Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh.

Nguồn thu thập từ Tổng cục Thống kê Việt Nam: Lạm phát: Chỉ số lạm phát theo tháng của Việt Nam sẽ được xem xét thông qua Chỉ số giá tiêu dùng CPI theo tháng tương ứng. Trong đó, đơn vị tính là phần trăm (%).

Nguồn thu thập từ Ngân hàng Nhà nước Việt Nam: Lãi suất: được xét trên lãi suất tái cấp vốn do NHNN Việt Nam ban hành theo từng thời kỳ. Trong đó, đơn vị tính là phần trăm (%).

Nguồn thu thập từ Tổ chức các nước xuất khẩu dầu mỏ (OPEC) Giá dầu thô: Dầu Brent được khai thác tại Biển Bắc, chịu nhiều ảnh hưởng bởi các yếu tố kinh tế – chính trị trên thế giới nên giá dầu Brent được xem là chuẩn mực cho giá cả hàng hóa giao dịch toàn cầu. Chỉ số giá dầu Brent sẽ được thu thập bình quân theo tháng tại các báo cáo của OPEC. Trong đó, đơn vị tính là USD/thùng.

Nguồn thu thập từ Hội đồng Vàng Thế giới (WGC) Giá vàng: Được tham chiếu theo giá vàng quốc tế từ dữ liệu của Hội đồng Vàng Thế giới – là hiệp hội phi lợi nhuận nhằm phát triển thị trường cho ngành công nghiệp vàng. Trong đó, đơn vị tính là USD/ounce (1 ouce xấp xỉ bằng 31.1 gram).

Nguồn thu thập từ Tổ chức toàn cầu Standard & Poor’s (S&P) Chỉ số cổ phiếu 500 của Standard & Poor (S&P 500) trung bình theo tháng sẽ được thu thập theo giá đóng cửa của các ngày giao dịch trong tháng, dựa trên số liệu thống kê được công bố chính thức trên cổng thông tin của Tổ chức toàn cầu Standard & Poor’s

• Bảng 3.1. Mô tả dữ liệu

3.2. Mẫu nghiên cứu Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán.

Chuỗi dữ liệu thời gian thu thập và phân tích cho các biến trên được ước lượng dựa trên toàn bộ xu hướng phát triển của chỉ số giá VN30 trong dài hạn và ngắn hạn, thỏa mãn bốn yếu tố: xu hướng, mùa vụ, chu kỳ và bất thường – theo sách giáo trình Kinh tế lượng ứng dụng của Phạm Thị Tuyết Trinh (2016). Về số quan sát của chuỗi thời gian nghiên cứu, để phù hợp với một chu kỳ kinh tế phải có ít nhất 40 quan sát trở lên theo Poole và các cộng sự (2002). Hơn nữa Jeb và các cộng sự (2015) đã chỉ ra rằng một mô hình nghiên cứu có ước lượng chính xác cao yêu cầu tối thiểu 50 quan sát. Do đó tại luận văn này, tác giả quyết định thu thập 112 tháng dữ liệu tương ứng 112 quan sát nhằm phục vụ cho các bước đo lường và ước lượng ở các chương sau.

3.3. Phương pháp nghiên cứu

Theo Phạm Thị Tuyết Trinh (2016), trong mô hình nghiên cứu, khi các biến có chuỗi thời gian không dừng nhưng đồng liên kết thì mô hình VECM theo phương pháp Johansen là lựa chọn hàng đầu để phân tích cả quan hệ ngắn hạn và dài hạn.

Biểu đồ 3.1. Các bước quy trình của phương pháp nghiên cứu

• Bước 1: Kiểm định tính dừng của chuỗi dữ liệu

Trong phân tích chuỗi thời gian, tính dừng (stationarity) là một thuộc tính quan trọng nhằm đảm bảo rằng các đặc điểm thống kê của chuỗi, như kỳ vọng, phương sai và hiệp phương sai, không thay đổi theo thời gian. Một chuỗi dừng thường cho thấy tính ổn định và khả năng dự báo cao hơn, là điều kiện cần thiết cho nhiều mô hình kinh tế lượng, đặc biệt là các mô hình hồi quy như VECM hoặc ARIMA, VAR, hay các kiểm định nhân quả Granger.

Việc kiểm định tính dừng giúp xác định xem chuỗi dữ liệu có cần biến đổi (chẳng hạn lấy sai phân) trước khi đưa vào mô hình hóa. Các kiểm định phổ biến thường được sử dụng bao gồm:

• Kiểm định Augmented Dickey-Fuller (ADF): kiểm tra sự tồn tại của nghiệm đơn vị trong chuỗi.
• Kiểm định Phillips-Perron (PP): tương tự như ADF nhưng điều chỉnh độ tự tương quan và phương sai thay đổi theo thời gian. Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán.
• Kiểm định KPSS (Kwiatkowski–Phillips–Schmidt–Shin): kiểm định giả thuyết ngược lại, tức là chuỗi có tính dừng.

Giả thuyết đặt ra trong kiểm định ADF và PP sẽ được biểu diễn như sau:

• H0: chuỗi không dừng (có nghiệm đơn vị),
• H1: chuỗi có tính dừng.

Trong quá trình kiểm định, thống kê kiểm định thu được không tuân theo phân phối chuẩn thông thường, do đó việc ra quyết định được thực hiện bằng cách so sánh trị tuyệt đối của thống kê kiểm định với các giá trị tới hạn đã được tính toán theo Dickey và Fuller hoặc Phillips và Perron. Nếu trị số kiểm định (t-statistic) nhỏ hơn trị tới hạn (critical value) tại các mức ý nghĩa thông thường (1%, 5%, 10%), giả thuyết H0 sẽ bị bác bỏ, từ đó kết luận chuỗi dữ liệu là dừng. Ngược lại, nếu không đủ điều kiện bác bỏ H0, chuỗi sẽ được xử lý bằng cách lấy sai phân cho đến khi đạt được tính dừng.

Tóm lại:

• Nếu t-statistic < critical value (âm hơn) → bác bỏ H₀ → chuỗi có tính dừng.
• Nếu t-statistic > critical value (ít âm hơn hoặc dương) → không bác bỏ H₀ → chuỗi không có tính dừng.

Bước 2: Xác định độ trễ tối ưu cho mô hình

Trong xây dựng mô hình VECM, việc xác định độ trễ tối ưu là một bước quan trọng và cần được thực hiện một cách cẩn trọng. Độ trễ quá lớn sẽ làm tăng số lượng tham số cần ước lượng, từ đó yêu cầu kích thước mẫu phải đủ lớn để đảm bảo tính hiệu quả và tránh hiện tượng quá khớp. Ngược lại, nếu độ trễ được chọn quá nhỏ, mô hình có thể bỏ sót các ảnh hưởng quan trọng của các biến, làm giảm độ chính xác trong việc mô hình hóa mối quan hệ tác động giữa các biến.

Do đó, việc lựa chọn độ trễ tối ưu cần được thực hiện dựa trên các tiêu chí thống kê đáng tin cậy. Các tiêu chí thường được sử dụng bao gồm: Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán.

• Akaike Information Criterion (AIC)
• Schwarz Criterion (SC) hay còn gọi là Bayesian Information Criterion (BIC)
• Hannan-Quinn Criterion (HQ)
• Likelihood Ratio Test (LR)
• Final Prediction Error (FPE)

Trong số đó, độ trễ nào làm cho các chỉ tiêu trên nhận giá trị nhỏ nhất (trong giới hạn hợp lý) thì được xem là độ trễ tối ưu.

• Bước 3: Kiểm định đồng liên kết giữa các chuỗi

Trong kinh tế lượng, khi các chuỗi dữ liệu không dừng nhưng có cùng bậc tích phân (thường là bậc 1), có thể tồn tại một mối quan hệ tuyến tính ổn định giữa chúng trong dài hạn. Mối quan hệ này được gọi là đồng liên kết (cointegration). Sự tồn tại của đồng liên kết cho thấy rằng mặc dù các chuỗi riêng lẻ biến động theo thời gian, nhưng chúng vẫn có xu hướng vận động cùng nhau về một trạng thái cân bằng dài hạn.

Để xác định mối quan hệ đồng liên kết giữa các biến, cần tiến hành kiểm định đồng liên kết. Trong mô hình VECM, việc kiểm tra đồng liên kết là điều kiện tiên quyết để xây dựng mô hình. Một số phương pháp kiểm định đồng liên kết phổ biến gồm:

• Bảng 3.2. Giả thuyết kiểm định đồng liên kết

Sau khi thực hiện các phép thử và thu được kết quả, chúng ta có thể kết luận như sau:

• Nếu bác bỏ H0 tại r = 0, có ít nhất một quan hệ đồng liên kết, suy ra tồn tại quan hệ cân bằng dài hạn giữa các biến.
• Nếu không bác bỏ H0 tại r = 0, kết luận rằng không tồn tại quan hệ đồng liên kết, suy ra các biến không có mối quan hệ dài hạn. Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán.

Bước 4: Ước lượng mô hình VECM và kiểm định lại mô hình

Mô hình VECM là một dạng mở rộng của mô hình VAR, được sử dụng trong trường hợp các chuỗi thời gian là không dừng nhưng tồn tại mối quan hệ đồng liên kết giữa chúng. Khi các chuỗi thời gian là tích phân bậc một và tồn tại mối quan hệ tuyến tính ổn định dài hạn, việc sử dụng mô hình VECM giúp phản ánh đồng thời mối quan hệ ngắn hạn và dài hạn giữa các biến.

Giả sử ta có hệ phương trình VAR(p) dưới dạng: Yt = A1Yt-1 + A1Yt-2 + ⋯ + ApYt-p + εt

Trong đó:

• Yt: vector gồm n biến nội sinh, kích thước n x 1
• Ai: ma trận hệ số n x n tại độ trễ i
• εt : vector nhiễu trắng, có kỳ vọng bằng 0 và hiệp phương sai không đổi Với các chuỗi Yt không dừng nhưng đồng liên kết, mô hình VAR có thể được viết lại dưới dạng sai phân để chuyển sang mô hình VECM như sau:

Δ Yt = Π Yt-1 + ∑𝑝−1 Γᵢ ΔYₜ₋ᵢ + εₜ

Trong đó:

• ΔYt = Yt – Yt-1: sai phân bậc nhất của Yt
• Aᵢ − I: ma trận phản ánh quan hệ dài hạn giữa các biến
• Aj: các ma trận phản ánh tác động ngắn hạn tại các độ trễ
• εt : phần nhiễu trắng như trước

Ma trận Π đóng vai trò then chốt trong việc xác định sự tồn tại và số lượng mối quan hệ đồng liên kết. Tùy vào hạng của Π, có thể có các trường hợp: Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán.

• Nếu hạng Π = 0: không tồn tại mối quan hệ đồng liên kết, mô hình trở thành VAR theo sai phân.
• Nếu 0 < hạng Π = r < n: tồn tại r quan hệ đồng liên kết giữa các biến.
• Nếu hạng Π = n: tất cả các biến đều dừng và mô hình VAR thông thường là phù hợp.

Đối với trường hợp tồn tại đồng liên kết, ma trận Π có thể được phân rã như sau: Π = α x β’

Trong đó:

• β: chứa các vector đồng liên kết mô tả quan hệ cân bằng dài hạn giữa các biến
• α: ma trận điều chỉnh thể hiện tốc độ mà các biến điều chỉnh để trở về trạng thái cân bằng sau khi có một cú sốc ngắn hạn

Sau khi có kết quả ước lượng mô hình VECM, cần phải tiến hành kiểm định lại một số yếu tố nhằm đảo bảo độ tin cậy và tính ổn định. Các kiểm định được đề xuất bao gồm:

• Kiểm định phần dư: Kiểm định tự tương quan phần dư (Serial Correlation LM Test), Kiểm định phương sai sai số thay đổi (Heteroskedasticity Test), Kiểm định phân phối chuẩn (Normality Test)
• Kiểm định ổn định của mô hình: Kiểm định giá trị riêng (Eigenvalue Stability Condition)
• Kiểm định độ phù hợp của số trễ (Lag Length Criteria)
• Kiểm định Wald
• Kiểm định nhân quả Granger

Bước 5: Tiến hành phản ứng xung và phân rã phương sai

Hàm phản ứng xung mô tả cách thức mà các biến trong mô hình phản ứng trong hiện tại và tương lai trước một cú sốc bất ngờ từ một biến cụ thể. Cú sốc này được hiểu là phần sai số của phương trình trong đó biến này đóng vai trò là biến phụ thuộc, và thường được giả định là một thay đổi tăng lên một đơn vị. Trong trường hợp các biến có đơn vị đo lường khác nhau, cú sốc thường được chuẩn hóa theo một độ lệch chuẩn để đảm bảo tính so sánh. Nếu mô hình là ổn định, tác động của cú sốc sẽ dần suy giảm theo thời gian. Bên cạnh đó, phân rã phương sai cho biết mức độ biến động của một biến số do cú sốc của bản thân nó và các chỉ số biến thiên khác. Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán.

Trong nghiên cứu này, khoảng thời gian 10 tháng được chọn nhằm thể hiện cả ý nghĩa kinh tế và tính ổn định của mô hình. Về mặt kinh tế học, giai đoạn 10 tháng được xem là khoảng thời gian trung hạn, đủ để quan sát tác động lan tỏa và điều chỉnh của các yếu tố vĩ mô đến thị trường chứng khoán, nhưng vẫn tránh được ảnh hưởng của các biến động dài hạn khó kiểm soát. Về mặt kỹ thuật, theo Enders (2014), sau một số kỳ dự báo nhất định, thường từ 8 đến 12 kỳ, các thành phần phương sai có xu hướng hội tụ, tức là tỷ trọng ảnh hưởng của các biến không còn thay đổi đáng kể, đảm bảo tính ổn định và khả năng giải thích của kết quả. Diễn giải này cũng phù hợp với cách tiếp cận của Narayan và Smyth (2005) và Bekhet và Mugableh (2012), khi các tác giả lựa chọn khoảng 10 kỳ để phân tích sự lan tỏa của các cú sốc vĩ mô đến TTCK trong trung hạn.

Do đó, việc phân rã phương sai trong 10 tháng cho phép nhà nghiên cứu đánh giá động học tác động của các yếu tố vĩ mô lên chỉ số VN30 trong trung hạn, đồng thời đảm bảo tính thực tiễn và độ tin cậy của mô hình VECM.

3.4. Đề xuất mô hình nghiên cứu Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán.

Trong thực tiễn, chỉ số giá chứng khoán bị tác động bởi rất nhiều yếu tố kinh tế vĩ mô khác nhau, cả trong nước lẫn quốc tế. Do đó, tác giả đã lược khảo các nghiên cứu trước đây từ nhiều quốc gia, trong đó có các quốc gia thuộc nhóm nước đang phát triển, có nhiều điểm tương đồng với Việt Nam. Các biến được đề xuất kỳ vọng sẽ phản ánh toàn diện bức tranh kinh tế vĩ mô nêu trên bao gồm:

• Biến phụ thuộc: chỉ số VN30 (VN30)
• Biến độc lập: lạm phát (INFL), lãi suất (IR), giá dầu thô Brent (OP), giá vàng quốc tế (GP), chỉ số S&P500 (SP500)

Mô hình nghiên cứu đề xuất: Ln(VN300 = β0 + β1 x INFL + β2 x IR + β3 x Ln(OP) + β4 x Ln(GP) + β5 x Ln(SP500)

• Biểu đồ 3.2. Mô hình nghiên cứu đề xuất

Để đảm bảo việc đo lường độ biến thiên là chính xác và phù hợp, cần logarit hóa các biến số dựa theo đặc điểm riêng như bảng 3.3:

• Bảng 3.3. Mô hình hóa các biến khi đưa vào phương trình

KẾT LUẬN CHƯƠNG 3

Chương 3 xây dựng dựa trên cơ sở các khái niệm và nghiên cứu đã được trình bày ở những chương trước, nhằm thiết kế một phương pháp nghiên cứu phù hợp với bối cảnh TTCK Việt Nam. Chương này cũng làm rõ nguồn dữ liệu được sử dụng và cách thức xử lý dữ liệu trong quá trình nghiên cứu. Tiếp theo, chương trình bày quy trình nghiên cứu cụ thể, bao gồm các bước: kiểm định tính dừng (Unit Root Test), xác định độ trễ tối ưu, kiểm định đồng liên kết (Johansen Test), ước lượng mô hình hiệu chỉnh sai số (Vector Error Correction Model – VECM) và tiến hành các kiểm định cần thiết để đánh giá độ tin cậy của mô hình. Các kết quả thu được từ quá trình này sẽ được trình bày chi tiết trong Chương 4 của luận văn. Luận văn: PPNC đến chỉ số VN30 ở thị trường chứng khoán.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC đến chỉ số VN30 ở thị trường chứng khoán