Luận án Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế - Trường hợp thị trường chứng khoán Việt Nam

1. Tính cấp thiết của luận án Việc nghiên cứu những công cụ hoặc mô hình dự báo thị trường tài chính và nền kinh tế có một lịch sử lâu đời. Phân tích chuỗi thời gian là một trong những cách tiếp cận truyền thống được sử dụng rộng rãi nhất trong lĩnh vực này. Có hai loại mô hình mô tả hành vi của chuỗi thời gian như sau. Thứ nhất là các mô hình tuyến tính: phương pháp tuyến tính để phân tích chuỗi thời gian thường được áp dụng thông qua một trong những kỹ thuật sau đây: a. Kỹ thuật Box Jenkins b. Bộ lọc Kalman c. Lý thuyết san bằng hàm mũ của Brown d. Hồi quy mẫu nhỏ Thứ hai là các mô hình phi tuyến: a. Lý thuyết Taken b. Phương trình Mackey Glass Những kỹ thuật này cố gắng tái tạo lại chuỗi thời gian dựa trên các mẫu dữ liệu để dự đoán giá trị tương lai. Mặc dù những kỹ thuật này có ý nghĩa thống kê nhưng chúng có tỷ lệ thành công thấp khi được sử dụng để dự báo thị trường tài chính. Những bằng chứng gần đây chỉ ra rằng thị trường tài chính là phi tuyến. Tuy nhiên, phương pháp tuyến tính vẫn cung cấp những cách tiếp cận tốt để mô tả hệ thống phi tuyến được tìm thấy trong phân tích chuỗi thời gian thị trường tài chính (Fang và cộng sự, 1994). Bollerslev (1986) cung cấp một cái nhìn tổng quát về sự tồn tại của tính phi tuyến trong dữ liệu tài chính, và phát triển một mô hình để dự đoán chuỗi thời gian tài chính được gọi là GARCH (Generalized Autoregressive conditional heteroskedasticity GARCH) kết hợp tất cả các đặc trưng quan sát được trong chuỗi này. Nhưng nền kinh tế đang phát triển nhanh chóng (chứ không phải đi từ từ) theo thời gian. Tuy nhiên, những đặc trưng này không dễ dàng được tính toán bằng các mô hình tuyến tính, và điều này được chứng minh qua việc các hệ số ước lượng có độ dốc lớn. Nhiều nhân tố tác động đến thị trường tài chính và nền kinh tế bao gồm5 các sự kiện chính trị, điều kiện kinh tế nói chung, và kỳ vọng của nhà đầu tư. Vì vậy, dự báo thị trường tài chính và sự chuyển động của nền kinh tế là khá khó khăn. Mạng thần kinh nhân tạo Artificial Neural Network (ANN) là một công cụ hữu ích trong tài chính định lượng hiện đại và được biết đến như một kỹ thuật mô hình hóa thống kê hữu ích. ANN là một công cụ tốt cho cả các nhà nghiên cứu và những nhà thực nghiệm. Mô hình ANN có thể tìm ra mối quan hệ hàm trong một tập hợp dữ liệu và thực hiện các nhiệm vụ như nhận dạng mẫu hình, phân loại, đánh giá, mô hình hóa, dự báo và kiểm soát (Anderson và Rosenfeld, 1988; Hecht Nielsen, 1990; Hertz và cộng sự, 1991; Hiemstra và Jones, 1994). Một vài tính năng khác biệt của ANN làm cho chúng có giá trị và hấp dẫn trong dự báo. Một số bài viết xem xét những báo cáo trên tạp chí cách mà ANN có thể áp dụng cho thị trường tài chính và nền kinh tế. Chatterjee và cộng sự (2000) cung cấp một tổng quan về hệ thống ANN và phạm vi sử dụng rộng rãi của chúng trên thị trường tài chính. Công trình của họ thảo luận về ưu điểm vượt trội của ANN so với các phương pháp truyền thống. Nghiên cứu kết luận với một mô tả về việc sử dụng thành công ANN bởi nhiều tổ chức tài chính trong việc dự báo giá chứng khoán. Trong sách Neural Network cho dự báo tài chính của Edward Gately, mô tả phương pháp chung để xây dựng, huấn luyện, và kiểm tra một ANN bằng cách sử dụng phần mềm thương mại hiện hữu. Luận án sẽ tập trung vào phương pháp này để triển khai quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam như là một minh chứng cho khả năng ứng dụng của ANN trong dự báo kinh tế. Không chỉ trong lĩnh vực dự báo giá chứng khoán, luận án còn mong muốn sử dụng phương pháp ANN áp dụng cho các lĩnh vực tài chính và nền kinh tế như là một công cụ dự báo hỗ trợ cho các phương pháp truyền thống. Chính vì vậy, tác giả chọn đề tài với tên gọi “Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam” làm nội dung nghiên cứu cho luận án tiến sĩ của mình. 2. Tình hình nghiên cứu liên quan đến nội dung luận án Từ những nghiên cứu sơ khai của Mc Culloch và Pitts trong những năm 1940, trải qua nhiều năm phát triển, cho đến hơn 10 năm trở lại đây cùng với sự phát triển mạnh mẽ của ngành công nghệ thông tin trong việc xử lý dữ liệu cho cả phần cứng và phần mềm đã giúp cài đặt những ứng dụng phức tạp của lý thuyết mạng thần kinh nhân tạo. Lý thuyết mạng thần kinh nhân tạo những năm gần đây mới thực sự được chú ý và nhanh chóng trở thành một hướng nghiên cứu đầy triển vọng trong mục đích xây dựng mô hình mô phỏng theo trí tuệ con người. Sức mạnh thuộc về bản chất tính toán của các thuật toán mạng, song những nghiên cứu thực nghiệm đã thành6 công trong nhiều lĩnh vực, những nghiên cứu thực nghiệm trong lĩnh vực tài chính cũng được sự quan tâm và cho ra nhiều kết quả tốt ở những nền kinh tế khác nhau. Từ những nghiên cứu việc ứng dụng ANN để phân tích những chuỗi dữ liệu thời gian nên được thực hiện dựa trên trấu trúc ANN nào cho các chỉ tiêu dự báo như tăng trưởng kinh tế, biến động tỷ giá hối đoái, và thậm chí là giá chứng khoán trên các thị trường. Quá trình nghiên cứu mạng ANN còn được so sánh với những mô hình truyền thống hiện đang được sử dụng cho việc phân tích và dự báo trong lĩnh vực kinh tế như mô hình hồi quy tuyến tính, mô hình hồi quy phi tuyến. Quá trình nghiên cứu này đã cho ra những kết quả lợi thế của mô hình ANN đặc biệt là ở những thị trường mới nổi trong phân tích và dự báo. Như vậy, ở thị trường Việt Nam liệu quá trình triển khai nghiên cứu ứng dụng mô hình ANN có hiệu quả không và có vượt trội hơn các công cụ phân tích và dự báo khác? Trên cơ sở tiếp cận này, tôi đi vào nghiên cứu quá trình hoạt động của mạng ANN trong lĩnh vực kinh tế, tài chính và những kết quả nghiên cứu đạt được ở các thị trường khác trên thế giới để làm nền tảng cho việc nghiên cứu. 3. Mục tiêu nghiên cứu Trên phương diện nghiên cứu mô hình mạng ANN và những nguyên lý hoạt động của nó để từ đó ứng dụng vào lĩnh vực kinh tế và tài chính vẫn còn là một nội dung chưa được quan tâm nhiều. Trong phạm vi của nền kinh tế Việt Nam, tác giả tập trung nghiên cứu việc ứng dụng mô hình này để nhằm phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam trước các biến giải thích khác nhau, như là một minh chứng cho khả năng ứng dụng của mô hình ANN trong dự báo kinh tế. Qua quá trình ứng dụng ANN vào thị trường chứng khoán Việt Nam, luận án sẽ giải quyết thêm một số vấn đề khác như: cấu trúc mạng ANN nào tốt cho vấn đề dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, hiệu quả của mô hình ANN so với mô hình hồi quy tuyến tính biến nào sẽ tác động lên sự biến động của giá chứng khoán Cụ thể hơn, luận án sẽ giải quyết bốn mục tiêu nghiên cứu sau: 1. Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam. 2. Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khoán. 3. Hiệu quả ứng dụng mô hình ANN tốt hơn mô hình hồi quy tuyến tính. 4. Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam qua đó gợi ý một số chính sách liên quan.7 Để đạt được mục tiêu nghiên cứu nêu trên, nội dung của luận án tập trung đi vào trả lời các câu hỏi nghiên cứu sau đây: (1). Mô hình mạng ANN là gì và cơ chế vận hành của nó như thế nào trong thị trường tài chính? (2). Những quan điểm và bằng chứng thực nghiệm trong việc ứng dụng mô hình ANN trong phân tích và dự báo trên thị trường tài chính? (3). Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam? (4). Cấu trúc mạng ANN nào sẽ thích hợp để dự báo giá chứng khoán? (5). Liệu khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam có tính hiệu quả hơn mô hình hồi quy tuyến tính truyền thống? (6). Nếu mô hình ANN tốt hơn thì những biến giải thích nào sẽ giúp cho chúng ta sử dụng để phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam? Việc giải quyết các mục tiêu nghiên cứu trên cho thấy giá trị hiệu quả của mô hình ANN trong việc ứng dụng mô hình này trong phân tích và dự báo các biến kinh tế. Chính vì vậy, các chủ thể liên quan trong nền kinh tế bao gồm các nhà nghiên cứu và các nhà thực hành sẽ áp dụng mô hình ANN để thay thế hoặc bổ sung cho các phương pháp hồi quy . 4. Phương pháp nghiên cứu Để giải quyết các nội dung nghiên cứu nêu trên, tác giả luận án đã sử dụng phương pháp định lượng dựa trên việc nghiên cứu những thuật toán mô phỏng của mạng thần kinh nhân tạo để tiến hành lựa chọn cấu trúc ANN thích hợp nhằm ứng dụng trong dự báo giá chứng khoán. Việc triển khai quá trình ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam được dựa trên quy trình đề xuất 8 bước của năm nhà nghiên cứu Deboeck, Masters, Blum và Nelson và Illingworth. Ngoài ra quá trình thử nghiệm các cấu trúc mạng ANN được thực hiện dựa trên phần mềm hỗ trợ xử lý dữ liệu có bản quyền NeuralSolution 5.0. 5. Các phát hiện và kết quả nghiên cứu Luận án của tác giả đã đóng góp các kết quả nghiên cứu sau:8 · Khả năng ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam là hoàn toàn có thể thực hiện. · Mô hình ANN dùng để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam cho ra kết quả dự báo ngoài mẫu tốt hơn mô hình hồi quy tuyến tính truyền thống. · Cấu trúc mạng thần kinh truyền thẳng cho ra kết quả dự báo tốt hơn một số cấu trúc mạng khác với hàm truyền là hàm phi tuyến. Nói cách khác, mối quan hệ giữa các biến giải thích và biến phụ thuộc là quan hệ phi tuyến tính. · Dựa trên việc nghiên cứu ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án đã cho thấy rõ tác động của các nhóm biến kinh tế vĩ mô của nền kinh tế, nhóm biến thể hiện tình hình tài chính của các doanh nghiệp niêm yết lên sự thay đổi giá chứng khoán, trong khi đó nếu dùng mô hình hồi quy tuyến tính truyền thống thì gần như không tìm thấy sự tác động này. · Qua quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án có gợi ý một số chính sách để phát triển thị trường chứng khoán Việt Nam lên một tầm cao mới nhằm phát triển mạnh quá trình chuyển dịch cơ cấu kinh tế.

pdf179 trang | Chia sẻ: maiphuongtl | Lượt xem: 2052 | Lượt tải: 1download
Bạn đang xem trước 20 trang tài liệu Luận án Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế - Trường hợp thị trường chứng khoán Việt Nam, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
­IP­M2  2  0.042287  0.236750  IP­TB­M2  CPI­USD­LR­CR  3  0.018070  0.097190  IP­TB­M2  CPI­USD­LR­CR  2  0.027139  0.114923  IP­TB­CR  CPI­USD­LR­M2  2  0.051779  0.125340  R thấp  IP­M2­CR  CPI­USD­LR­TB  3  0.026396  0.138980 147  TB­M2­CR  CPI­USD­LR­IP  3  0.047229  0.148458  R thấp  Bước 5: Kết quả của quá trình loại bỏ năm biến trong mô hình  Biến đưa vào mô hình  Biến loại bỏ  Số PE  MSE  (Training)  MSE  (CV)  CPI­LR  USD­IP­TB­M2­CR  1  0.055317  0.172908  CPI­IP  USD­LR­TB­M2­CR  1  0.052464  0.125547  CPI­TB  USD­LR­IP­M2­CR  1  0.052720  0.145889  CPI­M2  USD­LR­IP­TB­CR  1  0.054667  0.117994  CPI­CR  USD­LR­IP­TB­M2  2  0.054092  0.137430  USD­LR  CPI­IP­TB­M2­CR  1  0.051225  0.169657  USD­IP  CPI­LR­TB­M2­CR  1  0.053349  0.120829  USD­TB  CPI­LR­IP­M2­CR  2  0.048300  0.225007  USD­M2  CPI­LR­IP­TB­CR  1  0.051045  0.145749  USD­CR  CPI­LR­IP­TB­M2  1  0.053990  0.145697  LR­IP  CPI­USD­TB­M2­CR  2  0.052323  0.207262  LR­TB  CPI­USD­IP­M2­CR  1  0.052681  0.207742  LR­M2  CPI­USD­IP­TB­CR  2  0.051530  0.208672  LR­CR  CPI­USD­IP­TB­M2  1  0.054545  0.234496  IP­TB  CPI­USD­LR­M2­CR  2  0.052291  0.123089  IP­M2  CPI­USD­LR­TB­CR  2  0.049189  0.119983  IP­CR  CPI­USD­LR­TB­M2  2  0.054104  0.122058  TB­M2  CPI­USD­LR­IP­CR  1  0.050068  0.135676  TB­CR  CPI­USD­LR­IP­M2  2  0.053560  0.131063  M2­CR  CPI­USD­LR­IP­TB  1  0.051753  0.137536  Như vậy mô hình được lựa chọn ngoài các chỉ tiêu MSE (training) và MSE (CV) còn dựa vào quá  trình huấn luận ANN không bị tình trạng “quá khít” xảy ra và tương quan cao trong dự liệu dự báo  và dữ liệu thực tế. 148  Phụ lục 3  Xây dựng mô hình hồi quy tuyến tính truyền thống để phân tích  và dự báo VN­Index  TỔNG QUAN VỀ MÔ HÌNH NHÂN TỐ  Mô hình một nhân tố  Mô hình đơn giản nhất là mô hình một nhân tố. Ở đây, nhân tố trong mô hình một nhân tố được xem  là nhân tố thị trường.  Công thức: ri = αi + βiF + εi  Với  αi  : Tỷ suất sinh lợi mong đợi của chứng khoán i  F : Nhân tố thị trường  βi  : Hệ số beta của chứng khoán i  εi  : Nhân tố nội nhiễu hay còn được gọi là nhân tố đặc trưng riêng có của chứng khoán i.  Mô hình đa nhân tố  Mô hình một nhân tố miêu tả đơn giản tỷ suất sinh lợi của chứng khoán nhưng mô hình này không  thực tế bởi vì có rất nhiều nhân tố ảnh hưởng đến tỷ suất sinh lợi của chứng khoán.  Công thức: ri = αi + βi1F1 + βi2F2 + …+ βikFk + εi  Với  αi  : Tỷ suất sinh lợi mong đợi của chứng khoán i  Fj (j =1,k ): nhân tố vĩ mô  βi j : hệ số nhạy cảm của chứng khoán i đối với nhân tố thứ j  εi  : nhân tố nội nhiễu của chứng khoán i  Các nhân tố F trong mô hình đa nhân tố có thể là các biến kinh tế vĩ mô, có thể là các biến tài chính,  hoặc là mức độ ảnh hưởng của các thị trường chứng khoán khác tác động lên sự thay đổi của tỷ suất  sinh lợi chứng khoán… Hiện nay trên thế giới đã có nhiều công trình nghiên cứu thực nghiệm về mô  hình đa nhân tố, điển hình như mô hình APT của Chen, Roll và Ross (1976); mô hình ba nhân tố của  Fama và French (1993), mô hình bốn nhân tố của Carhart (1997) với độ giải thích tới 42%, đáng kể 149  nhất là mô hình 6 nhân tố của Guirguis với độ giải thích lên đến 67% cho thị trường chứng khoán  Anh nhờ việc sử dụng thêm các biến tài chính.  NGUYÊN TẮC XÂY DỰNG MÔ HÌNH 4  Xác định số biến độc lập  Ta có thể tiến hành theo 2 cách sau:  ­  Từ đơn giản đến tổng quát: Bổ sung biến độc lập từ từ vào mô hình. Quá trình bổ sung biến  độc lập vào mô hình thực chất là việc xem xét mô hình có bỏ sót biến quan trọng hay không  và tiến hành kiểm định mô hình có đưa thêm biến bị bỏ sót vào.  ­  Từ tổng quát đến đơn giản: Xem xét mô hình có đầy đủ các biến độc lập đã được xác định.  Sau đó tiến hành loại trừ dần các biến không quan trọng ra khỏi mô hình.  Kiểm tra mô hình có vi phạm các giả thiết hay không  Ở bước  này,  chúng  ta  cần  kiểm  tra  xem mô hình  có vi  phạm  các  giả  thiết  như  tính  chất  đa  cộng  tuyến, phương sai thay đổi, tự tương quan hay không. Nếu mô hình có vi phạm các giả thiết này thì  cần có biện pháp để khắc phục.  Chọn dạng hàm  Để chọn dạng hàm ta cần dựa vào:  ­  Các lý thuyết kinh tế  ­  Các kết quả nghiên cứu thực nghiệm  ­  Đồ thị biểu diễn sự biến thiên của dãy các số liệu quan sát  ­  Phân tích về bản chất của mối quan hệ giữa các biến kinh tế  4 Hoàng Ng c N h m  (2008) Giáo trình kinh t  l   ng , Nxb Thành ph  H  Chí Minh. 150  QUY TRÌNH XỬ LÝ  Năm 1976, Chen, Roll và Ross đề xuất mô hình kinh doanh chênh lệch giá APT với 5 nhân tố. Fama  và French (1993) đã giới thiệu mô hình 3 nhân tố, bằng cách đưa thêm vào nhân tố thị trường vốn và  nhân tố giá trị sổ sách/giá trị thị trường so với mô hình CAPM 5 . Kế đến, Carhart (1997) đề xuất mô  hình 4 nhân tố bằng cách kế thừa những thành quả của mô hình Fama French và đưa thêm nhân tố  xung  lực  thị  trường  (momentum). Về  sau,  Elton  và  các  đồng  sự  (1999)  đã  đề  xuất  thêm  sự  ảnh  hưởng của chỉ số trái phiếu chính phủ vào mô hình của Carhart… Bên cạnh việc xây dựng mô hình  đa nhân tố xác định tỷ suất sinh lợi của chứng khoán với các biến vĩ mô, các nhà nghiên cứu cũng  phát hiện sự ảnh hưởng của các biến tài chính và một số vấn đề khác, chẳng hạn: DeBondt và Thaler  (1985), Jegadeesh và Titman (1993) đã phát hiện tỷ suất sinh lợi của tài sản luôn có khuynh hướng  duy trì tốc độ và tăng trưởng cao hơn trong tương lai. Một số công trình nghiên cứu khác cung cấp  cho chúng ta nhiều bằng chứng về sự ảnh hưởng của các nhân tố: quy mô doanh nghiệp; chỉ số giá  trị sổ sách/giá  trị  thị  trường (BE/ME);  chỉ số  thu nhập/giá (E/P);  chỉ số  tiền mặt/giá  (C/P);  tốc độ  tăng trưởng của doanh số bán lẻ trong quá khứ đến tỷ suất sinh lợi đòi hỏi của chứng khoán (Banz,  1981; Basu, 1983; Rosenberg, Reid, và Lanstein, 1985; Lakonishok, Shleifer, Vishny, 1994).  Kế thừa công trình nghiên cứu thực nghiệm của các tác giả trên, phụ lục này của luận án tiến hành  xây dựng mô hình đa nhân tố xác định tỷ suất sinh lợi của TTCK VN (cụ thể là chỉ số VN­Index)  bằng  cách  tập hợp dữ  liệu về  các nhân  tố vĩ mô, các nhân  tố  tài  chính  của  thị  trường,  nhân  tố xu  hướng thị trường, và đồng thời người viết cũng tập hợp thông tin của các TTCK trên thế giới để xem  xét mức độ ảnh hưởng của các TTCK như của Trung Quốc, Mỹ, Châu Âu. Sau khi xây dựng những  bộ dữ liệu chuyên biệt: Bộ dữ liệu về các nhân tố vĩ mô (7 nhân tố); các nhân tố tài chính (9 nhân  tố); nhân tố xu hướng thị trường (3 nhân tố); nhân tố tác động của các thị trường chứng khoán thế  giới  (4 nhân  tố), phần phụ  lục này  của  luận  án  tiến hành  theo  trình  tự  các bước được mô tả  trong  bảng 1.  Bước 1: Xử lý dữ liệu  ­  Số liệu tuyệt đối được đưa về thay đổi giữa các kì quan sát (Kì sau so với kì trước) để đảm  bảo tính dừng.  ­  Đối với những nhân tố chỉ có thể tập hợp thông tin theo quý, luận án giữ nguyên đánh giá  giữa các quý trước với quý sau.  Bảng 1: Trình tự xây dựng mô hình  5 Mô hình CAPM (1968) Sharpe, Lintner, Treynor và Mossin đ t  n n  móng, và Jensen (1968) hoàn thi n . 151  ­  Các nhân tố tài chính cũng như các nhân tố vĩ mô, khi tác động lên tỷ suất sinh lợi của chỉ số  chứng khoán thị trường đều có những độ trễ nhất định. Do vậy, trong quá trình xây dựng mô  hình, luận án tiến hành điều chỉnh độ trễ cho một số nhân tố. Do vậy ngoài bộ dữ liệu ban  đầu như vĩ mô, Tài chính, đã hình thành thêm 2 bộ dữ liệu khác là nhóm các biến vĩ mô đã  điều chỉnh độ trễ và nhóm các biến tài chính đã điều chỉnh độ trễ. Luận án muốn sử dụng cả  2 nhóm dữ liệu chưa điều chỉnh độ trễ và đã điều chỉnh độ trễ trong việc xây dựng mô hình  để thông qua việc so sánh mô hình xây dựng từ 2 nhóm dữ liệu, làm nổi bật rõ hơn tính chất  tác động của các nhân tố.  ­  Dữ liệu sau khi xử lý xong gồm các biến sau: 152  Bảng 2: Giải thích các nhân tố  Tên biến  Giải thích  Các nhân tố  vĩ mô  CPI  Tốc độ tăng lạm phát hằng tháng  USD  Thay đổi tỉ giá tự do  LR  Thay đổi trong lãi suất cho vay  IP  Thay đổi sản lượng công nghiệp  TB  Thay đổi cán cân thương mại  M2  Tăng trưởng M2  CR  Tăng trưởng tín dụng so với tháng trước  Các nhân tố  tài chính  ROE  Tỷ suất sinh lợi trên vốn cổ phần  ROA  Tỷ suất sinh lợi trên tổng tài sản  PE  Giá/ Thu nhập  PB  Giá thị trường/ giá sổ sách  CM  Giá trị vốn hoá  CF  Tiền mặt thay đổi trên một cổ phần  EPS  Thu nhập mỗi cổ phần  PM  Thay đổi Trailing 12 tháng  DE  Thay đổi nợ/ vốn cổ phần  Các nhân tố  thị trường  (theo tháng)  SSECm  Thay đổi theo tháng chỉ số SSEC sàn Hồng Kong  N225m  Thay đổi theo tháng chỉ số Nikkei Nhật Bản  FTSEm  Thay đổi theo tháng chỉ số FTSE Anh  DJm  Thay đổi theo tháng chỉ số Dow Jone  Các nhân tố  thị trường  (theo tuần)  SSECw  Thay đổi theo tuần chỉ số SSEC sàn Hồng Kong  N225w  Thay đổi theo tuần chỉ số Nikkei Nhật Bản  FTSEw  Thay đổi theo tuần chỉ số FTSE Anh  DJw  Thay đổi theo tuần chỉ số Dow Jone  Nhân tố xu  hướng (theo  tháng)  VNI1m  Thay đổi chỉ số chứng khoán thị trường độ trễ 1 tháng  VNI2m  Thay đổi chỉ số chứng khoán thị trường độ trễ 2 tháng  VNI3m  Thay đổi chỉ số chứng khoán thị trường độ trễ 3 tháng  Nhân tố xu  hướng (theo  tuần)  VNI1w  Thay đổi chỉ số chứng khoán thị trường độ trễ 1 tuần  VNI2w  Thay đổi chỉ số chứng khoán thị trường độ trễ 2 tuần  VNI3w  Thay đổi chỉ số chứng khoán thị trường độ trễ 3 tuần  Bước 2: Kiểm nghiệm thống kê mô tả, tính dừng và sự đa cộng tuyến giữa các biến giải thích. (Phần  mềm thống kê sử dụng là phần mềm Eview 6.0) 153  Thực hiện kiểm định thống kê mô tả  ­  Mục tiêu: Xem xét liệu phân phối xác suất của các biến giải thích có tuân theo quy luật phân  phối chuẩn hay không.  ­  Phương pháp: Thống kê Jarque­ Bera.  ­  Kết quả  Giả thiết Ho: Phân phối xác suất của biến giải thích tuân theo quy luật phân phối chuẩn  Bảng 3: Thống kê mô tả các nhân tố  Biến  Jarque­Bera  Probability  Nhóm các biến vĩ mô chưa điều  chỉnh độ trễ  CPI  36.2  0.000***  USD  2792.3  0.000***  LR  5746.1  0.000***  IP  166.7  0.000***  TB  5400  0.000***  M2  26.1  0.000***  CR  39.2  0.000***  Nhóm các biến vĩ mô đã điều  chỉnh độ trễ  CPId  30.9  0.000***  USDd  2708.8  0.000***  LRd  5573.4  0.000***  Ipd  160.5  0.000***  TBd  5237.5  0.000***  M2d  26.3  0.000***  CRd  37.7  0.000***  Nhóm các biến tài chính chưa  điều chỉnh độ trễ  ROE  331.48  0.000***  ROA  3105.02  0.000***  PE  13.3  0.000***  PB  1.43  0.490  CM  22.59  0.000***  CF  21.71  0.000***  EPS  289.66  0.000***  PM  40.08  0.000***  DE  316.93  0.000*** 154  Nhóm các biến tài chính đã điều  chỉnh độ trễ  ROEd  284.61  0.000***  ROAd  2691.52  0.000***  PEd  12.85  0.000***  PBd  1.21  0.550  CMd  1.77  0.410  CFd  21.71  0.000***  EPSd  247.33  0.000***  PMd  32.95  0.000***  DEd  272.02  0.000***  Nhóm biến chỉ số các thị trường  khác (theo tháng)  SSECm  2.734  0.255  N225m  20.059  0.000***  FTSEm  9.796  0.007***  DJm  10.939  0.004***  Nhóm biến chỉ số các thị trường  khác (theo tuần)  SSECw  17.951  0.000***  N225w  1250.594  0.000***  FTSEw  1611.028  0.000***  DJw  797.531  0.000***  Nhóm các biến chỉ số thị trường  điều chỉnh độ trễ (theo tháng)  VNI1m  7.594  0.022**  VNI2m  7.202  0.027**  VNI3m  7.214  0.027**  Nhóm các biến chỉ số thị trường  điều chỉnh độ trễ (theo tuần)  VNI1w  26.829  0.000***  VNI2w  26.824  0.000***  VNI3w  26.84  0.000***  ***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%  Kết  luận:  Phân  phối  xác  suất  của  các  biến  PB,  PBd  (PB_delay),  CMd  (CM_delay),  SSECm  (SSEC_monthly)  tuân  theo  quy  luật  phân  phối  chuẩn.  Tuy  nhiên  chúng  ta  có  thể  chấp  nhận  giả  thuyết các biến này trong tương lai sẽ xảy ra phân phối chuẩn nên chúng ta chấp nhận giả thuyết để  tiến hành xem xét tiếp mô hình.  Kiểm nghiệm sự đa cộng tuyến giữa các biến giải thích  ­  Mục tiêu: Xem xét liệu giữa các biến giải thích có bị đa cộng tuyến với nhau hay không.  ­  Phương pháp: Sử dụng ma trận tương quan và mô hình hồi quy phụ 6 .  Theo  thống kê,  nếu hệ số  tương quan  cặp giữa  các biến giải  thích  cao hơn 0,8 (80%) thì hai biến  được đánh giá là có đa cộng tuyến rất cao, có thể ảnh hưởng nghiêm trọng đến mô hình. 7  Bộ các biến kinh tế vĩ mô  6  Đ   đánh giá s   b   hi  n t   ng đa c  ng tuy n,  chúng ta s   d  ng l   c  đ   t   t   n g quan, khi đi sâu vào ki m  đ n h mô hình xây d  ng chúng ta s  s  d ng  mô hình h i  quy ph  đ  ki m tr a s  đa c ng  tuy  n c a  mô hình.  7 Hoàng Ng c N h m  (2008), Giáo trình kinh t  l   ng, Nxb Thành ph  H  Chí Minh. 155  Trường hợp bộ các biến kinh tế vĩ mô chưa điều chỉnh độ trễ  CPI  USD  LR  IP  TB  M2  CR  CPI  1  USD  ­0.03835  1  LR  0.042357  0.039277  1  IP  ­0.21149  ­0.00237  0.066728  1  TB  ­0.1474  0.054472  0.0601  0.071726  1  M2  0.099711  ­0.06841  ­0.03927  ­0.05466  ­0.05652  1  CR  0.047149  0.039892  ­0.14859  0.112214  0.200897  ­0.10157  1  Trường hợp bộ các biến kinh tế vĩ mô đã điều chỉnh độ trễ  CPId  USDd  LRd  Ipd  TBd  M2d  CRd  CPI  1  USD  0.021623  1  LR  0.087395  0.039456  1  IP  0.068869  ­0.032  ­0.05213  1  TB  ­0.00611  0.046109  ­0.09375  0.071798  1  M2  0.143261  ­0.06811  ­0.02819  ­0.05437  ­0.05711  1  CR  ­0.19829  0.079382  ­0.02357  0.112382  0.200753  ­0.10281  1  Bộ các biến số tài chính  Trường hợp bộ biến số tài chính chưa điều chỉnh độ trễ  ROE  ROA  PE  PB  CM  CF  EPS  PM  DE  ROE  1  ROA  0.766**  1  PE  0.238  ­0.063  1  PB  ­0.016  ­0.158  0.731**  1  CM  0.683  0.724**  0.191  0.117  1  CF  ­0.166  ­0.267  0.032  ­0.056  ­0.124  1  EPS  0.815***  0.759**  ­0.022  ­0.072  0.838***  ­0.237  1  PM  0.709**  0.402  0.274  0.067  0.455  ­0.133  0.581  1  DE  ­0.066  ­0.27  0.26  0.165  ­0.096  0.103  ­0.379  0.106  1  ***: Độ tương quan rất cao, trên 80%; ** : Độ tương quan cao, trên 70%;  Trường hợp bộ biến tài chính đã điều chỉnh độ trễ  PBd  Ped  PMd  ROAd  ROEd  EPSd  Ded  CMd  CFd  PB  1  PE  ­0.3185  1  PM  0.0760  ­0.431  1  ROA  ­0.1524  0.0328  0.3981  1  ROE  ­0.0096  ­0.3233  0.7070  0.7642  1 156  EPS  ­0.0614  ­0.5005  0.5767  0.7575  0.8150  1  DE  0.1541  0.3366  0.1222  ­0.2624  ­0.0552  ­0.3662  1  CM  ­0.1503  0.5006  0.2538  ­0.1655  0.0290  ­0.2859  0.6073  1  CF  ­0.0609  0.2545  ­0.1291  ­0.2639  ­0.1624  ­0.2318  0.0959  0.3466  1  ***: Độ tương quan rất cao, trên 80%; ** : Độ tương quan cao, trên 70%  Nhóm biến chỉ số tương quan giữa các thị trường chứng khoán khác  Trường hợp phân tích theo tháng SSECm  N225m  FTSEm  DJm  SSEC  1  N225  0.297644  1  FTSE  0.227711  0.633929  1  DJ  0.318124  0.594146  0.838914***  1  ***: Độ tương quan rất cao, trên 80%  Trường hợp phân tích theo tuần  DOWw  FTSEw  N225w  SSECw  DOWw  1  FTSEw  0.853837***  1  N225w  0.68654  0.710413**  1  SSECw  0.093388  0.102218  0.212944  1  ***: Độ tương quan rất cao, trên 80%; ** : Độ tương quan cao, trên 70%  Nhóm các biến chỉ số thị trường điều chỉnh độ trễ  Trường hợp phân tích theo tháng  VNI1m  VNI2m  VNI3m  VNI1m  1  VNI2m  0.38179  1  VNI3m  0.09387  0.377971  1  Trường hợp phân tích theo tuần  VNI1w  VNI2w  VNI3w  VNI1w  1  VNI2w  0.250431  1  VNI3w  0.135085  0.250775  1  Kiểm định tính dừng  ­  Mục tiêu: Kiểm tra xem biến giải thích có tính dừng hay không. 157  ­  Giải thích: Một trong những giả định của mô hình hồi quy cổ điển là các biến độc lập là phi  ngẫu nhiên,  chúng có giá trị xác định. Nếu chúng ta ước lượng mô hình với chuỗi thời gian  trong đó các biến độc lập không dừng, khi đó giả  thiết của OLS bị vi phạm. Nói cách khác,  phương pháp OLS không áp dụng cho các chuỗi không dừng.  ­  Phương pháp: có thể tiến hành kiểm định theo các phương pháp sau:  o Sử dụng lược đồ tương quan (Correlogram).  oKiểm nghiệm đơn vị (Unit Root Test).  Xét mô hình: Yt =  * Y(t­1) + Ui, với Ui: nhiễu trắng.  Tiêu chuẩn Dickey – Fuller:  H0:  : chuỗi là không dừng  H1:  : chuỗi dừng  Biến  t­Statistic  Probability  Kết luận  Nhóm các biến vĩ mô  chưa điều chỉnh độ trễ  CPI  ­11.0608  0.0000***  Bác bỏ Ho  USD  ­9.0096  0.0000***  Bác bỏ Ho  LR  ­7.4263  0.0000***  Bác bỏ Ho  IP  ­13.3677  0.0000***  Bác bỏ Ho  TB  ­9.4445  0.0000***  Bác bỏ Ho  M2  ­8.3597  0.0000***  Bác bỏ Ho  CR  ­8.7762  0.0000***  Bác bỏ Ho  Nhóm các biến vĩ mô  đã điều chỉnh độ trễ  CPId  ­6.3868  0.0000***  Bác bỏ Ho  USDd  ­8.9574  0.0000***  Bác bỏ Ho  LRd  ­7.3784  0.0000***  Bác bỏ Ho  Ipd  ­13.3017  0.0001***  Bác bỏ Ho  TBd  ­9.3957  0.0000***  Bác bỏ Ho  M2d  ­8.3246  0.0000***  Bác bỏ Ho  CRd  ­8.7347  0.0000***  Bác bỏ Ho  Nhóm các biến tài  chính chưa điều chỉnh  độ trễ  ROE  ­8.9591  0.0000***  Bác bỏ Ho  ROA  ­51.5291  0.0001***  Bác bỏ Ho  PE  ­5.6817  0.0000***  Bác bỏ Ho  PB  ­6.9798  0.0000***  Bác bỏ Ho  CM  ­5.8281  0.0000***  Bác bỏ Ho  CF  ­7.0982  0.0000***  Bác bỏ Ho  EPS  ­9.5766  0.0000***  Bác bỏ Ho  PM  ­7.0232  0.0000***  Bác bỏ Ho  DE  ­6.7694  0.0000***  Bác bỏ Ho  Nhóm các biến tài  chính đã điều chỉnh độ  ROEd  ­8.7322  0.0000***  Bác bỏ Ho  ROAd  ­50.2496  0.0001***  Bác bỏ Ho 158  trễ  Ped  ­5.5761  0.0000***  Bác bỏ Ho  PBd  ­6.8189  0.0000***  Bác bỏ Ho  CMd  ­4.2369  0.0017***  Bác bỏ Ho  CFd  ­6.9317  0.0000***  Bác bỏ Ho  EPSd  ­9.3440  0.0000***  Bác bỏ Ho  PMd  ­6.8513  0.0000***  Bác bỏ Ho  Ded  ­6.5530  0.0000***  Bác bỏ Ho  Nhóm các biến chỉ số  thị trường khác (theo  tháng)  SSECm  ­5.3209  0.0000***  Bác bỏ Ho  N225m  ­8.4136  0.0000***  Bác bỏ Ho  FTSEm  ­9.0673  0.0000***  Bác bỏ Ho  DJm  ­8.7140  0.0000***  Bác bỏ Ho  Nhóm các biến chỉ số  thị trường khác (theo  tuần)  SSECw  ­16.2216  0.0000***  Bác bỏ Ho  N225w  ­10.8334  0.0000***  Bác bỏ Ho  FTSEw  ­19.7595  0.0000***  Bác bỏ Ho  DJw  ­18.6524  0.0000***  Bác bỏ Ho  Nhóm các biến chỉ số  thị trường điều chỉnh  độ trễ ( theo tháng)  VNI1m  ­6.5865  0.0000***  Bác bỏ Ho  VNI2m  ­6.5922  0.0000***  Bác bỏ Ho  VNI3m  ­6.6283  0.0000***  Bác bỏ Ho  Nhóm các biến chỉ số  thị trường điều chỉnh  độ trễ (theo tuần)  VNI1w  ­13.2251  0.0000***  Bác bỏ Ho  VNI2w  ­13.2317  0.0000***  Bác bỏ Ho  VNI3w  ­13.2261  0.0000***  Bác bỏ Ho  ***: Mức ý nghĩa 1%  Kết luận: Tất cả các biến giải thích đều có tính dừng. 159  XÂY DỰNG MÔ HÌNH HỒI QUY TUYẾN TÍNH TRUYỀN THỐNG VÀ KIỂM ĐỊNH  Bộ các biến vĩ mô chưa điều chỉnh độ trễ  Hồi quy đơn biến  Biến kết hợp  CPI  USD  LR  IP  TB  M2  CR  Coefficient  ­0.01294  ­0.13811  ­0.00059  0.10723  ­0.00141  0.01641  ­0.00157  t­Statistic  ­0.11562  ­1.24536  ­0.72803  1.50098  ­0.21869  0.24857  ­0.02596  Prob.  0.9082  0.2159  0.4683  0.1364  0.8273  0.8042  0.9793  R­squared  0.000131  0.01498  0.00517  0.02161  0.00047  0.00061  0.00001  Kết luận: Không có mô hình hồi quy đơn biến nào có ý nghĩa thống kê.  Hồi quy đa biến và kiểm định  Xây dựng mô hình hồi quy tuyến tính đa biến bao gồm tất cả các biến giải thích:  VNI = ­0.130006556422*USD ­ 0.000866257260281*TB + 0.0114627390088*M2 ­  0.000663493690381*LR + 0.117310676701*IP ­ 0.0149794087238*CR +  0.0215545746948*CPI + 0.157481425478  Kết quả thống kê của các biến giải thích trong mô hình đa nhân tố:  Biến  USD  TB  M2  LR  IP  CR  CPI  t­statistic  ­1.1484  ­0.1283  0.16972  ­0.7926  1.5547  ­0.2332  0.18235  Prob.  0.2537  0.8982  0.8656  0.43  0.1233  0.8161  0.8557  Kết luận: Mô hình hồi quy tuyến tính đa biến không có ý nghĩa (Prob(F­statistic) = 72,7%)  Kiểm định thừa biến: Giả thiết H0: Hệ số hồi quy của các biến đưa thêm vào mô hình bằng không  c(cpi) = c(usd) = c(lr) = c(ip) = c(tb) = c(cr) = 0  Redundant Variables: CPI USD TB M2 LR IP CR  F­statistic  0.633106 Prob. F(7,96)  0.7274  Log likelihood ratio  4.693535 Prob. Chi­Square(7)  0.6973  Kết luận: Chấp nhận giả thiết Ho, hệ số hồi quy của các nhân  tố bằng không, không thể xây dựng  được mô hình hồi quy tuyến tính đa nhân tố từ các biến giải thích trong bộ các biến vĩ mô chưa điều  chỉnh độ trễ.  Bộ các biến vĩ mô đã điều chỉnh độ trễ 160  Hồi quy tuyến tính đơn biến  Biến kết hợp  CPId  USDd  LRd  IPd  TBd  M2d  CRd  Coefficient  ­0.7993  ­1.3609  ­0.0059  ­0.0133  0.0046  1.1196  ­0.4058  t­Statistic  ­0.6596  ­1.2245  ­0.7326  ­0.1844  0.7169  1.7141  ­0.6718  Prob.  0.5110  0.2236  0.4655  0.8541  0.4751  0.0896*  0.5033  R­Squared  0.0043  0.0146  0.0053  0.0003  0.0051  0.0283  0.0044  *: mức ý nghĩa 10%; **: Mức ý nghĩa 5%; ***: Mức ý nghĩa 1%.  Kết luận: Với mức ý nghĩa 10% thì mô hình hồi quy tuyến tính đơn biến giữa M2d và VNI là có ý  nghĩa thống kê.  Mô hình: VNI = 1.11960320926*M2d ­ 0.00916121818653  Hồi quy tuyến tính đa biến và kiểm định  ­  Từ mô hình hồi quy tuyến tính đơn biến M2d và VNI, ta kiểm định trường hợp mô hình tối  ưu thiếu 1 biến so với mô hình hồi quy đơn biến ban đầu (Biến thiếu lần lượt là các biến còn  lại).  Phương pháp: Sử dụng kiểm định Omited Variables­Likelihoodratio trong phần mềm Eview 6.0  Giả thiết H0: Hệ số hồi quy của biến đưa thêm vào mô hình bằng không  Biến đưa vào  CPId  USDd  LRd  IPd  TBd  CRd  F­statistic  0.850161  1.255201  0.478046  0.008737  0.677856  0.254536  Prob. F(1,100)  0.3587  0.2652  0.4909  0.9257  0.4123  0.615  Kết luận: Không xảy ra trường hợp thiếu 1 biến.  ­  Kiểm định trường hợp đưa thêm đồng thời cả 6 biến còn lại vào mô hình. Giả thiết H0: Hệ số  hồi quy của các biến đưa thêm vào mô hình bằng không  c(cpid) = c(usdd) = c(lrd) = c(ipd) = c(tbd) = c(crd) = 0  Kết quả kiểm định:  Omitted Variables: CPID CRD IPD LRD TBD USDD  F­statistic  0.597056 Prob. F(6,95)  0.7320  Log likelihood ratio  3.812569 Prob. Chi­Square(6)  0.7020  Kết luận: Chấp nhận giả thiết H0, mô hình không thiếu biến giải thích nào.  Vậy, mô hình hồi quy tuyến tính phù hợp là mô hình xây dựng dựa trên biến giải thích là M2d. 161  ­  Kiểm định mô hình có hiện tượng phương sai thay đổi: Kiểm định White. Giả thiết H0:  Phương sai không đổi  Heteroskedasticity Test: White  F­statistic  0.292825  Prob. F(2,100)  0.7468  Obs*R­squared  0.599708  Prob. Chi­Square(2)  0.7409  Scaled explained SS  0.826162  Prob. Chi­Square(2)  0.6616  Kết luận: Chấp nhận giả thiết H0, mô hình không có hiện tượng phương sai thay đổi.  ­  Kiểm định sự tự tương quan: Kiểm định Breusch ­ Godfrey. Giả thiết H0: Không có hiện  tượng tự tương quan.  Breusch­Godfrey Serial Correlation LM Test:  F­statistic  18.61459  Prob. F(1,100)  0  Obs*R­squared  16.16414  Prob. Chi­Square(1)  0.0001  Kết luận: Bác bỏ giả thiết H0, mô hình có hiện tượng tự tương quan.  Kết luận: Không thể xây dựng được mô hình hồi quy  tuyến tính dựa trên dữ liệu từ bộ dữ liệu các  biến vĩ mô đã điều chỉnh độ trễ.  Các biến tài chính chưa điều chỉnh độ trễ  Hồi quy tuyến tính đơn biến  Variable  ROE  ROA  PE  PB  CM  CF  EPS  PM  DE  Coefficient  0.591  0.118  0.556  0.501  0.725  ­0.016  0.405  0.393  ­0.082  t­Statistic  3.023  3.282  5.311  5.896  13.251  ­0.616  3.085  1.969  ­0.446  Prob.  0.004***  0.002***  0.000***  0.000***  0.000***  0.549  0.004***  0.055*  0.658  R­squared  0.175  0.2  0.396  0.447  0.803  0.028  0.181  0.083  0.005  * : mức ý nghĩa 10%; ** : Mức ý nghĩa 5%; ***: Mức ý nghĩa 1%.  Kiểm định các mô hình hồi quy đơn biến  Kiểm định hiện tượng phương sai thay đổi (Kiểm định White). Giả thiết H0: Phương sai không đổi.  Kết quả kiểm định:  Kiểm định White  F­statistic  Prob.F(2,42)  Kết luận  CM  6.410346  0.0037  Bác bỏ Ho  ROA  1.162907  0.3224  Chấp nhận Ho  ROE  0.552882  0.5794  Chấp nhận Ho  PE  3.035308  0.0587*  Bác bỏ Ho  PB  0.169915  0.8443  Chấp nhận Ho  EPS  0.046042  0.955  Chấp nhận Ho 162  PM  1.883569  0.1647  Chấp nhận Ho  *: Mức ý nghĩa 10%  Kết luận:  §  Mô hình hồi quy tuyến tính đơn biến với biến giải thích lần lượt là CM và PE có hiện  tượng phương sai thay đổi, hay nói cách khác, mô hình không phù hợp.  §  Mô hình hồi quy tuyến tính đơn biến với biến giải thích lần lượt là ROA,ROE, PB, EPS,  PM không có hiện tượng phương sai thay đổi. Ta tiếp tục kiểm định hiện tượng tự tương quan  cho các mô hình hồi quy tuyến tính đơn biến này.  Kiểm định hiện tượng tự tương quan (kiểm định Breusch­Godfrey). Giả thiết H0: Mô hình không có  hiện tượng tự tương quan.  Kết quả kiểm định:  Kiểm định Breusch­Godfrey  Mức độ  giải thích  của MH F­statistic  Prob. F(1,42)  Kết luận  ROA  3.737803  0.06  Bác bỏ giả thiết Ho  ROE  2.199896  0.1455  Chấp nhận giả thiết Ho  0.2  PB  0.032179  0.8585  Chấp nhận giả thiết Ho  0.447  EPS  1.967781  0.168  Chấp nhận giả thiết Ho  0.028  PM  2.026079  0.162  Chấp nhận giả thiết Ho  0.083  Kết luận:  §  Mô  hình  hồi  quy  tuyến  tính đơn biến  với  biến  giải  thích  là ROA  có  hiện  tượng  tự  tương  quan. Mô hình này không phù hợp  §  Mô hình hồi quy  tuyến  tính đơn biến với biến giải  thích  là ROE, PB, EPS, PM không có  hiện tượng tự tương quan. Trong đó, mô hình hồi quy tuyến tính với biến giải thích là PB có  mức độ giải thích cao nhất hay mô hình hồi quy tuyến tính đơn biến tối ưu nhất, ta tiếp tục  đưa thêm biến giải thích vào mô hình này.  Mô hình hồi quy đa biến và kiểm định  Mô hình hồi quy tuyến tính đơn biến tối ưu nhất:  VNI = 0.501093285767*PB + 0.00443970671375  Trước tiên, ta tiến hành kiểm định trường hợp thiếu 1 biến cho mô hình hồi quy tuyến tính đơn biến  trên, các biến giải thích lần lượt được đưa vào kiểm định là: ROA, ROE, PE, CM, EPS, PM, CM,  DE.  Giả sử ta kiểm định trường hợp mô hình thiếu biến ROA, 163  VNI =  Giả thiết H0: C(2) = 0.  Giả thiết H0  là tương tự đối với trường hợp thiếu 1 trong số các biến giải thích còn lại vào mô hình.  Kết quả kiểm định:  Omitted Variables – Likelihood  F­statistic  Prob. F(1,42)  Kết luận  ROA  39.61286  0  Bác bỏ Ho  ROE  22.28415  0  Bác bỏ Ho  PE  7.707063  0.0082  Bác bỏ Ho  PM  7.620512  0.0085  Bác bỏ Ho  EPS  30.40178  0  Bác bỏ Ho  DE  1.223536  0.275  Chấp nhận Ho  CM  156.0095  0  Bác bỏ Ho  CF  1.656591  0.2051  Chấp nhận Ho  Như vậy ta có thể đưa thêm 1 trong các biến ROA, ROE, PE, PM, EPS, CM vào mô hình. Tiến hành  xây dựng mô hình hồi quy tuyến tính với 2 biến giải thích là PB và 1 trong các biến trên, kết quả hồi  quy và kiểm định tự tương quan, phương sai thay đổi như sau: 164 165  Như  vậy,  mô  hình  hồi  quy  tuyến  tính  với  2  biến  giải  thích  là  PE  và  PB  là  không  có  hiện  tượng  phương sai thay đổi và tự  tương quan. Ta tiến hành kiểm định hiện tượng đa cộng tuyến bằng mô  hình hồi quy phụ.  Kết quả:  Variable  Coefficient  Std. Error  t­Statistic  Prob.  PB  0.497317  0.104696  4.750093  0.0000  C  ­0.009642  0.018553  ­0.519703  0.6059  R­squared  0.344146  Mean dependent var  ­0.016584  Adjusted R­squared  0.328894  S.D. dependent var  0.151449  S.E. of regression  0.124069  Akaike info criterion  ­1.292538  Sum squared resid  0.661899  Schwarz criterion  ­1.212242  Log likelihood  31.08211  Hannan­Quinn criter.  ­1.262605  F­statistic  22.56339  Durbin­Watson stat  2.024333  Prob(F­statistic)  0.000023  Kết luận: Xảy ra hiện tượng đa cộng tuyến giữa các biến giải thích, mô hình không phù hợp.  Như vậy, nếu ta chọn mô hình hồi quy tuyến tính đơn biến tối ưu với biến giải thích là PB thì không  thể xây dựng được mô hình hồi quy  tuyến  tính đa biến. Áp dụng tương tự với trường hợp các mô  hình hồi quy tuyến tính đơn biến còn lại, kết quả là không thể xây dựng được mô hình hồi quy tuyến  tính đa biến.  Bảng dưới đây là ma trận hồi quy phụ giữa các biến, cho biết các biến giải thích có bị hiện tượng đa  cộng tuyến với nhau hay không. Từ bảng này, kết hợp với kết quả từ hồi quy đơn biến, ta tiến hành  xây dựng các mô hình hồi quy tuyến tính đa biến và kiểm định.  ROA  ROE  PB  PE  PM  EPS  CM  CF  ROE(coefficient)  4.132  Prob.  0.00***  PB(coefficient)  ­0.289  ­0.015  Prob.  0.508  0.853  PE(coefficient)  ­0.175  0.051  0.497  Prob.  0.735  0.596  0.00***  PM(coefficient)  2.219  0.692  ­0.011  0.134  Prob.  0.004***  0.00***  0.97  0.573  EPS(coefficient)  2.791  0.545  ­0.104  ­0.05  0.418  Prob.  0.000**  0.000***  0.594  0.76  0.00***  CM(coefficient)  1.726  0.301  0.505  0.41  0.214  0.546  Prob.  0.00***  0.00***  0.001***  0.002***  0.015***  0.00***  CF(coefficient)  ­0.18  ­0.021  0.007  0.009  ­0.02  ­0.049  ­0.025  Prob.  0.035**  0.196  0.809  0.719  0.22  0.037**  0.377 166  DE (coefficient)  ­1.297  ­0.065  0.137  0.161  0.076  ­0.491  ­0.126  1.029  Prob.  0.06*  0.619  0.579  0.439  0.573  0.009***  0.58  0.404  * : mức ý nghĩa 10%; ** : Mức ý nghĩa 5%; ***: Mức ý nghĩa 1%.  Kết luận cuối cùng: Không thể xây dựng được mô hình hồi quy tuyến tính đa biến dựa trên dữ liệu  trong bộ biến tài chính chưa điều chỉnh dộ trễ.  Vậy mô hình hồi quy tuyến tính tối ưu nhất nếu sử dụng các dữ liệu biến tài chính chưa điều chỉnh  độ trễ là:  VNI = 0.501093285767*PB + 0.00443970671375  Với độ giải thích của mô hình là 44.7%  Các biến tài chính đã điều chỉnh độ trễ  Hồi quy tuyến tính đơn biến  Biến giải  thích  ROE  ROA  PE  PB  CM  CF  EPS  PM  DE  t­Statistic  0.098  ­0.312  5.249  ­0.077  13.120  0.896  ­0.499  0.580  1.623  Prob.  0.923  0.757  0.00***  0.939  0.000***  0.388  0.620  0.565  0.113  ***: Mức ý nghĩa 1%  Kiểm định hiện tượng phương sai thay đổi cho mô hình hồi quy tuyến  tính đơn biến với biến giải  thích lần lượt là CM và PE. Phương pháp sử dụng là kiểm định White.  Giả thiết H0: Mô hình có hiện tượng phương sai không đổi (thuần nhất):  o  Biến giải thích là PE  Heteroskedasticity Test: White  F­statistic  62.76921 Prob. F(2,40)  0.0000  Kết luận: Bác bỏ H0. Có hiện tượng phương sai thay đổi, mô hình không phù hợp.  o  Biến giải thích là CM  Heteroskedasticity Test: White  F­statistic  87.69402 Prob. F(2,40)  0.0000  Kết luận: Bác bỏ H0, có hiện tượng phương sai thay đổi. Mô hình không phù hợp.  Bây giờ ta tiến hành tìm mô hình tốt nhất theo phương pháp loại bớt biến. Đầu tiên ta xây dựng 1 mô  hình hồi quy tuyến tính với tất cả các biến giải thích trên: 167  Variable  Coefficient  Std. Error  t­Statistic  Prob.  ROED  0.249616  0.165923  1.504408  0.1420  ROAD  ­0.116012  0.028231  ­4.109393  0.0002  PMD  0.077414  0.105213  0.735787  0.4671  PED  0.487758  0.072298  6.746520  0.0000  PBD  ­0.017219  0.036885  ­0.466838  0.6437  EPSD  0.269579  0.103968  2.592896  0.0141  DED  ­0.036079  0.074343  ­0.485306  0.6307  CMD  0.458234  0.067905  6.748210  0.0000  CFD  ­0.007960  0.007766  ­1.025042  0.3128  C  ­0.021676  0.007301  ­2.968770  0.0055  R­squared  0.906496 Mean dependent var  ­0.013791  Adjusted R­squared  0.880995 S.D. dependent var  0.121893  S.E. of regression  0.042049 Akaike info criterion  ­3.299517  Sum squared resid  0.058349 Schwarz criterion  ­2.889935  Log likelihood  80.93961 Hannan­Quinn criter.  ­3.148476  F­statistic  35.54725 Durbin­Watson stat  1.853071  Prob(F­statistic)  0.000000  Kế  đến,  ta  loại  bỏ  dần  các  biến  thông  qua  kiểm  định  thừa  biến Redundant Variables  Likelihood  Ratio, mô hình phù hợp nhất sau khi loại bỏ các biến không cần thiết là:  Variable  Coefficient  Std. Error  t­Statistic  Prob.  ROAD  ­0.086736  0.023118  ­3.751868  0.0006  PED  0.428195  0.063700  6.722060  0.0000  EPSD  0.372768  0.086850  4.292081  0.0001  CMD  0.507790  0.059571  8.524168  0.0000  C  ­0.024075  0.006916  ­3.480844  0.0013  R­squared  0.891154 Mean dependent var  ­0.013791  Adjusted R­squared  0.879696 S.D. dependent var  0.121893  S.E. of regression  0.042278 Akaike info criterion  ­3.380145  Sum squared resid  0.067923 Schwarz criterion  ­3.175354  Log likelihood  77.67311 Hannan­Quinn criter.  ­3.304624  F­statistic  77.77901 Durbin­Watson stat  1.838099  Prob(F­statistic)  0.000000  Tiến hành kiểm định đa cộng tuyến cho mô hình trên, kết quả như sau:  Kết luận: Có hiện tượng đa cộng tuyến, nên bỏ bớt biến EPSd và một trong 2 biến Ped hoặc CMd ra  khỏi mô hình. 168  ROAd  PEd  EPSd  Ped  0.003  prob.  0.742  EPSd  0.593  0.085  prob.  0.000***  0.057*  CMd  0.006  0.335  0.017  prob.  0.622  0***  0.409  ***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%; * : Mức ý nghĩa 10%  Như vậy có hiện tượng đa cộng tuyến giữa EPSd và ROAd, Ped, giữa Ped và CMd, vậy nên loại bỏ  Ped và EPSd ra khỏi mô hình. Lúc này mô hình còn lại 2 biến giải thích:  Variable  Coefficient  Std. Error  t­Statistic  Prob.  ROAD  0.004156  0.018127  0.229288  0.8198  CMD  0.754044  0.066969  11.25967  0.0000  C  ­0.033665  0.009601  ­3.506284  0.0011  R­squared  0.760755 Mean dependent var  ­0.013791  Adjusted R­squared  0.748793 S.D. dependent var  0.121893  S.E. of regression  0.061093 Akaike info criterion  ­2.685618  Sum squared resid  0.149295 Schwarz criterion  ­2.562744  Log likelihood  60.74079 Hannan­Quinn criter.  ­2.640306  F­statistic  63.59643 Durbin­Watson stat  1.718582  Prob(F­statistic)  0.000000  Kết luận: Tiếp tục loại bỏ biến ROAd ra khỏi mô hình, vậy mô hình đa biến giờ chỉ còn là mô hình  đơn biến với CMd là biến giải thích. Mô hình hồi quy tuyến tính đơn biến với CMd là biến giải thích  ta đã kiểm định ở phần trên, và đã phát hiện mô hình có hiện tượng phương sai thay đổi. Tóm lại,  không thể xây dựng được mô hình hồi quy tuyến tính từ bộ dữ liệu các biến tài chính đã điều chỉnh  độ trễ.  Các biến chỉ số thị trường khác (trường hợp theo tháng)  Hồi quy tuyến tính đơn biến  Biến kết hợp  DJm  FTSEm  N225m  SSECm  t­Statistic  3.723  3.461  4.316  2.690  Prob.  0.000  0.001  0.000  0.008  R­Squared  0.119  0.014629**  0.153  0.06562*  ***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%; * : Mức ý nghĩa 10%  Kết luận: Tất cả các mô hình hồi quy đơn biến đều có ý nghĩa thống kê với mức ý nghĩa 1%.  Mô hình:  VNIm = 0.899659*DJm + 0.011105 169  VNIm = 0.84424*FTSEm + 0.011297  VNIm = 0.773768*N225m + 0.012142  VNIm = 0.323669*SSECm + 0.009781  Hồi quy tuyến tính đa biến và kiểm định  ­  Từ các mô hình hồi quy tuyến tính đơn biến trên, ta tiến hành kiểm định hiện tượng phương  sai thay đổi và kiểm định tự tương quan.  ­  Kiểm định hiện tượng phương sai thay đổi: Kiểm định White.  Giả thiết H0: Không có hiện tượng phương sai thay đổi.  Kết quả kiểm định:  F­statistic  Prob. F(2.102)  Kết luận  DJm  0.926828  0.3991  Chấp nhận giả thiết H0  FTSEm  1.423116  0.2457  Chấp nhận giả thiết Ho  N225m  0.688148  0.5048  Chấp nhận giả thiết Ho  SSECm  1.035809  0.3586  Chấp nhận giả thiết Ho  Kết  luận: Mô hình hồi quy  tuyến tính với 4 biến giải  thích DJm, FTSEm, N225m và SSECm đều  không xảy ra hiện tượng phương sai thay đổi. Ta tiếp tục tiến hành kiểm định  tự tương quan cho 4  mô hình này. ·  Kiểm định tự tương quan: Kiểm định Breusch­ Godfrey  Giả thiết H0: Không có hiện tượng tự tương quan  Kết quả kiểm định:  Kiểm định Breusch­Godfrey  F­statistic  Prob. F(1,102)  Kết luận  DJm  10.5032  0.0016***  Bác bỏ giả thiết Ho  FTSEm  12.8208  0.0005***  Bác bỏ giả thiết Ho  N225m  10.3582  0.0017***  Bác bỏ giả thiết Ho  SSECm  8.69243  0.004***  Bác bỏ giả thiết Ho  ***: Mức ý nghĩa 1%  Kết luận: Cả 4 mô hình hồi quy đơn biến với các biến giải  thích lần  lượt là DJm, FTSEm, N225m,  SSECm đều xảy ra hiện tượng tự tương quan. 170  ð  Không thể xây dựng được mô hình hồi quy tuyến tính dựa trên dữ liệu trong bộ dữ liệu các  nhân tố các thị trường khác.  Các biến thị trường khác (trường hợp theo tuần)  Hồi quy tuyến tính đơn biến  Biến kết hợp  DJw  FTSEw  N225w  SSECw  Coefficient  ­0.0674  ­0.0609  ­0.0011  0.18172  t­Statistic  ­0.6446  ­0.6308  ­0.0132  2.72684  Prob.  0.5197  0.5287  0.9894  0.0068***  R­Squared  0.0014  0.00134  1E­06  0.02442  ***: Mức ý nghĩa 1%  Kết luận: Mô hình hồi quy đơn biến giữa SSECw và VNIw là 2 mô hình có ý nghĩa  thống kê với  mức ý nghĩa 1%  Mô hình:  VNIw = 0.18172 * SSECw + 0.002682  Hồi quy tuyến tính đa biến và kiểm định ·  Từ 2 mô hình hồi quy đơn biến trên ta tiến hành kiểm định hiện tượng phương sai thay đổi  và kiểm định tự tương quan.  ­  Kiểm định hiện tượng phương sai thay đổi : Kiểm định White. Giả thiết H0 : Không  có hiện tượng phương sai thay đổi  Kết quả kiểm định:  Heteroskedasticity Test: White  F­statistic  0.673796  Prob. F(2,296)  0.5106  Kết luận: Chấp nhận giả thiết H0, mô hình không có hiện tượng phương sai thay đổi.  ­  Kiểm định hiện tượng tự tương quan: Kiểm định Breusch­ Godfrey. Giả thiết H0: Không có  hiện tượng tự tương quan  Kết quả kiểm định:  Breusch­Godfrey Serial Correlation LM Test:  F­statistic  16.48881  Prob. F(1,296)  0.0001  Kết luận: Bác bỏ giả thiết H0, mô hình có hiện tượng tự tương quan.  Như vậy, không thể xây dựng được mô hình hồi quy tuyến tính theo dữ liệu của bộ nhân tố các thị  trường tài chính khác. 171  Các biến chỉ số thị trường đã điều chỉnh độ trễ (trường hợp theo tháng)  Hồi quy tuyến tính đơn biến  Biến kết hợp  VNI1m  VNI2m  VNI3m  Coefficient  0.383975  0.097281  ­0.05245  t­Statistic  4.102325  0.964422  ­0.51991  Prob.  0.0001***  0.3372  0.6043  R­Squared  0.146558  0.009402  0.002751  ***: Mức ý nghĩa 1%  Kết luân: Mô hình hồi quy tuyến tính đơn biến giữa VNI1m và VNIm có nghĩa thống kê với mức ý  nghĩa 1 %.  Mô hình:  VNIm = 0.383975 * VNI1m + 0.008382  Hồi quy tuyến tính đa biến và kiểm định  ­  Từ mô hình hồi quy đơn biến trên ta tiến hành kiểm định hiện tượng phương sai thay đổi và  kiểm định tự tương quan.  ­  Kiểm định hiện tượng phương sai thay đổi : Kiểm định White. Giả thiết H0 : Không có hiện  tượng phương sai thay đổi  Kết quả kiểm định:  Heteroskedasticity Test: White  F­statistic  0.549705  Prob. F(2,97)  0.5789  Kết luận: Chấp nhận giả thiết H0, mô hình không có hiện tượng phương sai thay đổi.  ­  Kiểm định hiện tượng tự tương quan: Kiểm định Breusch­ Godfrey  Giả thiết H0: Không có hiện tượng tự tương quan  Kết quả kiểm định:  Breusch­Godfrey Serial Correlation LM Test:  F­statistic  0.334717  Prob. F(1,97)  0.5642  Kết luận: Chấp nhận giả thiết H0, mô hình không có hiện tượng tự tương quan.  Như vậy mô hình hồi quy đơn biến giữa VNI1m và VNIm là phù hợp.  ­  Từ mô hình đơn biến trên ta tiến hành kiểm định xem mô hình có bỏ sót các biến còn lại hay  không.  Phương pháp: Sử dụng kiểm định Omited Variables­Likelihoodratio trong phần mềm Eview 6.0 172  Giả thiết H0: hệ số hồi quy của biến đưa thêm vào mô hình bằng không  Kết quả kiểm định:  Biến đưa vào  VNI2m  VNI3m  F­statistic  0.32311  0.90408  Prob. F(1,97)  0.5711  0.3441  Kết luận: Chấp nhận giả thiết H0, tức là không xảy ra trường hợp thiếu 1 biến.  ­  Kiểm định trường hợp đưa đưa thêm đồng thời cả 2 biến còn lại vào mô hình  Giả thiết H0: Hệ số hồi quy của các biến đưa thêm vào mô hình = 0  c(vni2m) = c(vni3m)=0.  Kết quả kiểm định:  Omitted Variables: VNI2m VNI3m  F­statistic  0.474584  Prob. F(2,96)  0.6236  Log likelihood ratio  0.983861  Prob. Chi­Square(2)  0.6114  Kết luận: Chấp nhận giả thiết Ho, mô hình không thiếu biến giải thích nào.  Vậy, mô hình hồi quy tuyến tính phù hợp là mô hình xây dựng dựa trên biến giải thích là VNI1m.  Các biến chỉ số thị trường điều chỉnh độ trễ (trường hợp theo tuần)  Hồi quy tuyến tính đơn biến  Biến kết hợp  VNI1w  VNI2w  VNI3w  Coefficient  0.250109  0.135148  0.101195  t­Statistic  4.421367  2.334618  1.741042  Prob.  0.000*  0.0202**  0.0827***  R­Squared  0.062545  0.018262  0.01024  ****: mức ý nghĩa 1%; **: Mức ý nghĩa 5%; *: Mức ý nghĩa 10%.  Kết luân: Mô hình hồi quy tuyến tính đơn biến giữa VNI1w, VNI2w và VNI3w với VNIw đều có ý  nghĩa thống kê  Mô hình:  VNIw = 0.250109* VNI1w + 0.002591  VNIw= 0.135148* VNI2w + 0.002982  VNIw = 0.101195* VNI3w + 0.003102  Hồi quy tuyến tính đa biến và kiểm định 173  ­  Từ 3 mô hình hồi quy đơn biến trên ta tiến hành kiểm định hiện tượng phương sai thay đổi  và kiểm định tự tương quan.  ­  Kiểm định hiện tượng phương sai thay đổi : Kiểm định White. Giả thiết H0: Không có hiện  tượng phương sai thay đổi  Kết quả kiểm định  Kiểm định White  F­statistic  Prob.F(2,292)  Kết luận  VNI1w  1.827408  0.1627  Chấp nhận Ho  VNI2w  4.796707  0.0089***  Bác bỏ Ho  VNI3w  4.1849  0.0161**  Bác bỏ Ho  ****: Mức ý nghĩa 1%; **: Mức ý nghĩa 5%  Kết luận:  §  Mô hình hồi quy  tuyến tính đơn biến với biến giải  thích VNI2w và VNI3w có xảy ra hiện  tượng phương sai thay đổi.  §  Mô  hình hồi  quy  tuyến  tính đơn biến với  biến giải  thích VNI1w không xảy ra hiện  tượng  phương sai thay đổi nên  ta  tiến hành kiểm định hiện  tượng  tự tương quan với hai mô hình  này.  ­  Kiểm định hiện tượng tự tương quan: Kiểm định Breusch – Godfrey. Giả thiết H0: Không có  hiện tượng tự tương quan.  Kết quả kiểm định:  Kiểm định Breusch­Godfrey  F­statistic  Prob. F(1,292)  Kết luận  VNI1w  1.756501  0.1861  Chấp nhận giả thiết Ho  Kết luận: Mô hình không có hiện tượng tự tương quan.  Như vậy mô hình hồi quy đơn biến giữa VNI1w và VNIw là phù hợp.  ­  Từ mô hình đơn biến trên ta tiến hành kiểm định xem mô hình có bỏ sót các biến còn lại hay  không.  Phương  pháp:  Sử  dụng kiểm định Omited Variables­Likelihoodratio  trong  phần mềm Eview  6.0  Giả thiết H0: hệ số hồi quy của biến đưa thêm vào mô hình = 0  Biến đưa vào  VNI2w  VNI3w  F­statistic  1.757691  1.44875 174  Prob. F(1,292)  0.1859  1.44875  Kết luận: Chấp nhận giả thiết H0, tức là không xảy ra trường hợp thiếu 1 biến.  ­  Kiểm định trường hợp đưa đưa thêm đồng thời cả 2 biến còn lại vào mô hình  Giả thiết H0: Hệ số hồi quy của các biến đưa thêm vào mô hình = 0  c(vni2w) = c(vni3w) = 0.  Kết quả kiểm định:  Omitted Variables: VNI2w VNI3w  F­statistic  1.309276  Prob. F(2,291)  0.2716  Log likelihood ratio  2.642673  Prob. Chi­Square(2)  0.2668  Kết luận: Chấp nhận giả thiết H0, mô hình không thiếu biến giải thích nào.  Vậy, mô hình hồi quy tuyến tính phù hợp là mô hình xây dựng dựa trên biến giải thích là VNI1w.  KẾT LUẬN  Trong quá trình xây dựng mô hình hồi quy tuyến tính đa nhân tố để xác định tỷ suất sinh lợi của thị  trường chứng khoán, người viết đưa ra một số kết luận sau:  ­  Những nhân tố ảnh hưởng đến tỷ suất sinh lợi của thị trường và có ý nghĩa thống kê khi xây  dựng mô  hình  là PB  (chỉ  số  giá  sổ  sách/  giá  thị  trường)  và VNI1  (chỉ  số  thị  trường điều  chỉnh độ trễ 1 tháng).  ­  Đối với bộ các nhân tố vĩ mô, mặc dù khi tiến hành kiểm định, các nhân tố không cho ra một  kết quả đáng tin cậy, nhưng điều cần nhấn mạnh là bộ các nhân tố vĩ mô đã điều chỉnh độ trễ  cho ra một kết quả thống kê cải thiện hơn so với khi chưa điều chỉnh độ trễ.  ­  Đối với các nhân tố độ trễ thị trường, khi tiến hành xây dựng mô hình, dù trong trường hợp  mô hình xây dựng theo tuần hay theo tháng, chỉ có nhân tố chỉ số thị trường điều chỉnh trễ 1  kì là có ý nghĩa thống kê.  ­  Từ biến PB và VNI1, người viết tiến hành xây dựng mô hình và thu được kết quả là một mô  hình đa nhân tố với độ giải thích là 48%. Đây là mô hình hồi quy tuyến tính tốt nhất có thể  xây dựng từ bộ dữ liệu các nhân tố mà người viết tập hợp được.  Dependent Variable: VNI  Method: Least Squares 175  Variable  Coefficient  Std. Error  t­Statistic  Prob.  VNI1  0.195256  0.112971  1.728369  0.0913  BP  0.459210  0.086552  5.305568  0.0000  C  0.003534  0.014733  0.239857  0.8116  R­squared  0.483751 Mean dependent var  ­0.002556  Adjusted R­squared  0.459168 S.D. dependent var  0.133892  S.E. of regression  0.098466 Akaike info criterion  ­1.733880  Sum squared resid  0.407209 Schwarz criterion  ­1.613436  Log likelihood  42.01231 Hannan­Quinn criter.  ­1.688980  F­statistic  19.67808 Durbin­Watson stat  1.938519  Prob(F­statistic)  0.000001  Theo đó, mô hình hồi quy tuyến tínhgiúp xác định tỉ suất sinh lợi của thị trường có dạng:  VNI = 0.195255718065*VNI1 + 0.459210023695*BP + 0.00353392919441 176  Phụ lục 4  Cách tính các chỉ số phân tích kỹ thuật  Chỉ báo trung bình di động (Moving average MA)  Chỉ báo này cho biết giá trị  trung bình của giá chứng khoán trong một khoảng thời gian nhất định.  Nó sẽ  hữu  ích  trong việc  loại  trừ phần nào  các  yếu  tố nhiễu  trong  chuỗi ban đầu và  cho một bức  trang tổng quát hơn về các xu hướng cơ bản. Hai loại trung bình di động được sử dụng phổ biến nhất  là trung bình di động giản đơn (Simple Moving Average – SMA) và trung bình di động theo hàm mũ  (Exponential Moving Average – EMA).  Trung bình di động giản đơn SMA  Trong một khoảng thời gian nhất định, trung bình di động giản đơn SMA được tính toán theo công  thức sau:  Với: SMA là trung bình di động giản đơn (simple moving average)  Ci là giá trị thứ i trong chuỗi dữ liệu  i là số dữ liệu trong chuỗi  Theo đó, khoảng thời gian tính toán càng ngắn thì đường trung bình di động sẽ càng nhạy cảm với  sự  thay  đổi  của  giá.  Chỉ  báo  trung  bình  di  động  ngắn  hạn  điển  hình  thường  được  tính  toán  cho  khoảng thời gian từ 5 đến 25 ngày, trung hạn là từ 25 đến 100 ngày, và 200 đến 250 ngày là trung  bình di động dài hạn.  Trung bình di động hàm mũ EMA  EMA có phần khác so với trung bình di động giản đơn ở chỗ EMA sẽ thiết lập các trọng số cao hơn  đối với các mức giá gần đây nhất. Mức trọng số ứng với các mức giá gầy đây nhất sẽ phụ thuộc vào  độ dài khoảng thời gian được sử dụng để tính toán chỉ báo này.  Bình quân di động theo hàm mũ sẽ được tính toán qua ba bước, trước hết là tính toán trung bình di  động giản đơn và đây sẽ là điểm khởi đầu của chuỗi trung bình di động theo hàm mũ. Tiếp đó sẽ là  việc tính toán trọng số cho mức giá gần nhất và cuối cùng là tính toán trung bình di động theo hàm  mũ.  Cuối cùng, trung bình di động hàm mũ được thực hiện theo công thức sau: 177  Với: EMA là trung bình di động hàm mũ.  α là tỷ trọng của giá trị gần nhất trong chuỗi dữ liệu, được xác định bằng:  Ci là giá trị của chuỗi dữ liệu (i = 1, 2, …, n) với i = 1 là giá trị gần nhất và I = n là giá trị xa nhất.  Đường trung bình di động hội tụ và phân kỳ (Moving Average Convergence Divergence ­ MACD)  Được xây dựng bởi Gerald Appel vào cuối những năm 1970 và là một trong những chỉ báo đơn giản  được sử dụng phổ biến nhất. Thông qua MACD, chỉ báo trung bình di động đã được chuyển thành  chỉ báo dao động xu lượng bằng cách lấy hiệu số của đường trung bình di động dài hạn (thường là  26  ngày)  với  đường  trung  bình  di  động  ngắn  hạn  (thường  là  12  ngày).  Sự  dao  động  của  đường  MACD lên trên và dưới mức không sẽ cho thấy sự hội tụ, phân kỳ hoặc giao nhau của hai đường  bình quân di động. Cụ thể, MACD được tính toán theo công thức:  Chỉ báo cường độ tương đối (Relative Strength Index ­ RSI)  Chỉ báo  cường độ  tương đối RSI  là  chỉ  báo  thuộc  nhóm Oscillator,  được xây dựng bởi  J. Welles  Wilder  lần đầu  vào  năm 1978 dựa  trên  sự  chênh  lệch giữa  trung bình  của  các  kỳ  tăng giá  so  với  trung bình các kỳ giảm giá trong một khoảng thời gian xác định. Chỉ số này sẽ so sánh mức độ của  các lần tăng giá gần đây với các lần giảm giá tương ứng. RSI được tính theo công thức sau:  Với: RSI là chỉ báo cường độ tương đối (Relative strength index)  RS là cường độ tương đối, được tính bằng trung bình mức tăng trong giá đóng cửa của n ngày chia  cho trung bình mức giảm trong giá đóng cửa của n ngày đó.  Chỉ báo dòng tiền (Money Flow Index ­ MFI)  Chỉ báo dòng tiền MFI là chỉ số động lượng (momentum indicator) Nó liên quan mật thiết với RSI  trong cả cách diễn đạt lẫn tính toán. Tuy nhiên, chỉ báo này có điểm hơn so với RSI ở chỗ nó có đưa  thêm vào thành phần khối lượng giao dịch của mỗi kỳ. Vì vậy, MFI trở thành một công cụ tốt để đo  lường dòng tiền vào và ra thị trường của mỗi chứng khoán. Có thể nói nếu RSI kết hợp chặt chẽ với  đường giá thì MFI được xem là đường khối lượng. 178  MFI được thực hiện bằng cách so sánh “dòng tiền dương” với “dòng tiền âm” để từ đó hình thành  nên một chỉ báo có thể đem so sánh với giá, nhằm xác định độ mạnh hoặc yếu của xu hướng hiện tại.  Tương tự như RSI, chỉ báo này được thiết lập trong khoảng từ 0 đến 100 và thường được tính trong  khoảng thời gian 14 kỳ.  Chỉ số MFI được tính như sau: ·  Tính giá điển hình (Typical price ­ TP): ·  Dòng tiền (Money flow): ·  Nếu  giá điển  hình  hôm  nay  lớn  hơn  giá điển  hình  hôm  qua  thì  nó  được  gọi  là  dòng  tiền  dương  (positive  money  flow).  Còn  nếu  thấp  hơn  thì  được  gọi  là  dòng  tiền  âm  (negative  money flow). ·  Tỷ số dòng tiền (Money Ration ­ MF): ·  Chỉ báo dòng tiền (Money flow index MFI):  Chỉ báo kênh hàng hóa (Commodity Channel Index ­ CCI)  CCI được xây dựng bởi Donald Lambert dùng để đo lường sự chênh lệch của giá một chứng khoán  nào đó với mức trung bình của nó. Khi chỉ báo này ở mức cao hoặc thấp sẽ cho thấy sự chênh lệnh  bất  thường của giá so với mức  trung bình  của nó. Không như  tên gọi vốn  có,  chỉ báo CCI  có  thể  được sử dụng với bất cứ loại chứng khoán nào, không chỉ là các loại hàng hóa. Cụ thể, có bốn bước  để tính CCI: ·  Tính giá điển hình (Typical price ­ TP): ·  Tính trung bình di động giản đơn của giá điển hình trong chu kỳ tính toán (Simple Moving  Average of Typical Price ­ SMATP). Ví dụ với chu kỳ 20 ngày thì tính SMATP (20). 179  ·  Tính  độ  lệch  trung  bình  (Mean Deviation)  giữa TP  và  SMATP  20  ngày:  Tìm  chênh  lệch  giữa SMATP kỳ cuối cùng và TP cho mỗi giai đoạn của 20 ngày trước đó. Sau đó, tính tổng  các khoảng chênh lệch này và chia cho 20 để tìm ra độ lệch giữa TP và SMATP. ·  Cuối cùng kết hợp TP, SMATP, độ lệch trung bình và hệ số 0.015 theo công thức dưới đây  để có CCI:  Chỉ báo dao động ngẫu nhiên (Stochastic Oscillator – K% và D%)  Chỉ báo dao động ngẫu nhiên được xây dựng để đo lường mối liên hệ giữa hiệu số của giá đóng cửa  hiện tại và giá thấp nhất so với giá cao nhất trong mỗi khoảng thời gian nhất định, được thể hiện qua  công thức sau:  Theo đó, giá trị K% sẽ cho biết mức giá đóng cửa hiện tại nằm ở vị trí nào trong khoảng giá cao nhất  và thấp nhất của thời kỳ đang xem xét. Giá trị K% tiến đến không sẽ cho thấy rằng giá đóng cửa hiện  tại đang ở gần mức giá thấp nhất và ngược lại giá trị K% bằng 100 đồng nghĩa với việc giá đóng cửa  hiện tại đang ở mức cao nhất trong khoảng thời gian đó.

Các file đính kèm theo tài liệu này:

  • pdfNV887427.pdf
Tài liệu liên quan