Đề tài Vai trò dẫn dắt tỷ suất sinh lợi của Mỹ và Trung Quốc đối với các quốc gia Đông Nam Á

115 trang yendo 5540

Download

Bạn đang xem 20 trang mẫu của tài liệu "Đề tài Vai trò dẫn dắt tỷ suất sinh lợi của Mỹ và Trung Quốc đối với các quốc gia Đông Nam Á", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên

Tài liệu đính kèm:

de_tai_vai_tro_dan_dat_ty_suat_sinh_loi_cua_my_va_trung_quoc.pdf

Nội dung text: Đề tài Vai trò dẫn dắt tỷ suất sinh lợi của Mỹ và Trung Quốc đối với các quốc gia Đông Nam Á

Trang i Mã số: 107 VAI TRÒ DẪN DẮT TỶ SUẤT SINH LỢI CỦA MỸ VÀ TRUNG QUỐC ĐỐI VỚI CÁC QUỐC GIA ĐÔNG NAM Á
Trang i LỜI MỞ ĐẦU Dự báo tỷ suất sinh lợi là một trong những mối quan tâm hàng đầu của giới đầu tư. Tính cho đến nay, đã có rất nhiều bài nghiên cứu về khả năng dự báo tỷ suất sinh lợi của các mô hình định giá tài sản cũng như của các chỉ báo kinh tế quốc gia. Tuy nhiên, những bài nghiên cứu về một chỉ báo dự đoán tỷ suất sinh lợi mới là tỷ suất sinh lợi lấy trễ của Mỹ thì vẫn còn rất ít, đặc biệt nghiên cứu vai trò dẫn dắt tỷ suất sinh lợi của Mỹ đối với các quốc gia Đông Nam Á thì gần như chưa có. Ngoài ra, nói đến Đông Nam Á thì phải nói đến một cường quốc kinh tế láng giềng đó là Trung Quốc. Do đó, với bộ dữ liệu các chỉ số chứng khoán quốc gia của Mỹ, Trung Quốc và sáu quốc gia Đông Nam Á (Việt Nam, Thái Lan, Phillipines, Malaysia, Singapore, Indonesia) trong giai đoạn 2007-2013, bài nghiên cứu xem xét vai trò dẫn dắt tỷ suất sinh lợi của Mỹ và Trung Quốc đối với các quốc gia Đông Nam Á. Kết quả nghiên cứu phát hiện ra rằng có bằng chứng cho thấy Mỹ thể hiện vai trò dẫn dắt tỷ suất sinh lợi đối với hầu hết các quốc gia Đông Nam Á (trừ Phillipines và Singapore), nhưng kết quả nghiên cứu này không bền vững khi kiểm định qua nhiều phương pháp và các bộ dữ liệu khác nhau. Tuy nhiên, bằng chứng về vai trò dẫn dắt tỷ suất sinh lợi của Mỹ đối với Việt Nam thì lại tương đối bền vững khi kiểm định bằng nhiều mô hình và các bộ dữ liệu khác nhau. Còn đối với trường hợp của Trung Quốc thì không tìm thấy những bằng chứng vững chắc cho thấy Trung Quốc thể hiện vai trò dẫn dắt đối với bất kỳ quốc gia Đông Nam Á nào. Bên cạnh đó, tỷ suất sinh lợi của các quốc gia Đông Nam Á thể hiện khả năng dự đoán giới hạn tỷ suất sinh lợi của Mỹ và tỷ suất sinh lợi của từng quốc gia Đông Nam Á thể hiện khả năng dự đoán tỷ suất sinh lợi giới hạn đối với nhau. Khi ước lượng mô hình khuếch tán thông tin, kết quả trên cả hai bộ dữ liệu đều cho thấy các cú sốc tỷ suất sinh lợi của Mỹ được phản ánh hoàn toàn trong giá cổ phiếu của các quốc gia Đông Nam Á (trừ Phillipines). Trường hợp của Trung Quốc thì cho thấy các nước Đông Nam Á có liên kết kinh tế chặt chẽ với Trung Quốc, nhưng tìm thấy bằng chứng rất yếu cho thấy tỷ suất sinh lợi của Trung Quốc thể hiện sự khuếch tán thông tin sang các nước Đông Nam Á. Do đó, hầu như không tìm thấy bằng chứng cho thấy các cú sốc tỷ suất sinh lợi nảy sinh ở Trung Quốc tác động đến tỷ suất sinh lợi của các quốc gia Đông Nam Á.
Trang ii MỤC LỤC 1. GIỚI THIỆU: 1 2. TỔNG QUAN NGHIÊN CỨU: 8 2.1. Khung lý thuyết: 8 2.1.1. Sai lệch Stambaugh: 8 2.1.2. Chu trình wild bootstrap: 10 2.1.3. Phương pháp GMM (Generalized method of moments): 13 2.2. Các bằng chứng thực nghiệm trước đây: 16 2.2.1. Khả năng dự báo tỷ suất sinh lợi: 16 2.2.2. Mối quan hệ giữa sự khuếch tán thông tin và tác động dẫn dắt trễ: 19 2.3. Khung phân tích: 22 3. PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU: 24 3.1. Phương pháp nghiên cứu: 24 3.1.1. Mô hình hồi quy dự báo tiêu chuẩn: 24 3.1.2. Mô hình khả năng dự báo của tỷ suất sinh lợi quốc tế lấy trễ: 26 3.1.3. Mô hình khuếch tán thông tin: 28 3.1.4. Mô hình dự báo ngoài mẫu: 33 3.2. Dữ liệu: 35 3.2.1. Tỷ suất sinh lợi thặng dư hàng tuần: 37 3.2.2. Các biến kinh tế quốc gia: 39 4. KẾT QUẢ NGHIÊN CỨU: 50 4.1. Mô hình hồi quy dự báo tiêu chuẩn: 50 4.1.1. Mô hình hồi quy dự báo tiêu chuẩn dựa trên các biến số kinh tế của từng quốc gia: 50 4.1.2. Mô hình hồi quy dự báo tiêu chuẩn dựa trên các biến số kinh tế của Mỹ và Trung Quốc: 53 4.2. Mô hình khả năng dự đoán của tỷ suất sinh lợi quốc tế lấy trễ: 57 4.2.1. Kiểm định nhân quả Granger theo cặp: 57 4.2.2. Mô hình tổng quát: 63 4.3. Mô hình khuếch tán thông tin: 64 4.4. Mô hình dự báo ngoài mẫu: 69
Trang iii 5. THẢO LUẬN KẾT QUẢ NGHIÊN CỨU: 72 5.1. Tóm lược các kết quả thực nghiệm: 72 5.2. Hàm ý từ bài nghiên cứu: 75 5.2.1. Khía cạnh vĩ mô: 75 5.2.2. Khía cạnh nhà đầu tư quốc tế đối với thị trường chứng khoán Việt Nam: 76 5.3. Một số hạn chế nghiên cứu và đề xuất hướng nghiên cứu trong tương lai: 76 6. KẾT LUẬN 78
Trang iv DANH MỤC TỪ VIẾT TẮT MM: method of moment GMM: general method of moments GFD: Global Financial Data MSCI: Morgan Stanley Capital International AR (first-order autoregressive model): mô hình tự hồi quy bậc nhất HR (historical average regression): hồi quy dựa trên trung bình lịch sử PR (benchmark predictive regression): mô hình hồi quy dự báo tiêu chuẩn MSFE (mean-squared forecast error): giá trị sai số dự báo bình phương trung bình IV (Instrumental variables): phương pháp biến công cụ 2SLS (Two-stage least-squares): phương pháp ước lượng bình phương nhỏ nhất hai giai đoạn mARM (multipredictor augmented regression method): phương pháp hồi quy đa biến cải tiến
Trang v DANH MỤC BẢNG Bảng 1: Thống kê tổng hợp tỷ suất sinh lợi thặng dư của các chỉ số chứng khoán quốc gia theo tuần trong giai đoạn từ 06/2007 đến 06/2013: 38 Bảng 2: Kết quả ước lượng mô hình hồi quy dự báo tiêu chuẩn, 2007:06 đến 2013:06 50 Bảng 3: Các kết quả ước lượng mô hình hồi quy dự báo dựa trên các nhân tố dự báo của Mỹ, 2007:06 đến 2013:06 53 Bảng 4: Các kết quả ước lượng mô hình hồi quy dự báo dựa trên các nhân tố dự báo của Trung Quốc, 2007:06 đến 2013:06 54 Bảng 5: Kết quả ước lượng mARM mô hình hồi quy dự báo tiêu chuẩn, 2007:06 đến 2013:06 56 Bảng 6: Kết quả kiểm định quan hệ nhân quả Granger theo cặp, từ 2007:06 đến 2013:06 58 Bảng 7: Kết quả kiểm định nhân quả Granger theo cặp kiểm soát các biến kinh tế bổ sung, 2007:06-2013:06 60 Bảng 8: Kết quả ước lượng cho mô hình hồi quy gộp, từ 2007:06 đến 2013:06 63 Bảng 9: Kết quả ước lượng tham số trong mô hình khuếch tán thông tin của Mỹ, từ 2007:06 đến 2013:06 65 Bảng 10: Kết quả ước lượng tham số trong mô hình khuếch tán thông tin của Trung Quốc, từ 2007:06 đến 2013:06 67 Bảng 11: Khả năng dự báo ngoài mẫu của tỷ suất sinh lợi lấy trễ của Mỹ, từ 2007:06 đến 2013:06 69 Bảng 12: Khả năng dự báo ngoài mẫu của tỷ suất sinh lợi lấy trễ của Trung Quốc, từ 2007:06 đến 2013:06 71
Trang 1 1. GIỚI THIỆU: Hiện nay, Mỹ vẫn là quốc gia thống trị nền kinh tế toàn cầu. Có rất nhiều lý do để Mỹ giữ vị trí thống trị này, chẳng hạn như: Mỹ có nền kinh tế lớn nhất và hiệu quả nhất thế giới với vai trò nhà sản xuất lớn nhất thế giới, chiếm 1/5 tổng sản lượng quốc nội (GDP) toàn cầu. Đồng thời, Mỹ cũng dẫn đầu thế giới về sản xuất hàng hóa và Mỹ cũng là một trong những nước xuất khẩu hàng hóa và dịch vụ lớn nhất thế giới, một trong những nền kinh tế cạnh tranh nhất. Sự thống trị nền kinh tế toàn cầu của Mỹ càng được củng cố khi Mỹ có những thương hiệu hàng đầu thế giới (năm 2013, 9 trong 10 thương hiệu hàng đầu thế giới là của Mỹ), có trữ lượng dầu mỏ lớn nhất thế giới (theo báo cáo nghiên cứu của Cơ quan Năng lượng Quốc tế (IEA), Mỹ sẽ qua mặt Ả Rập Xê Út để trở thành nước sản xuất dầu lớn nhất thế giới vào năm 2017 và là nhà xuất khẩu dầu lớn nhất thế giới vào năm 2020), có những trường đại học tốt nhất thế giới (6 trong số 10 trường đại học tốt nhất thế giới trong năm 2012 đều có xuất xứ từ Mỹ, theo đánh giá của công ty chuyên về giáo dục và du học Quacquarelli Symonds (Anh)) và dẫn đầu thế giới về công nghệ (theo như nghiên cứu của US Trust, Mỹ vẫn là nhà của các trang mạng xã hội hàng đầu thế giới, đồng thời vượt xa các nước khác về lượng tiền chi tiêu cho phát triển công nghệ). Mặc dù cuộc khủng hoảng kinh tế thế giới 2008 nổ ra làm cho nền kinh kinh tế Mỹ điêu đứng nhưng Mỹ vẫn là nền kinh tế hàng đầu vì nhà đầu tư nước ngoài vẫn thích đổ tiền vào Mỹ và đồng đô la Mỹ vẫn là đồng tiền vua với khoảng 60% dự trữ tiền tệ trên toàn cầu đã được đầu tư vào đồng đô la Mỹ. Qua đó, có thể thấy sự thống trị của nền kinh tế Mỹ trên thế giới và tác động mạnh mẽ của nền kinh tế Mỹ đồi với phần còn lại của thế giới. Cạnh tranh gay gắt và tranh đua vị trí thống trị thế giới với Mỹ là Trung Quốc. Từ năm 2010, Trung Quốc đã được xếp là quốc gia có nền kinh tế lớn thứ hai trên thế giới sau Hoa Kỳ. Đồng thời, Trung Quốc được đánh giá là quốc gia có tốc độ tăng trưởng kinh tế nhanh nhất thế giới. Hiện Trung Quốc là quốc gia xuất khẩu hàng hóa nhiều nhất thế giới và nhập khẩu của Trung Quốc cũng được xếp thứ hai. Sức mạnh của nền kinh tế Trung Quốc càng được khẳng định khi mặc dù Trung Quốc chỉ chiếm có 4% GDP toàn thế giới, nhưng lại tiêu thụ tới 19% sản lượng dầu mỏ, 21% sản lượng xi măng và gần 30% sản lượng thép toàn thế giới Bên cạnh đó, với môi trường kinh
Trang 2 doanh tốt hơn nên việc thu hút đầu tư nước ngoài của Trung Quốc ngày càng mạnh mẽ với việc Trung Quốc đã giành được vị trí đối tác thương mại lớn nhất của 126 quốc gia trên thế giới và đối tác thương mại lớn thứ hai của 79 nước khác. Còn về khía cạnh tài chính, nếu như trước đó vào năm 2010, đồng Nhân Dân Tệ mới chỉ đứng thứ 17 trong số các đồng tiền được giao dịch nhiều nhất thì trong năm 2013, theo báo cáo mới nhất của Ngân hàng Thanh toán quốc tế (BIS), đồng Nhân Dân Tệ của Trung Quốc đã vượt đồng Krona của Thụy Điển và đồng đô la New Zealand để chiếm vị trí số 9 trên bản xếp hạng các đồng tiền được giao dịch nhiều nhất trên thế giới. Sự kiện này cũng đánh dấu cho sự trỗi dậy của siêu cường kinh tế số hai thế giới là Trung Quốc, khẳng định tầm quan trọng của nền kinh tế nước này đối với kinh tế toàn cầu. Vì vậy, có thể thấy tầm ảnh hưởng của nền kinh tế Trung Quốc đang ngày càng được mở rộng và bao phủ với mật độ lớn hơn. Vậy sự phát triển của hai nền kinh tế lớn nhất nhì thế giới (Mỹ, Trung Quốc) đã tác động như thế nào đến khu vưc Đông Nam Á? Khu vực Đông Nam Á nổi lên là một khu vực chiến lược về kinh tế và cũng là một địa bàn cạnh tranh chiến lược giữa nhiều cường quốc. Khi nói đến khu vực Đông Nam Á , không thể không nói đến Hiệp hội các quốc gia Đông Nam Á (ASEAN) với mười nước thành viên, với tổng dân số 600 triệu người và tổng thu nhập quốc nội 2.310 tỷ USD, là điểm thu hút sự quan tâm hàng đầu của các cường quốc cũng như những trung tâm chính trị - kinh tế lớn trên thế giới. Vai trò trung tâm của ASEAN đã được ghi nhận qua một số thành tựu quan trọng trong lĩnh vực kinh tế và an ninh và ASEAN đã trở thành một động lực tăng trưởng cho nền kinh tế thế giới. Một Cộng đồng chung ASEAN được hình thành sẽ tạo "sân chơi" cho các quốc gia có cam kết chung hướng tới sự phát triển bền vững về kinh tế cũng như hòa bình, ổn định và thịnh vượng cho khu vực này. Tất cả các đối tác lớn của ASEAN, như Trung Quốc, Nhật Bản, Mỹ, Ấn Độ, Nga, Liên minh châu Âu (EU) đều đang thực hiện các chính sách hướng về khu vực Đông Nam Á với quy mô lớn, phù hợp với những biến động nhanh chóng của tình hình quốc tế và khu vực. Sự mở rộng quy mô tác động đến khu vực Động Nam Á của các cường quốc kinh tế thế giới có thể thấy rõ trong bốn năm qua, Trung Quốc trở thành đối tác thương mại lớn nhất của ASEAN trong khi ASEAN tiếp tục duy trì là đối tác thương
Trang 3 mại lớn thứ ba của Trung Quốc. Tại Mỹ, chính sách "chuyển trục" định hướng Đông Nam Á đang được tiến hành. Mỹ xác định khu vực Đông Nam Á như một công cụ phục vụ nền kinh tế Mỹ trong tương lai, do đó chiến lược xoay trục của Mỹ liên quan việc nước này sẽ trao quyền cho ASEAN góp phần xây dựng một cấu trúc kinh tế khu vực, duy trì sự thịnh vượng chung. Tổng kim ngạch thương mại giữa ASEAN và Mỹ đạt 198,8 tỷ USD năm 2011, đưa Mỹ trở thành đối tác thương mại lớn thứ tư của ASEAN và trong cùng kỳ Mỹ cũng là nhà đầu tư lớn thứ ba trong ASEAN với tổng vốn đầu tư hơn 5,8 tỷ USD. Qua đó cho thấy Mỹ đang quyết tâm tăng cường và củng cố vai trò lớn hơn tại khu vực châu Á. Từ những lập luận trên có thể thấy được sức mạnh kinh tế của Mỹ và Trung Quốc trên thế giới và sự ảnh hưởng của hai nền kinh tế này đối với khu vực Đông Nam Á. Tiếp theo là nói đến cuộc khủng hoàng kinh tế thế giới 2008, sự kiện kinh tế mang tính lịch sử bởi sự tác động nặng nề cũng như mang tính toàn cầu của nó. Xuất phát từ cuộc khủng hoảng tài chính của Mỹ và lan rộng toàn cầu, kéo theo sự sụp đổ hàng loạt của các định chế tài chính khổng lồ như Bear Stearns, Lehman Brothers, Merill Lynch hay sự điêu đứng của các hãng bảo hiểm AIG, Morgan Staley, thị trường chứng khoán thế giới điên đảo, lúc này người ta bắt đầu nghi ngờ về tính hiệu quả của các mô hình định giá tài sản cũng như các chỉ báo dự đoán tỷ suất sinh lợi, và bắt đầu đòi hỏi về một chỉ báo cũng như một mô hình mới hiệu quả hơn. Chứng kiến sức mạnh kinh tế của Mỹ và Trung Quốc trên thế giới và sự ảnh hưởng của hai nền kinh tế này đối với khu vực Đông Nam Á, ý tưởng về một chỉ báo dự đoán tỷ suất sinh lợi mới ra đời: tỷ suất sinh lợi chỉ số chứng khoán quốc gia của Mỹ và Trung Quốc. Tính cho đến nay, đã có nhiều bài nghiên cứu về khả năng dự báo tỷ suất sinh lợi, chẳng hạn như nghiên cứu của Keim và Stambaugh (1986) đề xuất việc dự báo tỷ suất sinh lợi thặng dư của bảy loại tài sản bằng ba biến số lấy trễ: chênh lệch lãi suất dài hạn và lãi suất ngắn hạn, tỷ số S&P 500 so với trung bình trượt 45 năm của chỉ số S&P 500, chỉ số chứng khoán của công ty nhỏ. Hầu hết các hệ số độ dốc đều có ý nghĩa thống kê, cho thấy phần bù rủi ro kỳ vọng của nhiều tài sản thay đổi theo thời gian một cách dự đoán được. Fama và French (1989) áp dụng một phương pháp tương tự, sử dụng hai biến dự báo dựa trên trái phiếu, đó là chênh lệch giữa lợi suất trái
Trang 4 phiếu chính phủ dài hạn và lợi suất trái phiếu doanh nghiệp dài hạn và chênh lệch giữa lãi suất ngắn hạn và lãi suất dài hạn. Tác giả nhận thấy rằng cả hai biến này đều có khả năng dự báo tỷ suất sinh lợi thặng dư của chứng khoán. Fama (1990) cho thấy rằng tỷ suất sinh lợi thặng dư của chứng khoán có thể được dự báo bởi sản lượng công nghiệp, sử dụng chuỗi giá trị thời gian theo tháng, theo quý và theo năm. Những nghiên cứu khác thì sử dụng tỷ số tài chính như các biến dự báo của tỷ suất sinh lợi chứng khoán. Fama và French (1984) cho rằng tỷ số cổ tức trên giá có một tác động có ý nghĩa lên tỷ suất sinh lợi chứng khoán, và Campell và Shiller (1988) nhận thấy rằng tỷ số cổ tức trên giá, cùng với tỷ lệ tăng trưởng của tỷ suất cổ tức, có khả năng dự báo ý nghĩa đối với tỷ suất sinh lợi chứng khoán. Tỷ số cổ tức trên giá cũng được sử dụng như là biến dự báo trong các bài nghiên cứu sau này, chẳng hạn như nghiên cứu của Hodrick (1992). Kothari và Shanken (1997) thêm tỷ số giá trị sổ sách so với giá trị thị trường như là một biến dự báo, và Lewellen (2003) nghiên cứu khả năng dự báo của tỷ số thu nhập trên giá, tỷ số cổ tức trên giá và tỷ lệ tăng trưởng của cổ tức. Theo như phương pháp kiểm định được phát triển trong bài nghiên cứu sau này, ba tỷ số này (tỷ số thu nhập trên giá, tỷ số cổ tức trên giá và tỷ lệ tăng trưởng của cổ tức) có khả năng dự báo mạnh hơn những dự báo trước đây. Ngoài ra, Pontiff và Schall (1998) cũng nhận thấy tỷ số giá trị sổ sách so với giá trị thị trường dự báo được tỷ suất sinh lợi chứng khoán. Những nhóm nghiên cứu về hồi quy dự báo khác sử dụng các biến rủi ro và thanh khoản. French, Schwert và Stambaugh (1987) sử dụng phương sai tỷ suất sinh lợi, mà thu được từ mô hình ARIMA, và Amihud (2002) và Jones (2002) sử dụng nhiều phương pháp đo lường độ thanh khoản của thị trường chứng khoán. Kết quả trong những bài nghiên cứu này nhìn chung cho thấy giá trị chuỗi thời gian của những biến số này dự báo một cách có ý nghĩa tỷ suất sinh lợi thặng dư của chứng khoán. Baker và Stein (2002) sử dụng tỷ lệ cổ phiếu mới phát hành cùng với tỷ số thanh khoản và tỷ số cổ tức trên giá để dự báo tỷ suất sinh lợi chứng khoán. Tuy nhiên, các bài nghiên cứu trên đây chủ yếu tập trung vào các chỉ báo kinh tế quốc gia cũng như các chỉ số tài chính, có rất ít bài nghiên cứu xem xét khả năng dự báo của tỷ suất sinh lợi lấy trễ của Mỹ và Trung Quốc. Do đó, từ những gợi ý trên, nhóm nghiên cứu đã phát triển đề tài: “Vai trò dẫn dắt tỷ suất sinh lợi của Mỹ và Trung Quốc đối với các quốc gia Đông Nam Á”.
Trang 5 Hướng đến mục tiêu nghiên cứu chính: Vai trò dẫn dắt tỷ suất sinh lợi của Mỹ và Trung Quốc đối với các quốc gia Đông Nam Á. Bài nghiên cứu tập trung trả lời các câu hỏi nghiên cứu: - Liệu có tồn tại mối quan hệ dẫn dắt trễ (lead-lag relationship) giữa các tỷ suất sinh lợi chỉ số chứng khoán quốc gia của Mỹ, Trung Quốc và các quốc gia Đông Nam Á? - Tỷ suất sinh lợi lấy trễ của Mỹ và Trung Quốc có dự đoán một cách ý nghĩa tỷ suất sinh lợi của các quốc gia Đông Nam Á hay không? Và ngược lại, tỷ suất sinh lợi lấy trễ của các quốc gia Đông Nam Á có thể hiện khả năng dự đoán một cách ý nghĩa tỷ suất sinh lợi của Mỹ và Trung Quốc không? - Các cú sốc tỷ suất sinh lợi của Mỹ và Trung Quốc được phản ánh như thế nào trong giá chỉ số chứng khoán quốc gia của các nước Đông Nam Á thông qua mô hình khuếch tán thông tin? - Liệu các mô hình hồi quy mà sử dụng tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc có thể hiện khả năng dự báo tốt hơn mô hình dự báo khác không ? Từ thông tin thu thập được của FTSE về các chỉ số chứng khoán quốc gia của Mỹ, Trung Quốc và sáu quốc giá Đông Nam Á (Việt Nam, Singapore, Thái Lan, Phillipines, Indonesia, Malaysia), nhóm nghiên cứu tiến hành thu thập các dữ liệu cần thiết từ tháng 6/2007 đến tháng 6/2013. Sau đó nhóm nghiên cứu tiến hành xây dựng các biến số cần thiết theo tuần, bao gồm: (1) tỷ suất sinh lợi thặng dư của chỉ số chứng khoán quốc gia (2) lãi suất T-bill 3 tháng, (3) tỷ suất cổ tức, (4) tỷ lệ lạm phát, (5) sản lượng công nghiệp, (6) tỷ giá hối đoái, (7) chênh lệch giữa lãi suất ngắn hạn và lãi suất dài hạn. Dựa trên các biến số chính trên đây, đầu tiên, bài nghiên cứu sử dụng phương pháp hồi quy OLS thông thường, tuy nhiên gặp phải vấn đề kinh tế lượng là sai lệch Stambaugh, do đó nhóm nghiên cứu sử dụng chu trình wild bootstrap để kiểm soát sai lệch này. Sau đó, nhóm tiến hành kiểm định nhân quả Granger theo cặp để nghiên cứu mối quan hệ dẫn dắt trễ. Ngoài ra, để xem xét các cú sốc tỷ suất sinh lợi của Mỹ và Trung Quốc được phản ánh như thế nào trong giá chỉ số chứng khoán quốc gia của các nước Đông Nam Á, nhóm tiếp tục ước lượng một mô hình khuếch tán thông tin
Trang 6 (new diffusion model) thông qua chu trình GMM (general method of moments). Từ đó, kết quả nghiên cứu cho thấy: - Có bằng chứng cho thấy Mỹ thể hiện vai trò dẫn dắt tỷ suất sinh lợi đối với hầu hết các quốc gia Đông Nam Á (trừ Phillipines và Singapore), nhưng kết quả nghiên cứu này không bền vững vì khi tiến hành thực hiện nhiều phương pháp kiểm định khác nhau cũng như sử dụng các bộ dữ liệu khác nhau, thì kết quả thể hiện chưa thực sự đồng nhất. Tuy nhiên, bằng chứng về vai trò dẫn dắt tỷ suất sinh lợi của Mỹ đối với Việt Nam thì lại tương đối bền vững, dù cho có kiểm định qua nhiều mô hình và các bộ dữ liệu khác nhau. Còn đối với việc nghiên cứu xem liệu có tồn tại mối quan hệ dẫn dắt giữa tỷ suất sinh lợi lấy trễ của Trung Quốc và tỷ suất sinh lợi chỉ số chứng khoán quốc gia của các nước Đông Nam Á không, thì sau khi kiểm định qua nhiều mô hình cũng như nhiều bộ dữ liệu khác nhau vẫn không tìm thấy những bằng chứng vững chắc cho thấy Trung Quốc thể hiện vai trò dẫn dắt đối với bất kỳ quốc gia Đông Nam Á nào. Bên cạnh đó, tỷ suất sinh lợi lấy trễ của các quốc gia Đông Nam Á thể hiện khả năng dự đoán giới hạn tỷ suất sinh lợi của Mỹ và tỷ suất sinh lợi lấy trễ của từng quốc gia Đông Nam Á thể hiện khả năng dự đoán tỷ suất sinh lợi giới hạn đối với nhau. - Khi ước lượng mô hình khuếch tán thông tin, kết quả trên cả hai bộ dữ liệu đều cho thấy các cú sốc tỷ suất sinh lợi của Mỹ được phản ánh hoàn toàn trong giá chỉ số chứng khoán quốc gia của các nước Đông Nam Á (trừ Phillipines). Kết quả kiểm định tác động của các cú sốc tỷ suất sinh lợi của Mỹ đối với thị trường chứng khoán Phillipines đều bị bác bỏ một cách bền vững, khẳng định rằng Phillipines độc lập với các của sốc tỷ suất sinh lợi của Mỹ. Còn đối với Trung Quốc, bằng chứng kiểm định trên hai bộ dữ liệu đều cho thấy các nước Đông Nam Á có liên kết kinh tế chặt chẽ với Trung Quốc, và tìm thấy bằng chứng rất yếu cho thấy tỷ suất sinh lợi của Trung Quốc thể hiện sự khuếch tán thông tin sang các nước Đông Nam Á. Do đó, với kết quả kiểm định cho thấy hầu như không tìm thấy bằng chứng cho thấy các cú sốc tỷ suất sinh lợi nảy sinh ở Trung Quốc tác động đến tỷ suất sinh lợi của các quốc gia Đông Nam Á.
Trang 7 - Ngoài ra, bằng chứng về khả năng dự báo của tỷ suất sinh lợi lấy trễ của Mỹ đối với tỷ suất sinh lợi chứng khoán quốc gia của Việt Nam càng được củng cố khi tiến hành so sánh khả năng dự báo của mô hình dự báo trên tỷ suất sinh lợi lấy trễ của Mỹ với các mô hình dự báo khác thì mô hình dự báo trên tỷ suất sinh lợi lấy trễ của Mỹ luôn thể hiện khả năng dự báo tốt hơn đối với Việt Nam. Qua đó có thể thấy tỷ suất sinh lợi lấy trễ của Mỹ là một chỉ báo dự đoán tiềm năng đối với tỷ suất sinh lợi chỉ số chứng khoán quốc gia của Việt Nam. Phần tiếp theo của bài nghiên cứu sẽ bao gồm các phần sau: - Phần 2 phân tích cụ thể khung lý thuyết kinh tế lượng bao gồm sai lệch Stambaugh phát sinh trong quá trình hồi quy dự báo tiêu chuẩn, từ đó tổng quan về cách khắc phục sai lệch này bằng chu trình wild bootstrap, cuối cùng là khái quát về chu trình GMM khi nghiên cứu về sự khuếch tán thông tin. Ngoài ra, nêu lên các bằng chứng thực nghiệm về các mô hình và các chỉ báo dự đoán tỷ suất sinh lợi, cũng như các những phát hiện trước đây về mối quan hệ giữa sự khuếch tán thông tin và tác động dẫn dắt trễ. - Phần 3 trình bày phương pháp nghiên cứu, nguồn dữ liệu và mô tả chi tiết các chỉ số chứng khoán quốc gia của Mỹ, Trung Quốc và các quốc gia Đông Nam Á. - Phần 4 trình bày các kết quả nghiên cứu thực nghiệm của Mỹ, Trung Quốc và các quốc gia Đông Nam Á trong giai đoạn từ tháng 6/2007 đến tháng 6/2013 thông qua hồi quy OLS có tính đến sai lệch Stambaugh, phân tích nhân quả Granger cùng với mô hình GMM. - Phần 5 nêu các tranh luận liên quan, các hạn chế của bài nghiên cứu và nhấn mạnh hàm ý từ kết quả nghiên cứu đến các quốc gia Đông Nam Á cũng như Mỹ và Trung Quốc - Phần 6 kết luận và tóm gọn các kết quả nghiên cứu chính.
Trang 8 2. TỔNG QUAN NGHIÊN CỨU: 2.1. Khung lý thuyết: 2.1.1. Sai lệch Stambaugh: Trong nghiên cứu kinh tế và tài chính rất thường hay gặp các mô hình hồi quy chuỗi thời gian trong đó các biến độc lập thường được “xác định trước” (chẳng hạn như lấy trễ) so với các biến phụ thuộc, do đó vì tính chất này mà làm cho mô hình xuất hiện một loại sai lệch, được gọi là sai lệch Stambaugh. Sai lệch Stambaugh có thể hiểu có một cách khái quát như sau: đây là sai lệch xuất hiện trong quá trình hồi quy với một biến hồi quy ngẫu nhiên lấy trễ. Biến hồi quy này tuân theo một quá trình hồi quy bậc một và mô hình hồi quy bậc nhất của biến hồi quy này thì có thành phần nhiễu tương quan với thành phần nhiễu của mô hình hồi quy ban đầu. Một trong những ví dụ điển hình nhất mà thường xuất hiện loại sai lệch này là những mô hình hồi quy tỷ suất sinh lợi thặng dư của danh mục đầu tư các chứng khoán với các biến hồi quy ngẫu nhiên lấy trễ như là tỷ suất cổ tức, tỷ số giá trị thị trường chia cho giá trị sổ sách hay lãi suất danh nghĩa. Để hiểu kỹ hơn, chúng ta xem xét một mô hình hồi quy tổng quát sau: 푡+1 = 훼 + 훽 푡 + 푡+1, 푡 = 1, , , (1) Trong đó 푡+1 thường là tỷ suất sinh lợi của tài sản và 푡 là thường một biến từ tập hợp thông tin có sẵn mà các nhà đầu tư có thể quan sát và thu thập được trước khi tỷ suất sinh lợi được công bố. Ngoài ra, 푡 là một biến ngẫu nhiên và có thể tương quan với thành phần nhiễu của mô hình hồi quy. Ví dụ, giả sử 푡+1 là tỷ suất sinh lợi thặng dư của danh mục đầu tư chứng khoán trong tháng t+1, và giả sử 푡 là tỷ suất cổ tức được quan sát tại thời điểm t. Nếu 푡 phụ thuộc vào giá tài sản cuối giai đoạn t, thì giá trị của biến x vào cuối giai đoạn t+1 sẽ phản ánh sự thay đổi của giá tài sản ( 푡+1) trong suốt giai đoạn t+1, do đó trong một mô hình hồi quy như vậy, 푡 thì tương quan với 푡+1, hoặc ( | ) ≠ 0, (2) ′ trong đó = [ 1, , +1]′ và = [ 1, , ] .
Trang 9 Điều kiện trong phương trình (2) thường dẫn đến sai lệch mẫu hữu hạn đối với giá trị ước lượng OLS của 훽 (và 훼). Vấn đề sai lệch mẫu hữu hạn phát sinh trong phương trình (1) cùng với các tính chất bổ sung như sau: 푡+1 = 휇 + 𝜌 푡 + 푣푡+1, 푡 = 0, , , (3) ′ trong đó 푣 = [푣1, , 푣 ] . Từ phương trình (3) có thể thấy khi 𝜌 càng lớn, đối với một sự tương quan nhất định giữa 푡+1 và 푣푡+1, thì sự tương quan giữa 푡 và 푡+1 càng lớn. ̂ Đối với việc xác định 푡+1 ở trên thì việc có được sai lệch của hệ số ước lượng 훽 thì khá đơn giản. Cho 𝜌̂ biểu thị giá trị ước lượng OLS của 𝜌 trong phương trình (3). Lúc này sai lệch của hệ số ước lượng 훽̂ được tính như sau: Định lý: ̂ 휎푈 (훽 − 훽) = 2 (𝜌̂ − 𝜌) (4) 휎 Nhìn chung, 𝜌̂ bị sai lệch trong các mẫu hữu hạn. Từ phương trình (4), 𝜌̂ bị sai lệch xuống (lên) nếu sự tương quan giữa 푡+1 và 푣푡+1 là dương (âm). Khi sự tương quan giữa 푡+1 và 푣푡+1 tăng, thì sai lệch tăng. Ngoài ra, từ sự suy luận trên có thể đưa ra kết 2 quả là (훼̂ − 훼) = (𝜎푈 ⁄𝜎 ). (휇̂ − 휇). Từ việc xác định được sai lệch của hệ số hồi quy, thì tiếp theo cần xem xét thống kê t bị lệch lạc như thế nào khi xuất hiện sự tương quan giữa 푡+1 và 푣푡+1, mà được biểu thị bởi 훾. Khi 𝜌 hay 훾 lớn (gần bằng 1), thì phân phối thống kê t khác biệt đáng kể với phân phối (chuẩn) tiệm cận. Nhìn chung, khi 훾 dương, thì thống kê t bị sai lệch xuống và hơi lệch về bên trái, và ngược lại khi 훾 âm. Tóm lại, trong các mô hình hồi quy chuỗi thời gian, khi tiến hành hồi quy với một biến hồi quy ngẫu nhiên lấy trễ, thì thành phần nhiễu của mô hình hồi quy sẽ tương quan với thành phần nhiễu của biến hồi quy, trong đó biến hồi quy tuân theo một quá trình hồi quy bậc một, thì lúc này làm xuất hiện sai lệch mẫu hữu hạn. Khi sự tương quan này là dương (âm), thì thống kê t và hệ số độ dốc của phương thức ước lượng bị lệch xuống (lệch lên). Đồng thời sai lệch trong hệ số độ dốc OLS tỷ lệ thuận với sai lệch của hệ số tự tương quan được ước lượng của biến hồi quy. Ngày nay, để có thể
Trang 10 kiểm soát sai lệch này, nhiều nhà nghiên cứu đã sử dụng một thủ thuật gọi là chu trình wild bootstrap. 2.1.2. Chu trình wild bootstrap: Như đã biết thì phương pháp bootstrap là tập hợp một số kỹ thuật phân tích dựa vào nguyên lý chọn mẫu có hoàn lại để ước tính các thông số thống kê mà thống kê thông thường không giải thích được. Phương pháp bootstrap do nhà thống kê học Bradley Efron thuộc đại học Stanford (Mĩ) phát triển từ cuối thập niên 1979 nhưng đến khi máy tính được sử dụng phổ biến thì phương pháp này mới trở thành phương pháp phổ biến trong phân tích thống kê và được ứng dụng rộng rãi trong rất nhiều lĩnh vực khoa học. Phương pháp boostrap được xem là phương pháp chuẩn trong phân tích thống kê và đã làm nên một cuộc cách mạng trong thống kê vì nó giải quyết được nhiều vấn đề mà trước đây tưởng như không giải quyết được. Tư tưởng chính của phương pháp bootstrap được thể hiện như sau: Phương pháp bootstrap là phương pháp lấy mẫu có hoàn lại, nghĩa là một quan sát có thể xuất hiện nhiều lần trong mỗi lần lấy mẫu. Các quan sát có thể được lặp lại trong mẫu và đây là đặc trưng của phương pháp bootstrap. Nếu như tư tưởng chính của boostrap rất đơn giản là lấy mẫu hoàn lại, vậy tại sao cần dùng phương pháp bootstrap? Trong thực tế, từ một mẫu ta chỉ có thể có được một số trung bình của mẫu, ta không biết được khoảng tin cậy cho số trung bình này hoặc không biết được phân bố của số trung bình ra sao. Thêm vào đó thực tế ta không biết được hàm phân bố của tổng thể nên việc ước lượng các tham số đặc trưng thống kê rất khó khăn và thiếu chính xác. Phương pháp bootstrap có thể cung cấp nhiều thông tin chi tiết hơn về phân phối của số trung bình, khoảng tin cậy cũng như xác suất của số trung bình dựa trên một mẫu duy nhất. Sử dụng phương pháp bootstrap, ta không cần biết phân phối thực sự của tổng thể vì trên thực tế cũng rất khó để biết được, chỉ với một mẫu dữ liệu ban đầu, thông qua phương pháp lấy mẫu có hoàn lại, ta có thể sinh ra nhiều mẫu mới theo yêu cầu nghiên cứu, từ đó ta có thể ước lượng được các tham số đặc trưng của nghiên cứu thống kê như (khoảng tin cậy, phương sai, độ lêch chuẩn, ). Ý tưởng chìa khóa để làm nên thành công của phương pháp Bootstrap là “đối xử với mẫu như là tổng thể” cùng với phương pháp lấy mẫu có hoàn lại.
Trang 11 Với ý tưởng “đối xử với mẫu như là tổng thể” này của phương pháp bootstrap đã được nhiều nhà nghiên cứu kinh tế và tài chính phát triển để có thể cho ra đời các phương pháp mà khắc phục những hạn chế trong hồi quy, một trong những phương pháp mà nhóm đã áp dụng cho bài nghiên cứu này là phương pháp wild bootstrap. Trong bài nghiên cứu của nhóm, khi phân tích khả năng dự báo tỷ suất sinh lợi, về cơ bản nhóm sử dụng phương thức ước lượng bình phương nhỏ nhất (OLS) trong phân tích. Tuy nhiên, các bài nghiên cứu trước đây về khả năng dự báo tỷ suất sinh lợi đã dẫn chứng nhiều vấn đề kinh tế lượng liên quan đến các mô hình hồi quy dự báo (Nelson và Kim, 1993; Mark, 1995; Stambaugh 1999). Đặc biệt, bài nghiên cứu của Stambaugh (1999) cho thấy có một sai lệch trong hệ số dự báo được ước lượng trong mô hình hồi quy dự báo tỷ suất sinh lợi chứng khoán dựa trên các biến hồi quy ngẫu nhiên lấy trễ như tỷ suất cổ tức, lãi suất danh nghĩa, tỷ số giá trị thị trường so với giá trị sổ sách. Như đã nói rõ ở phần sai lệch Stambaugh, sai lệch này phát sinh bởi vì phần dư trong những biến hồi quy tương quan đồng thời (thường thường là tương quan âm) với phần dư của mô hình hồi quy dự báo tỷ suất sinh lợi chứng khoán. Đặc biệt, sai lệch này càng rõ ràng hơn khi mối tương quan đồng thời giữa các thành phần nhiễu mạnh, tính bền vững của các biến chỉ báo cao, hoặc quy mô mẫu nhỏ. Có thể thấy, tỷ suất sinh lợi thị trường nhiều giai đoạn và các biến kinh tế vĩ mô theo thời gian thường tự tương quan với nhau và có phương sai thay đổi có điều kiện, điều này có thể làm mất hiệu lực của chu trình bootstrap mà dựa trên sai số i.i.d (i.i.d: sai số phân phối đồng nhất độc lập có trung bình bằng 0 và phương sai không đổi) (xem nghiên cứu của Goncalves và Kilian, 2004). Do đó, để đánh giá những vấn đề thống kê này, nhóm thực hiện chu trình wild bootstrap theo như nghiên cứu của Goncalves và Kilian, áp đặt giả thuyết không là không có khả năng dự báo khi tính các giá trị tới hạn, và thể hiện các giá trị p-values cho mỗi ước lượng tham số. Nhóm nghiên cứu chu trình wild bootstrap này trong mô hình tự hồi quy bậc 1. Chu trình bootstrap này bao gồm một vài bước. Bước 1 là bắt đầu ước lượng hai phương trình sau cùng nhau bằng OLS: 푡+1 = 훼 + 훽 푡 + 푡+1 (5) 푡+1 = 휇 + 𝜌 푡 + 푣푡+1 (6)
Trang 12 Tại đây, phương trình (5) và (6) biểu thị các đặc điểm của mô hình dự báo chung được sử dụng trong bài nghiên cứu và sự biến động của các biến dự báo. Lưu ý rằng trong trường hợp hồi quy đa biến thì biến dự báo là một biến vector và phương trình (6) trở thành một quá trình tự hồi quy theo vector bị giới hạn (VAR). Phần dư của hai phương trình và 푣, có một ma trận phương sai-hiệp phương sai ∑. Với các giá trị ước lượng OLS của các tham số trong hai phương trình, thì tiếp tục tính và lưu trữ giá trị phần dư để cho quá trình lấy mẫu. Bước thứ hai là rút ra một cách ngẫu nhiên (có hoàn lại) giá trị phần dư ( ̂, 푣̂), và sẽ tạo ra hai chuỗi dữ liệu thời gian bootstrap ( ̂, ̂) bằng cách sử dụng ước lượng OLS thu được ở bước 1 và áp đặt giả thuyết không có khả năng dự báo. Đặc biệt, quả trình tạo dữ liệu trong bước này được giả định như sau: ̂푡+1 = 훼 + 휂푡 ̂푡+1 (7) ̂푡+1 = 휇 + 𝜌 ̂푡 + 푣̂푡+1 (8) Lưu ý rằng thành phần sai số trong phương trình (7) là sản phẩm của ̂푡+1 và 휂푡, trong đó ̂ 푡+1 là phần dư của mô hình hồi quy từ bước 1 và 휂푡 là một biến ngẫu nhiên có trung bình bằng 0 và phương sai bằng 1. Theo chu trình wild bootstrap, biến ngẫu nhiên 휂푡 được bao gồm trong thành phần sai số trong phương trình (7) để đánh giá tốt hơn sự tự tương quan tiềm năng và vấn đề phương sai thay đổi (có điều kiện) trong dữ liệu. Bước 3 là ước lượng lại phương trình (5) và (6) cùng nhau bằng OLS sử dụng chuỗi dữ liệu thời gian bootstrap ( ̂, ̂) để thu được giá trị ước lượng của các tham số (훼̂, 훽̂, 훾̂, 𝜌̂, Σ̂). Bước 4, tác giả lặp lại bước 2-3 với N lần, và với mỗi lần lặp lại sẽ thu được các giá trị ước lượng tham số bootstrap. Cuối cùng là tính giá trị p-values bootstrap cho từng ước lượng tham số như là tỷ lệ của N lần lặp lại này trong đó giá trị tuyệt đối của ước lượng bootstrap của tham số nhất định, giá trị mà thu được từ bước 3, lớn hơn giá trị tuyệt đối của ước lượng OLS của các tham số tương ứng, giá trị mà thu được từ bước 1. Trong trường hợp sai lệch Stambaugh (1999), chu trình bootstrap này có hai giá trị: nó không chỉ giữ gìn cấu trúc tự tương quan của các biến chỉ báo mà còn giữa lại cấu trúc tương quan chéo của các phần dư của hai phương trình trên (theo như nghiên cứu của Welch và Goyal, 2008). Ngoài ra, chu trình wild bootstrap còn xem xét vấn đề phương sai thay đổi (có điều kiện) tiềm tàng của những dạng chưa
Trang 13 nhận biết được tồn tại trong dữ liệu (theo như nghiên cứu của Goncalves và Kilian, 2004). Kết quả là phương pháp bootstrap này giúp đánh giá vấn đề thống kê liên quan đến mô hình hồi quy dự báo mà bài nghiên cứu có khả năng phải đối mặt. Khi thực hiện chu trình boostrap, nhóm đã thiêt lập số lần lặp lại là 2000 lần. 2.1.3. Phương pháp GMM (General method of moments): GMM là tên chung của một họ phương pháp hồi quy hoặc ước lượng để xác định các thông số của mô hình thống kê hoặc mô hình kinh tế lượng. GMM được sử dụng để tìm hoặc dự tính các thông số của mô hình tham số hay phi tham số. GMM được phát triển bởi Lars Hansen năm 1982 từ việc tổng quát hóa phương pháp hồi quy theo moments. GMM được sử dụng nhiều cho dữ liệu bảng (panel data), đặc biệt khi T nhỏ hơn N nhiều lần hoặc dữ liệu không đồng nhất. Ngoài ra, GMM cho phép ước lượng đối với mô hình phi tuyến lẫn mô hình tuyến tính. Đồng thời, GMM cũng cho phép ước lượng mô hình có hiện tượng nội sinh và cho kết quả ước lượng ổn định. Ý tưởng chính của phương pháp GMM là GMM sử dụng giả định về moment của các biến ngẫu nhiên để lấy được hàm mục tiêu. Trong đó, moment được giả định của các biến ngẫu nhiên được biết như là những moment tổng thể, còn dữ liệu sẽ cung cấp các moment của mẫu. Từ đó, ta sẽ tối thiểu hóa hàm mục tiêu để lựa chọn tham số mà mang lại sự khác biệt nhỏ nhất giữa moment tổng thể và moment của mẫu. Sơ lược về GMM là đối với từng moment tổng thể được giả định, ta nhận được một điều kiện moment tổng thể. Còn đối với từng điều kiện moment tổng thể, có một điều kiện moment mẫu. Trong phương pháp MM, ta có số lượng điều kiện moment mẫu bằng với số lượng tham số. Trong phương pháp GMM, tác giả có số lượng điều kiện moment mẫu nhiều hơn số lượng tham số. 2.1.3.1. Phương pháp MM (Method of moments): Một trường hợp điển hình và đơn giản của phương pháp GMM là phương pháp MM cho phép ước lượng trung bình của một phân phối của mẫu, phương sai của phương sai mẫu, v.v Nếu ta muốn ước lượng 휇 = [ ] thì ta có điều kiện moment tổng thể là [ ] − 휇 = 0
Trang 14 Lúc này, điều kiện moment mẫu: 1 ( ) ∑ − 휇 = 0 푖 푖=1 Và cuối cùng thu được giá trị ước lượng tham số bằng cách giải phương trình điều kiện moment mẫu. Nói chung, phương thức ước lượng mà giải phương trình moment mẫu để tạo ra các giá trị ước lượng thì được gọi là phương thức ước lượng MM. Phương pháp bình phương nhỏ nhất (OLS) là một phương thức ước lượng MM. Ta có thể thấy phương pháp OLS ước lượng các tham số của các kỳ vọng có điều kiện của phương trình 푖 = 푖훽 + 휖푖 dưới giả định rằng (휖| ) = 0. Lý thuyết xác suất chuẩn hàm ý rằng: (휖| ) = 0 [ 휖] = 0 Vì vậy điều kiện moment tổng thể cho OLS là: [ ( − 훽)] = 0 Điều kiện moment mẫu tương ứng: 1 ( ) ∑ 푖( 푖 − 푖훽) = 0 푖=1 Giải 훽 được: −1 ̂ ′ ′ 훽 퐿푆 = (∑ 푖 푖) ∑ 푖 푖 푖=1 푖=1 2.1.3.2. Phương pháp GMM (General method of moments): Có thể thấy phương pháp MM chỉ hiệu quả khi số lượng điều kiện moment bằng với số lượng tham số để ước lượng. Nếu có nhiều điều kiện moment hơn tham số, hệ phương trình đại số quá mức xác định và không thể giải được. Do đó, phương thức ước lượng GMM lựa chọn các ước lượng mà giảm thiểu được hình thức bậc 2 của các điều kiện moment. + GMM gần như có thể giải quyết được hệ phương trình trên mức xác định.
Trang 15 + GMM chuyển thành MM khi số lượng tham số bằng với số lượng điều kiện moment. Định nghĩa phương thức ước lượng GMM (General method of moments): Câu hỏi nghiên cứu hàm ý q điều kiện moment tổng thể [ (푤푖, 휃)] = 0 Trong đó, m là 푞 × 1 vector các hàm có giá trị kỳ vọng tổng thể bằng 0, 푤푖 là dữ liệu trên đối tượng i, 휃 là × 1 vector tham số, ≤ 푞. Lúc này, moment mẫu tương ứng với moment tổng thể: ̅(휃) = (1/ ) ∑ (푤푖, 휃) 푖=1 Khi < 푞, GMM lựa chọn các tham số mà gần như có thể giải được hệ phương trình moment quá mức xác định (over-identified): 휃̂ = 푖푛휃 ̅(휃)′푊 ̅(휃) Một vài tính chất của GMM: Ta có 휃̂ = 푖푛휃 ̅(휃)′푊 ̅(휃) Khi k=q, phương thức ước lượng MM giải ̅(휃) một cách chính xác nên ̅(휃)′푊 ̅(휃) = 0. W chỉ tác động đến hiệu quả của phương thức ước lượng GMM  Đặt W=I tạo ra các ước lượng phù hợp nhưng không hiệu quả.  Đặt W= 표푣[ ̅(휃)]−1 tạo ra một phương thức ước lượng GMM hiệu quả.  Ta có thể thực hiện nhiều bước để đạt được một phương thức ước lượng GMM hiệu quả 1. Để W=I và thu được 휃̂ 1 ≡ arg 푖푛휃 ̅(휃)′ ̅(휃) −1 2. Sử dụng 휃̂ 1 để thu được 푊̂ , đây là một ước lượng của 표푣[ ̅(휃)] 3. Thu được
Trang 16 휃̂ 2 ≡ arg 푖푛휃 ̅(휃)′푊̂ ̅(휃) 4. Lặp lại bước 2 và bước 3 sử dụng 휃̂ 2 thay cho 휃̂ 1 Phương pháp IV (Instrumental variables) và 2 SLS (Two-stage least-squares): Phương pháp biến công cụ (IV) và phương pháp ước lượng bình phương nhỏ nhất hai giai đoạn (2 SLS) là hai trường hợp đặc biệt của GMM. Đối với một vài biến, giả định (휖| ) = 0 quá mạnh và ta cần cho phép (휖| ) ≠ 0. Nếu ta có q biến z mà (휖| ) = 0 và tương quan giữa z và x đủ mạnh, ta có thể ước lượng 훽 từ các điều kiện moment tổng thể [ ( − 훽)] = 0 z được biết như là các biến công cụ. Nếu số lượng biến z và x bằng nhau (q=k), giải điều kiện moment mẫu thì sẽ tạo ra phương thức ước lượng MM cũng là phương thức ước lượng biến công cụ (IV) ′ −1 Nếu có nhiều biến z hơn biến x (q>k) và ta cho phép 푊 = (∑푖=1 푖 푖) trong phương thức ước lượng GMM, thì ta sẽ thu được phương thức ước lượng bình phương ít nhất hai giai đoạn (2SLS). Nói tóm lại, GMM là cách tự nhiên để ước lượng các phương trình, là phương pháp ước lượng tổng quát, bao gồm nhiều phương pháp hồi quy khác nhau (IV, MM, 2 SLS, OLS, ) 2.2. Các bằng chứng thực nghiệm trước đây: 2.2.1. Khả năng dự báo tỷ suất sinh lợi: 50 năm trước, Kendall (1953) quan sát thấy rằng giá chứng khoán dường như thay đổi ngẫu nhiên theo thời gian. Kendall, và nhiều bài nghiên cứu trước đó về thị trường hiệu quả đã kiểm định xem sự thay đổi giá có thể được dự đoán bằng cách sử dụng tỷ suất sinh lợi quá khứ được không. Các kiểm định thực nghiêm sau đó mở rộng đối với các biến dự báo khác, bao gồm lãi suất, chênh lệch giữa lởi suất trái phiếu chính phủ dài hạn và lợi suất trái phiếu doanh nghiệp dài hạn, tỷ suất cổ tức, tỷ số giá trị thị trường so với giá trị sổ sách, và tỷ số thu nhập trên giá (Fama và Schwert, 1977; Campbell, 1987; Fama và French, 1988; Campbell và Shiller, 1988; Kothari và
Trang 17 Shanken, 1997). Và các bài nghiên cứu trước đây tập trung nhiều hơn vào khả năng dự báo của tỷ suất cổ tức và tìm thấy các bằng chứng cho thấy tỷ suất cổ tức có thể dự đoán tỷ suất sinh lợi thị trường. Sau này, bài nghiên cứu của Lewellen (2004) cũng xem xét xem các tỷ số tài chính (chẳng hạn như tỷ suất cổ tức) có thể dự đoán tỷ suất sinh lợi chứng khoán được không. Lewellen (2004) nhận thấy rằng tỷ suất cổ tức dự báo được tỷ suất sinh lợi thị trường trong suốt giai đoạn 1946-2000, cũng như trong nhiều mẫu con khác nhau. Tỷ số giá trị sổ sách so với giá trị thị trường và tỷ số thu nhập trên giá có thể dự đoán tỷ suất sinh lợi trong mẫu nhỏ hơn giai đoạn1963-2000. Các bằng chứng này tiếp tục bền vững dù cho có sự tăng giá bất thường trong những năm nghiên cứu. Có thể thấy các bài nghiên cứu trước đây tập trung nhiều vào khả năng dự đoán tỷ suất sinh lợi chứng khoán của tỷ suất cổ tức, Ang và Bekaert (2010) cũng không ngoại lệ. Ang và Bekaert (2010) nghiên cứu khả năng dự báo của tỷ suất cổ tức đối với việc dự báo tỷ suất sinh lợi thặng dư, dòng tiền và lãi suất. Kết quả cho thấy tỷ suất cổ tức dự báo được tỷ suất sinh lợi thặng dư trong một giai đoạn ngắn và khả năng dự báo của tỷ suất cổ tức được nâng cao đáng kể trong ngắn hạn trong hồi quy hai biến (nhị phân) với lãi suất ngắn hạn. Đồng thời, trong ngắn hạn, lãi suất ngắn hạn dự báo âm tỷ suất sinh lợi một cách bền vững, phù hợp với những bài nghiên cứu trước đây (Fama và Schwert (1977)) cũng cho rằng lãi suất ngắn hạn là biến dự báo bền vững cho tỷ suất sinh lợi thặng dư. Hơn nữa, những kết quả này khá bền vững đối với các dữ liệu quốc tế. Còn trong dài hạn, khả năng dự báo tỷ suất sinh lợi thặng dư bởi tỷ suất cổ tức không có ý nghĩa về mặt thống kê, không vững bền giữa các quốc gia, và không vững bền giữa các giai đoạn mẫu khác nhau. Tiếp tục nghiên cứu về khả năng dự báo tỷ suất sinh lợi chứng khoán, Hjalmarsson (2008) đã kiểm định khả năng dự báo tỷ suất sinh lợi chứng khoán trên một tập hợp dữ liệu lớn nhất và bao quát nhất, sử dụng 4 biến dự báo thông thường: tỷ số cổ tức trên giá, tỷ số thu nhập trên giá, lãi suất ngắn hạn, và chênh lệch lãi suất ngắn hạn và dài hạn. Dữ liệu bao gồm trên 20,000 quan sát theo tháng từ 40 thị trường quốc tế, bao gồm 24 nền kinh tế đã phát triển và 16 nền kinh tế mới nổi. Trong bài nghiên cứu này, tác giả phát triển các phương pháp hồi quy dự báo mới đối với dữ liệu bảng. Kết quả
Trang 18 thực nghiệm cho thấy lãi suất ngắn hạn và chênh lệch lãi suất dài hạn và ngắn hạn là những chỉ báo tương đối mạnh đối với tỷ suất sinh lợi chứng khoán trong các thị trường đã phát triển. Trái lại, không có bằng chứng dự báo thích hợp và đủ mạnh được tìm thấy khi xem xét tỷ số thu nhập trên giá và tỷ số cổ tức trên giá như là các chỉ báo. Qua đó, có thể thấy đã có rất nhiều bài nghiên cứu trong hai thập kỷ qua đã nghiên cứu xem tỷ suất sinh lợi chứng khoán có thể được dự đoán bằng các biến số tài chính (chẳng hạn như tỷ số cổ tức trên giá, tỷ số thu nhập trên giá, và các cách đo lường khác nhau của lãi suất) không. Hầu hết các nhà nghiên cứu đã cố gắng để trả lời cho câu hỏi liệu các tỷ số tài chính có đóng vai trò như các chỉ báo thực nghiệm của tỷ suất sinh lợi không, và các tỷ số tài chính có thể cải thiện khả năng dự báo tỷ suất sinh lợi như thế nào. Vấn đề này luôn là mối quan tâm hàng đầu của các nhà nghiên cứu khi nghiên cứu về khả năng dự báo tỷ suất sinh lợi. Tuy nhiên, mặc dù đã có rất nhiều bài nghiên cứu về khả năng dự đoán tỷ suất sinh lợi nhưng do các kết quả nghiên cứu chưa thực sự thống nhất trong các bài nghiên cứu cũng như những sự biến động ngày càng phức tạp của nền kinh tế làm cho việc dự báo tỷ suất sinh lợi chứng khoán ngày càng trở nên khó khăn dù cho các phương pháp kinh tế lượng ngày càng được cải thiện và trở nên bền vững hơn. Nhận thấy các bài nghiên cứu về khả năng dự báo tỷ suất sinh lợi chủ yếu chỉ xoay quanh việc xem xét các biến chỉ số quốc gia như tỷ suất cổ tức, lãi suất ngắn hạn, chênh lệch lãi suất ngắn hạn và dài hạn, nên Rapach, Strauss và Zhou (2013) đã mang đến một luồng gió mới cho lĩnh vực nghiên cứu khả năng dự đoán tỷ suất sinh lợi. Nhóm tác giả này đã khám phá ra một chỉ báo mới khá mạnh cho tỷ suất sinh lợi chứng khoán quốc gia, đó là tỷ suất sinh lợi thị trường lấy trễ của Mỹ. Kết quả nghiên cứu cho thấy tỷ suất sinh lợi lấy trễ của Mỹ dự đoán tỷ suất sinh lợi của các quốc gia công nghiệp tốt hơn các biến số kinh tế của chính các quốc gia công nghiệp đó, bao gồm lãi suất danh nghĩa và tỷ suất cổ tức. Nhóm tác giả nhận diện thấy tỷ suất sinh lợi lấy trễ của Mỹ là một chỉ báo dự đoán tỷ suất sinh lợi khá mạnh khi phân tích mối quan hệ dẫn dắt trễ giữa các tỷ suất sinh lợi chứng khoán quốc gia, một khía cạnh chưa được xem xét trước đây về khả năng dự đoán của tỷ suất sinh lợi quốc tế. Nhóm tác giả cũng nhận thấy tỷ suất sinh lợi của các quốc gia công nghiệp có năng lực dự
Trang 19 đoán giới hạn tỷ suất sinh lợi của Mỹ. Nói chung, những kết quả này chỉ ra một vai trò dẫn dắt của Mỹ trong thị trường vốn cổ phần quốc tế. Phát triển từ ý tưởng xem xét khả năng dự báo tỷ suất sinh lợi chỉ số chứng khoán quốc gia của tỷ suất sinh lợi thị trường lấy trễ của Mỹ, nhóm nghiên cứu đã mở rộng bài nghiên cứu theo hướng xem xét tỷ suất sinh lợi thị trường lấy trễ của Mỹ và Trung Quốc như là những chỉ báo dự đoán tỷ suất sinh lợi của các quốc gia Đông Nam Á. Liệu tỷ suất sinh lợi thị trường lấy trễ của Mỹ và Trung Quốc có thể hiện vai trò như những chỉ báo quan trọng trong tỷ suất sinh lợi chỉ số chứng khoán quốc gia của các nước Đông Nam Á không? 2.2.2. Mối quan hệ giữa sự khuếch tán thông tin và tác động dẫn dắt trễ: Một trong những mối quan tâm hàng đầu trong lĩnh vực kinh tế tài chính là hiểu được cách các công ty chuyển dịch thông tin ra thị trường như thế nào, và thị trường sẽ phản ánh những thông tin đó trong giá chứng khoán như thế nào. Chính vì lý do đó mà các lý thuyết định giá tài sản ra đời và thường giả định rằng sự khuếch tán thông tin xảy ra ngay lập tức trong thị trường hoàn hảo và không có giới hạn. Tuy nhiên, trên thực tế, các bằng chứng thực nghiệm cho thấy rằng các nhà đầu tư đối mặt với rất nhiều giới hạn trong quá trình thu thập và nhận biết thông tin, do đó đôi khi làm cho giá chứng khoán điều chỉnh chậm hơn trước các thông tin mới. Và theo như những bài nghiên cứu trước đây, chính sự khuếch tán thông tin chậm như vậy là nguyên nhân chủ yếu dẫn đến tác động dẫn dắt trễ trong tỷ suất sinh lợi của các chứng khoán. Vậy những nhân tố kinh tế nào làm cho sự khuếch tán thông tin chậm trong thị trường cổ phiếu? Có rất nhiều nhân tố cản trở sự truyền tải thông tin, có thể kể đến những nhân tố tiềm tàng như các chi phí thông tin, những nhà giao dịch nhiễu, các lệnh giới hạn cũ, chính sách tồn kho của nhà tạo lập thị trường, các chi phí giao dịch, các hạn chế bán không, các giới hạn ERISA, những loại giới hạn thị trường khác cũng như những hạn chế đối với nhà đầu tư tổ chức. Merton (1987) nhận thấy các chi phí thông tin và những hạn chế đối với nhà đầu tư tổ chức là những nhân tố làm cản trở quá trình thu thập thông tin. Trong khi đó, Diamond và Verrecchia (1987) cho rằng các hạn chế bán khống có thể làm chậm quá trình phản ứng của giá chứng khoán đối với những thông tin mới, đặc biệt khi các thông tin là tiêu cực. Mở rộng nghiên cứu của Kyle
Trang 20 (1987), Holden và Subrahmanyam (1992) và Foster và Viswanathan (1993) thì cho rằng nếu càng có nhiều nhà đầu tư được cung cấp tin tức hơn sẽ làm cho sự điều chỉnh giá chứng khoán nhanh hơn đối với các thông tin. Còn Mech (1993) cho thấy giá chứng khoán phản ứng với các thông tin mới nhanh hơn khi sự thay đổi giá lớn so với chênh lệch giá mua và giá bán. Cuối cùng, Peng (2002) cho rằng sự tồn tại của những hạn chế quyền hạn tiếp xúc thông tin đã gây ra một sự chậm trễ trong quá trình điều chỉnh giá. Sự khuếch tán thông tin chậm quyết định đến tác động dẫn dắt trễ dưới nhiều hình thức khác nhau. Theo như Lo và McKinlay (1990a) thì cho rằng tác động dẫn dắt trễ là do sự truyền dẫn thông tin trên thị trường một cách chậm chạp từ các công ty lớn sang các công ty nhỏ. Còn Brennan, Jegadeesh và Swaminathan (1993) nghiên cứu tác động của số lượng các nhà phân tích một công ty lên tốc độ điều chỉnh giá và kết luận rằng giá chứng khoán của các công ty mà có nhiều nhà phân tích phản ứng nhanh chóng hơn đối với các cú sốc, hơn là những công ty mà có ít nhà phân tích. Chordia và Swaminathan (2000) tranh luận rằng tác động dẫn dắt trễ giữa các công ty mà có số lượng giao dịch lớn và các công ty có số lượng giao dịch nhỏ xảy ra là do các công ty mà có khối lượng giao dịch thấp điều chỉnh chậm hơn đối với các thông tin thị trường. Trong khi đó, Hou và Kewei (2007) cũng cho rằng sự khuếch tán thông tin chậm gây ra tác động dẫn dắt trễ giữa các tỷ suất sinh lợi của các chứng khoán. Khác với những nhóm tác giả trước chủ yếu nghiên cứu về sự khuếch tán thông tin chậm làm cho sự điều chỉnh giá chứng khoán chậm, thì nhóm tác giả Hou và Kewei nghiên cứu kỹ hơn về sự tác động trễ giữa tỷ suất sinh lợi của các chứng khoán. Nhóm tác giả cho rằng sự khuếch tán thông tin chậm thì phù hợp hơn đối với các công ty trong cùng một ngành, trong đó các công ty trong cùng một ngành là các công ty mà cùng cạnh tranh với nhau trong thị trường sản phẩm và càng ngày càng giống nhau về phương diện sản phẩm cũng như sự cải tiến công nghệ, đồng thời các công ty này sẽ phản ứng giống nhau trước sự thay đổi trong điều kiện cung cầu cũng như sự thay đổi trong môi trường pháp lý, và khi ngành mở rộng hay thu hẹp thì cơ hội tăng trưởng, quyết định đầu tư và tài trợ của các công ty tương quan với nhau. Dựa vào những sự tương đồng này có thể giúp phân nhóm các công ty ở cấp độ ngành, chủ yếu để các cú sốc của các công ty truyền tải nhiều thông tin về triển vọng tương lai của công ty vào bên trong
Trang 21 ngành hơn so với bên ngoài ngành. Vì vậy, tác giả cũng dự đoán rằng tác động dẫn dắt trễ chủ yếu xảy ra giữa các công ty trong cùng một ngành, đồng thời tác giả cũng nhận thấy có rất ít bằng chứng về tác động dẫn dắt trễ giữa các ngành. Kết quả nghiên cứu về tác động dẫn dắt trễ của Hou và Kewei (2007) cho thấy rằng tỷ suất sinh lợi của các công ty lớn dẫn dắt tỷ suất sinh lợi của các công ty nhỏ trong cùng một ngành. Tác giả cũng nhận thấy rằng tác động dẫn dắt trễ chủ yếu là do sự điều chỉnh chậm chạp đối với các thông tin tiêu cực, có nghĩa là khả năng tỷ suất sinh lợi lấy trễ của các công ty lớn dự báo tỷ suất sinh lợi hiện hành của các công ty nhỏ thì lớn hơn nhiều khi tỷ suất sinh lợi lấy trễ của các công ty lớn âm. Những công ty dẫn đầu ngành dẫn dắt các công ty theo sau, các công ty giá trị dẫn dắt các công ty tăng trưởng trong cùng một ngành, và các công ty có rủi ro phi hệ thống thấp sẽ dẫn dắt các công ty có rủi ro phi hệ thống cao hơn trong cùng một ngành, có tính đến sự kiểm soát quy mô. Ngoài ra, các yếu tố quyết định khác của tác động dẫn dắt trễ vẫn có ý nghĩa trong nội bộ ngành: tỷ suất sinh lợi của các công ty với số lượng nhà phân tích, tỷ lệ sở hữu tổ chức, hoặc khối lượng giao dịch cao hơn dẫn dắt tỷ suất sinh lợi của các công ty có số lượng nhà phân tích, tỷ lệ sở hữu tổ chức, hoặc khối lượng giao dịch thấp hơn từ cùng một ngành, có tính đến sự kiểm soát quy mô công ty. Khi tính đến sự khác biệt giữa các ngành trong tác động dẫn dắt trễ thì những ngành nào mà nhỏ hơn, cạnh tranh ít hơn, cũng như những ngành mà có số lượng nhà phân tích thấp hơn, tỷ lệ sở hữu tổ chức thấp hơn và khối lượng giao dịch thấp hơn, và mức rủi ro phi hệ thống cao hơn và sự phân tán nhà phân tích cao hơn, thì sẽ trải qua tác động dẫn dắt trễ rõ rệt hơn. Ngoài ra, tác động dẫn dắt trễ trong nội bộ ngành cũng liên quan đến các thông tin trong báo cáo thu nhập: tỷ suất sinh lợi của các công ty nhỏ phản ứng mạnh hơn đối với các cú sốc thu nhập của các công ty lớn, hơn là các cú sốc thu nhập của chính các công ty nhỏ đó. Đồng thời, nhóm tác giả còn nhận thấy rằng tác động dẫn dắt trễ trong nội bộ ngành thì vững mạnh đối với các phương pháp lấy tỷ trọng khác nhau, đối với các phương pháp hồi quy vector tự động khác nhau, cũng như đối với các mẫu đại diện khác nhau và các giai đoạn đại diện khác nhau. Có thể thấy hầu hết các bài nghiên cứu trước đây chủ yếu tập trung nghiên cứu mối quan hệ giữa sự khuếch tán thông tin và tác động dẫn dắt trễ trong tỷ suất sinh lợi
Trang 22 của các chứng khoán trong cùng một ngành, cùng một thị trường chứng khoán. Có rất ít bài nghiên cứu nào mà đã từng lấy ý tưởng từ mối quan hệ giữa sữ khuếch tán thông tin và tác động dẫn dắt trễ trong tỷ suất sinh lợi của các chứng khoán để mở rộng ra thế giới, nghiên cứu mối quan hệ dẫn dắt trễ giữa các tỷ suất sinh lợi của các chỉ số chứng khoán quốc gia. Cho đến gần đây, David E.Rapach, Jack K.Strauss, và Guofu Zhou đã cho ra đời một bài nghiên cứu vai trò dẫn dắt trễ của tỷ suất sinh lợi thị trường Mỹ đối với các quốc gia công nghiệp, trong đó Mỹ đóng vai trò như các công ty lớn dẫn dắt các quốc gia công nghiệp được xem như là các công ty nhỏ. Kết quả nghiên cứu của tác giả cho thấy rằng tỷ suất sinh lợi lấy trễ của Mỹ dự đoán một cách ý nghĩa tỷ suất sinh lợi trong nhiều quốc gia công nghiệp hóa, trong khi tỷ suất sinh lợi trễ của các quốc gia công nghiệp thể hiện khả năng dự đoán giới hạn về tỷ suất sinh lợi của Mỹ. Tác giả cũng ước tính một mô hình khuếch tán thông tin, và những kết quả chỉ ra rằng các cú sốc tỷ suất sinh lợi nảy sinh trong nước Mỹ chỉ được phản ánh hoàn toàn trong giá cổ phần của các quốc gia công nghiệp với một độ trễ. Từ ý tưởng của các bài nghiên cứu về sự khuếch tán thông tin và mối quan hệ dẫn dắt, nhóm nghiên cứu sẽ xem xét tác động dẫn dắt trễ giữa các tỷ suất sinh lợi của các chỉ số chứng khoán quốc gia của Mỹ, Trung Quốc và 6 quốc gia Đông Nam Á, đồng thời cũng nghiên cứu mô hình khuếch tán thông tin để xem xét xem các cú sốc tỷ suất sinh lợi của Mỹ và Trung Quốc có được phản ánh trong giá chỉ số chứng khoán quốc gia của các nước Đông Nam Á không. 2.3. Khung phân tích: Bài nghiên cứu phân tích mối quan hệ dẫn dắt trễ giữa các tỷ suất sinh lợi chứng khoán quốc gia của Mỹ, Trung Quốc và các quốc gia Đông Nam Á thông qua bốn bước sau: Đầu tiên, như một quy tắc chuẩn, nhóm ước lượng mô hình hồi quy dự báo thông thường OLS cho Mỹ, Trung Quốc và các quốc gia Đông Nam Á, sử dụng dữ liệu theo tuần trong giai đoạn từ tháng 6/2007 đến tháng 6/2013. Trong đó, mỗi mô hình hồi quy dự báo liên kết một tỷ suất sinh lợi thặng dư với lãi suất lấy trễ và tỷ suất cổ tức lấy trễ của chính quốc gia đó. Lãi suất và tỷ suất cổ tức là hai chỉ báo kinh tế quốc gia nổi bật nhất được thêm vào trực tiếp trong mô hình định giá tài sản và được sử dụng
Trang 23 trong bài nghiên cứu về khả năng dự đoán tỷ suất sinh lợi của Ang và Bekaert (2007). Vấn đề kinh tế lượng chủ yếu ở đây khi hồi quy với với các biến trễ là sai lệch Stambaugh (1999). Nhóm kiểm soát sai lệch này thông qua một chu trình wild bootstrap. Chu trình bootstrap không chỉ vững chắc với sai lệch Stambaugh (1999) đối với việc kiểm định giả thuyết không mà nó còn cho phép phương sai thay đổi có điều kiện đối với tỷ suất sinh lợi chứng khoán. Thứ hai, nhóm nghiên cứu tiến hành kiểm đinh nhân quả Granger theo cặp, vốn là công cụ chuẩn để nghiên cứu mối quan hệ dẫn dắt trễ trong những danh mục đầu tư chứng khoán Hoa Kỳ (Brennan, Jegadeesh, và Swaminathan (1993), Chordia và Swaminathan (2000), Hou (2007)). Nhóm kiểm định nhân quả Granger bằng cách sử dụng hồi quy dự báo cải tiến (augmented preditive regressions), trong đó mỗi hồi quy dự báo bao gồm một tỷ suất sinh lợi lấy trễ của chính quốc gia đó và tỷ suất sinh lợi lấy trễ của quốc gia khác như là một biến hồi quy thêm vào. Bằng cách kiểm soát tỷ suất sinh lợi lấy trễ của chính quốc gia đó, nhóm đề phòng chứng cứ giả mạo của mối quan hệ dẫn dắt-trễ. Dựa vào sự suy luận trên wild bootstrap, nhóm sẽ kiểm định xem tỷ suất sinh lợi lấy trễ của Mỹ và Trung Quốc có giải thích một cách ý nghĩa cho tỷ suất sinh lợi của các quốc gia Đông Nam Á không và ngược lại. Ngoài ra, để đánh giá kỹ hơn tầm quan trọng của tỷ suất sinh lợi của Mỹ và Trung Quốc, nhóm thực hiện kiểm định nhân quả Granger bao gồm tỷ suất sinh lợi lấy trễ của nhiều quốc gia như là những chỉ báo, và cũng để tiếp tục nghiên cứu xem có tồn tại mối quan hệ dẫn dắt trễ giữa tỷ suất sinh lợi của Mỹ, Trung Quốc và các nước Đông Nam Á. Thứ ba, để hiểu kỹ hơn mối quan hệ dẫn dắt trễ của các tỷ suất sinh lợi quốc tế, nhóm tiến hành ước lượng một mô hình khuếch tán thông tin thực nghiệm. Trong khi mô hình này chỉ thuần về kinh tế lượng, thì mô hình này cho phép nhóm xem xét thực nghiệm những cú sốc tỷ suất sinh lợi nảy sinh trong một quốc gia ảnh hưởng đến tỷ suất sinh lợi của quốc gia khác như thế nào, trong đó mức độ điều chỉnh đồng thời qua các quốc gia bị chi phối bởi tham số khuếch tán. Nhóm ước tính tham số cấu trúc của mô hình thông qua phương pháp GMM. Đồng thời, nhóm cũng so sánh tầm quan trọng của những hệ số ước lượng của tỷ suất sinh lợi lấy trễ của Mỹ và Trung Quốc trong những kiểm định nhân quả Granger với tầm quan trọng của các tham số cấu trúc
Trang 24 được ước tính trong mô hình khuếch tán thông tin, để đánh giá xem liệu giới hạn thông tin có giải thích được tất cả năng lực dự đoán của tỷ suất sinh lợi lấy trễ của Mỹ và Trung Quốc không. Thứ tư, để xem xét liệu những dự báo tỷ suất sinh lợi dựa trên tỷ suất sinh lợi lấy trễ của Mỹ có tốt hơn những dự báo tỷ suất sinh lợi dựa trên giá trị trung bình lịch sử không (Goyal và Welch (2008)), nhóm sẽ sử dụng giá trị thống kê ngoài mẫu (out-of- 2 2 2 sample) 푅 , 푅 푆. Giá trị thống kê 푅 푆 đo lường sự chênh lệch giữa các giá trị sai số dự báo bình phương trung bình (mean-squared forecast error, MSFE) của mô hình hồi quy dự báo dựa trên tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc và mô hình dự báo dựa trên giá trị trung bình quá khứ. Với kết quả thu được, nhóm tiến hành giải thích theo những hướng sau: liệu tỷ suất sinh lợi lấy trễ của Mỹ và Trung Quốc có dự báo một cách ý nghĩa cho tỷ suất sinh lợi chỉ số chứng khoán quốc gia của các nước Đông Nam Á hay không? Và các cú sốc tỷ suất sinh lợi nảy sinh ở Mỹ và Trung Quốc được phản ánh như thế nào trong giá chỉ số chứng khoán quốc gia của các nước Đông Nam Á, do đó liệu có sự khuếch tán thông tin dần dần không? 3. PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU: 3.1. Phương pháp nghiên cứu: 3.1.1. Mô hình hồi quy dự báo tiêu chuẩn: Một mô hình hồi quy dự báo mà liên kết tỷ suất sinh lợi thặng dư với một bộ biến công cụ trễ là một khuôn khổ chuẩn cho việc phân tích khả năng dự đoán tỷ suất sinh lợi chứng khoán. Theo như nghiên cứu của Ang và Bekaert (2007), nhóm sử dụng lãi suất danh nghĩa quốc gia và tỷ suất cổ tức như hai biến công cụ trong mô hình hồi quy dự báo chuẩn: 푖,푡+1 = 훽푖,0 + 훽푖, 푖푙푙푖,푡 + 훽푖, 푖,푡 + 휖푖,푡+1, (9) Với 푖,푡+1 là tỷ suất sinh lợi của chỉ số chứng khoán quốc gia trừ lãi suất phi rủi ro từ cuối tháng 푡 đến cuối tháng 푡 + 1 của quốc gia 푖 (푖=1, , N), 푖푙푙푖,푡( 푖,푡) là lãi suất t- bill 3 tháng (tỷ suất cổ tức lấy log) cuối tháng 푡, và 휖푖,푡+1 là một nhiễu trung bình bằng 0. Quan sát điều này, theo nghiên cứu của Solnik (1993), Ang và Bekaert (2007), và
Trang 25 Hjalmarson (2010) và các tác giả khác, tỷ suất sinh lợi thặng dư được đo lường theo đơn vị tiền tệ quốc gia. Chú ý trong nghiên cứu của Solnik (1993), tỷ suất sinh lợi thặng dư theo đồng nội tệ xấp xỉ bằng với tỷ suất sinh lợi thặng dư phòng ngừa bằng ngoại tệ cho các nhà đầu tư quốc tế vì sự tồn tại ngang giá lãi suất, với phần bù kỳ hạn bằng chênh lệch trong lãi suất phi rủi ro. Nhóm nghiên cứu tiến hành ước tính OLS phương trình (9) cho Mỹ, Trung Quốc và 6 quốc gia Đông Nam Á. Mẫu nghiên cứu kéo dài từ tháng 6/2007 đến tháng 6/2013. Vấn đề kinh tế lượng chủ yếu ở đây khi hồi quy với với các biến trễ là sai lệch Stambaugh (1999). Do đó, nhóm kiểm soát sai lệch này thông qua một chu trình wild bootstrap. Chu trình bootstrap không chỉ vững chắc với sai lệch Stambaugh (1999) đối việc kiểm định giả thuyết không mà nó còn cho phép phương sai thay đổi có điều kiện đối với tỷ suất sinh lợi chứng khoán. Sau đó, nhóm tiến hành hồi quy tỷ suất sinh lợi của các quốc gia Đông Nam Á với lãi suất danh nghĩa lấy trễ và tỷ suất cổ tức lấy trễ của Mỹ/Trung Quốc thay thế cho lãi suất lấy trễ và tỷ suất cổ tức lấy trễ của chính các quốc gia đó như các biến độc lập để xem xét xem các biến số kinh tế của Mỹ/Trung Quốc có dự báo được tỷ suất sinh lợi chứng khoán của các nước Đông Nam Á hay không. Hơn nữa, để đo lường mối quan hệ trung bình trong dữ liệu, nhóm thực hiện ̅ ̅ các ước lượng gộp áp đặt các giới hạnz: 훽푖, = 훽 và 훽푖, = 훽 cho tất cả i. Giá trị ̂̅ ̂̅ thống kê t đối với giá trị ước lượng 훽 và 훽 được tính dựa trên sai số chuẩn (standard error), mà sai số chuẩn này được tính từ một chu trình GMM, mà chu trình GMM thì lại giải thích cho phương sai thay đổi và sự tự tương quan đồng thời giữa tỷ suất sinh lợi của các chỉ số chứng khoán quốc gia (Ang và Bekaert (2007)). Ngoài ra, để kiểm định xem chu trình wild bootstrap có giải thích phù hợp cho sai lệch Stambaugh (1999) hay không, nhóm tiến hành ước tính phương trình (9) bằng cách sử dụng phương pháp hồi quy đa biến cải tiến (mARM) của Amihud, Hurvich, và Wang (2009), đây là phương pháp tạo ra giá trị ước lượng đã giảm thiểu sai lệch của hệ số và được thiết kế để giải thích cho sai lệch Stambaugh (1999). Sự kiểm định này chủ yếu là xem xét xem sai lệch Stambaugh (1999) có dẫn đến thống kê t bị khai khống đối với giá trị ước lượng của hệ số độ dốc OLS và vì vậy bác bỏ sai giả thuyết 0: không có khả năng dự đoán. Do đó, nhóm tiến hành so sánh giá trị p-value được tạo ra bởi
Trang 26 chu trình wild bootstrap với giá trị p-value của mô hình mARM, nếu giá trị p-value của chu trình wild bootstrap thật sự tạo ra ít sự bác bỏ hơn so với giá trị p-value của mRAM, thì chỉ ra rằng chu trình wild bootstrap kiểm soát thỏa mãn cho lệch lạc Stambaugh (1999). Ngoài ra có thể thấy, chu trình wild bootstrap có một lợi thế hơn mô hình mARM là do giá trị p-value của chu trình wild boostrap giải thích được cho phương sai thay đổi có điều kiện trong khi mô hình mARM thì không. Bên cạnh đó, ngoài việc nghiên cứu cho dữ liệu FTSE, nhóm còn tiến hành nghiên cứu mô hình hồi quy dự báo tiêu chuẩn này cho dữ liệu các chỉ số chứng khoán quốc gia của Morgan Stanley Capital International (MSCI) và Global Financial Data (GFD), kết quả được trình bày trong phụ lục. 3.1.2. Mô hình khả năng dự báo của tỷ suất sinh lợi quốc tế lấy trễ: Mô hình hồi quy sự báo tiêu chuẩn đã nghiên cứu khả năng dự đoán tỷ suất sinh lợi quốc tế dựa trên lãi suất quốc gia và tỷ suất cổ tức. Trong phần này, nhóm xem xét mối quan hệ dẫn dắt trễ giữa các tỷ suất sinh lợi chứng khoán quốc gia bằng cách ước lượng các “mô hình hồi qui dự báo cải tiến” (augmented predictive regressions). 3.1.2.1. Kiểm định quan hệ nhân quả Granger theo cặp: Mô hình hồi qui dự báo cải tiến có dạng: 푖,푡+1 = 훽푖,0 + 훽푖,푖 푖,푡 + 훽푖,푗 푗,푡 + 훽푖, 푖푙푙푖,푡 + 훽푖, 푖,푡 + 휖푖,푡+1, 푖 ≠ 푗, (10) Trong đó các giá trị ri,t và rj,t được đo lường theo đồng nôi tệ tương ứng của từng quốc gia. Mô hình này cho phép phân tích khả năng dự báo của tỷ suất sinh lợi quốc gia j lấy trễ đối với tỷ suất sinh lợi của quốc gia i, điều này tương đương với việc kiểm định liệu tỷ suất sinh lợi của quốc gia j có gây ra tỷ suất sinh lợi của quốc gia i hay không. Kiểm định quan hệ nhân quả Granger theo cặp được sử dụng rộng rãi trong các bài nghiên cứu về mối quan hệ dẫn dắt trễ giữa các danh mục đầu tư của các chứng khoán Mỹ và phương trình (10) mở rộng những kiểm định tương tự như vậy đối với các danh mục đầu tư quốc tế. Việc kết hợp ri,t như là một biến giải thích trong phương trình (10) rất là quan trọng, bởi vì sự tự tương quan của tỷ suất sinh lợi cùng với hiện tượng các tỷ suất sinh lợi tương quan đồng thời với nhau có thể tạo ra bằng chứng ảo về mối quan hệ dẫn dắt trễ (theo như nghiên cứu của Boudoukh, Richardson, and Whitelaw (
Trang 27 1994), Hameed ( 1997), Chordia and Swaminathan ( 2000)). Hơn nữa, việc bao gồm các biến billi,t và dyi,t như là những biến giải thích trong phương trình (10) kiểm soát được khả năng dự báo của của các biến số kinh tế quốc gia, như đã được nhấn mạnh trong các tài liệu nghiên cứu về dự báo tỷ suất sinh lợi. Nhóm tiến hành ước lượng OLS hệ số βi,j trong phương trình (10) với mỗi i, cùng với sự thể hiện thống kê t độ mạnh của phương sai thay đổi, và nhóm đánh giá mức ý nghĩa của thống kê t bằng cách sử dụng giá trị p-values của chu trình wild bootstrap. Theo như nghiên cứu của Chordia và Swaminathan (2000), giá trị p-value là để kiểm định cho giải thuyết 0: 훽푖,푗 = 0 và giả thuyết đối là : 훽푖,푗 > 0. Trong các tài liệu nghiên cứu về mối quan hệ dẫn dắt trễ trong các danh mục đầu tư chứng khoán Mỹ, một giá trị βi,j dương trong phương trình (10) có thể được hiểu như là sự điều chỉnh trễ trong giá cổ phiếu nước i đối với các thông tin liên quan đến sự biến động giá chứng khoán của quốc gia j. Đồng thời, nhóm cũng thực hiện ước lượng gộp phương trình (10) mà áp đặt các giới hạn độ dốc đồng nhất như sau: βi,i = 훽̅AR, βi,j = 훽̅j , βi,b = 훽̅b, và βi,d = 훽̅d với mọi 푖 ≠ 푗. Như được nhấn mạnh bởi nghiên cứu của Hjal-marsson (2010), mặc dù những giới hạn độ dốc đồng nhất không được giữ một cách chính xác, thì các ước lượng gộp cũng có thể đo lường một cách ý nghĩa mối quan hệ trung bình trong dữ liệu. Ngoài ra, để kiểm trả tính bền vững của các kết quả được suy ra từ dữ liệu FTSE, nhóm tiếp tục ước lượng phương trình (10) bằng việc sử dụng dữ liệu tỷ suất sinh lợi lấy từ MSCI và GFD, kết quả được trình bày trong phụ lục. Hơn nữa, vì những bài nghiên cứu trước đây xem xét các biến kinh tế quốc gia bổ sung như các chỉ báo dự đoán tỷ suất sinh lợi, nên nhóm cũng kiểm định khả năng dự báo của tỷ suất sinh lợi quốc gia lấy trễ khi kiểm soát bốn biến kinh tế quốc gia bổ sung theo dữ liệu hàng tuần có sẵn cho hầu hết các quốc gia: chênh lệch giữa lãi suất ngắn hạn và lãi suất dài hạn, tỷ lệ lạm phát, tốc độ tăng trưởng của tỷ giá thực và tốc độ tăng trưởng sản lượng công nghiệp thực. Việc ước lượng này để nghiên cứu xem liệu việc thêm các biến kinh tế quốc gia vào có làm gia tăng khả năng dự báo không.
Trang 28 3.1.2.2. Mô hình tổng quát: Phương trình (10) cung cấp một khuôn mẫu cho các kiểm định nhân quả Granger theo cặp. Một mô hình tổng quát chung cho việc kiểm định khả năng dự báo của tỷ suất sinh lợi lấy trễ của các quốc gia có dạng: ri,t+1 = βi,0 + βi,i ri,t + ∑푗≠푖 βi, j rj,t + βi,b billi,t +βi,ddyi,t +ϵi,t+1 , (11) Phương trình (11) là một phương trình đơn từ một “mô hình VAR (1) cải tiến” đối với tỷ suất sinh lợi của 8 quốc gia, trong đó ngoài tỷ suất sinh lợi lấy trễ từ 8 quốc gia, nhóm còn sử dụng các biến số kinh tế của quốc gia i như là các biến hồi quy. Mô hình tổng quát này kiểm soát đồng thời tất cả tỷ suất sinh lợi quốc gia lấy trễ khác khi kiểm định quan hệ nhân quả Granger. Tuy nhiên, ước lượng OLS của phương trình (11) bị cản trở bởi một loạt các biến hồi quy tương quan, do đó dẫn đến việc ước lượng các tham số không còn chính xác và các kiểm định thống kê trở nên yếu kém. Do đó, có thể sử dụng một số phương pháp để cải thiện việc ước lượng và kiểm định này. Một trong những phương pháp đó là một phiên bản gộp của phương trình (11), theo như tinh thần của bài nghiên cứu Ang và Bekaert (2007), Hjalmarsson ( 2010). Để áp dụng phương pháp này, ta phải áp đặt các giới hạn độ dốc đồng nhất như sau: βi,j = 훽̅AR , βi,j =훽̅j , βi,b =훽̅b và βi,d =훽̅d với i = 1, ,N. Trong trường hợp đánh đổi giữa hiệu quả và sai lệch, mặc dù phương pháp gộp này có khả năng đưa ra những sai lệch, nhưng nó làm tăng hiệu quả ước lượng; ví dụ như nó có thể cải thiện hiệu quả ước lượng bằng cách làm giảm sai số bình phương trung bình. Hơn thế nữa, như đã nêu ở trên, các ước lượng gộp đo lường mối quan hệ trung bình trong dữ liệu và các sai lệch sẽ được hiệu chỉnh theo chu trình wild bootstrap. Do đó, nhóm sẽ tiến hành ước lượng gộp OLS cho hệ số 훽̅j, cùng với các sai lệch đã được hiệu chỉnh theo chu trình wild bootstrap với độ tin cậy 90%. 3.1.3. Mô hình khuếch tán thông tin: Để phân tích các giới hạn thông tin quốc tế một cách chính thức, theo nghiên cứu của Rapach, Strauss và Zhou (2013), ta có mô hình khuếch tán thông tin thực nghiệm như sau: 푖,푡+1 = 휇푖,푡 + 푖,푡+1 + 휃푖,푗휆푖,푗 푗,푡+1 + (1 − 휃푖,푗)휆푖,푗 푗,푡, (12)
Trang 29 푗,푡+1 = 휇푗,푡 + 휃푗,푖휆푗,푖 푖,푡+1 + (1 − 휃푗,푖)휆푗,푖 푖,푡 + 푗,푡+1 (13) Trong đó: 푖,푡 = 훽푖,0 + 훽푖, 푖푙푙푖,푡 + 훽푖, 푖,푡, (14) 푗,푡 = 훽푗,0 + 훽푗, 푖푙푙푗,푡 + 훽푗, 푗,푡, (15) Là thành phần tỷ suất sinh lợi kỳ vọng tương ứng với các biến kinh tế quốc gia trong các quốc gia i và j; 푖,푡+1 và 푗,푡+1 là các cú sốc tỷ suất sinh lợi không tương quan với nhau theo từng kỳ và xảy ra đồng thời trong quốc gia i và j; 휆푖,푗 đo lường tác động tổng thể của một đơn vị cú sốc tỷ suất sinh lợi của quốc gia j lên tỷ suất sinh lợi của quốc gia i, và 휃푖,푗 là tham số khuếch tán, nó đo lường tỷ lệ tác động tổng thể của cú sốc tỷ suất sinh lợi của quốc gia j được đưa vào một cách đồng thời với tỷ suất sinh lợi của quốc gia i. Mô hình khuếch tán thông tin cho phép đối với một cú sốc tỷ suất sinh lợi xảy ra trong một quốc gia được đưa vào một cách đầy đủ trong một quốc gia khác với một độ trễ, theo cách đó cho phép các giới hạn thông tin xuyên quốc gia.1 Giải 푗,푡+1 trễ một tuần trong phương trình (13), thay thế vào phương trình (12), ta có: 푖,푡+1 = 휇푖,푡 − (1 − 휃푖,푗)휆푖,푗휇푗,푡−1 + (1 − 휃푖,푗)휆푖,푗 푗,푡 + 푒푖,푡+1, (16) Trong đó: 푒푖,푡+1 = 푖,푡+1 + 휃푖,푗휆푖,푗 푗,푡+1 − (1 − 휃푖,푗)휆푖,푗[휃푗,푖휆푗,푖 푖,푡 + (1 − 휃푗,푖)휆푗,푖 푖,푡−1]. (17) Hệ số của 푗,푡 trong phương trình (16) thiết lập các điều kiện mà trong đó tỷ suất sinh lợi lấy trễ của quốc gia j dự báo tỷ suất sinh lợi của quốc gia i trong trường hợp của mô hình khuếch tán thông tin: 휆푖,푗# 0, (18) 휃푖,푗 ≠ 1. (19) Những điều kiện này chủ yếu là mang tính trực giác. Công thức (18) đòi hỏi cú sốc tỷ suất sinh lợi của quốc gia j tác động tỷ suất sinh lợi của quốc gia i; nếu cú sốc của 1 Mô hình News-diffusion cho phép hoặc phản ứng dưới (θi,j 1) trong quốc gia i đối với một cú sốc tỷ suất sinh lợi của quốc gia j; các lực giới hạn thông tin hàm ý θi,j < 1.
Trang 30 quốc gia j không thích hợp cho quốc gia i, thì tỷ suất sinh lợi lấy trễ của quốc gia j sẽ không dự báo được tỷ suất sinh lợi trong quốc gia i. Nếu 휆푖,푗 ≠ 0, thì công thức (19) cho thấy rằng tỷ suất sinh lợi lấy trễ của quốc gia j tác động tỷ suất sinh lợi của quốc gia i nhưng phải mất hơn một tháng để một cú sốc tỷ suất sinh lợi của quốc gia j được phản ánh đầy đủ trong giá các cổ phần của quốc gia i, nguyên nhân là do các giới hạn thông tin quốc tế. Phần 2 trình bày khả năng dự báo của tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc cho tỷ suất sinh lợi của các quốc gia Đông Nam Á. Điều này có thể được giải thích trong nội dung của công thức (16), trong đó i đại diện cho một quốc gia Đông Nam Á, và j đại diện lần lượt cho Mỹ/Trung Quốc. Giả định rằng 휃푈푆 / ,푖 = 1, vì vậy tỷ suất sinh lợi lấy trễ của các quốc gia Đông Nam Á không dự báo được tỷ suất sinh lợi của Mỹ và Trung Quốc, công thức (16) trở thành: 푖,푡+1 = 휇푖,푡 − (1 − 휃푖,푈푆 )휆푖,푈푆 / 휇푈푆 / ,푡−1 + (1 − 휃푖,푈푆 )휆푖,푈푆 / 푈푆 / ,푡 + 푒푖,푡+1, (20) Trong đó: 푒푖,푡+1 = 푖,푡+1 + 휃푖,푈푆 / 휆푖,푈푆 / 푈푆 / ,푡+1 − (1 − 휃푖,푈푆 / )휆푖,푈푆 / 휆푈푆 / ,푖 푖,푡. (21) Hệ số của 푈푆 / ,푡 trong công thức (20) xác định các yếu tố mà tăng cường khả năng dự báo của tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc đối với các quốc gia Đông Nam Á. Tác động tổng thể của một cú sốc tỷ suất sinh lợi của Mỹ/Trung Quốc lên quốc gia i càng lớn, được thể hiện bởi 휆푖,푈푆 / càng lớn, thì khả năng dự báo tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc càng lớn; các liên kết kinh tế với Mỹ/Trung Quốc chặt chẽ hơn tương ứng với một 휆푖,푈푆 / lớn hơn. Hơn nữa, các giới hạn thông tin lớn hơn, tương ứng với một 휃푖,푈푆 / nhỏ hơn, gia tăng khả năng dự báo lớn hơn của tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc; khi 휃푖,푈푆 / giảm, các nhà đầu tư tập trung nhiều vào Mỹ/Trung Quốc hơn so với quốc gia i, vì vậy một phần lớn trong cú sốc xảy ra ở Mỹ/Trung Quốc được phản ánh bên ngoài nước Mỹ/Trung Quốc với một sự chậm trễ.
Trang 31 Khi cú sốc tỷ suất sinh lợi của Mỹ/Trung Quốc quan trọng đối với các quốc gia Đông Nam Á và các giới hạn thông tin tồn tại, công thức (20) cho thấy một sự hồi quy dự báo theo quy ước dựa trên một mình các biến kinh tế quốc gia sẽ không đủ khả năng dự báo tỷ suất sinh lợi được mô hình hóa cho các quốc gia Đông Nam Á; thay vào đó, hồi quy dự báo sẽ gia tăng với việc thêm vào tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc. Nói một cách nghiêm túc thì công thức (20) cũng cho thấy các biến kinh tế của Mỹ/Trung Quốc từ tháng t-1 (do sự có mặt của 휇푈푆 / ,푡−1) được bao gồm trong hồi quy dự báo. Tuy nhiên, những biến kinh tế Mỹ/Trung Quốc này thiếu sự phù hợp cho việc dự báo 푖,푡+1 so với 푈푆 / ,푡, bởi vì sự biến động trong tỷ suất sinh lợi kỳ vọng của Mỹ/Trung Quốc (휇푈푆 / ,푡−1) chỉ là một thành phần nhỏ trong tỷ suất sinh lợi thực của Mỹ/Trung Quốc. Hơn nữa, công thức (21) cho thấy sai số trong hồi quy dự báo sẽ tự tương quan. Hơn nữa, điều này có thể chỉ thiếu phù hợp trong thực tế, bởi vì hệ số của 푖,푡 trong công thức (21) sẽ có thể gần với 0; thực vậy, nếu quốc gia i tương quan thấp đối với Mỹ, 휆푈푆 ,푖 = 0 và tự tương quan biến mất. Để có cái nhìn sâu sắc hơn về các giới hạn thông tin quốc tế thì nhóm ước lượng các tham số cấu trúc của mô hình khuếch tán thông tin. Để xác định các tham số cấu trúc, nhóm giả định rằng các quốc gia ngoài nước Mỹ/Trung Quốc thì nhỏ, vì vậy cú sốc tỷ suất sinh lợi xảy ra trong những nước này không tác động đến tỷ suất sinh lợi của Mỹ/Trung Quốc (휆푈푆 / ,푖 = 0). Vì vậy, mô hình khuếc tán thông tin có thể được đơn giản hóa: 푈푆 ,푡+1 = ′푈푆 ,푡훽푈푆 + 푈푆 ,푡+1, (22) 푖,푡+1 = ′푖,푡훽푖 + 휃푖,푈푆 휆푖,푈푆 푈푆 ,푡+1 + (1 − 휃푖,푈푆 )휆푖,푈푆 푈푆 ,푡 + 푖,푡+1, (23) Cho i=VIE, , THA, trong đó 푖,푡 = (1, 푖푙푙푖,푡, 푖,푡)′ và 훽푖 = (훽푖,0, 훽푖, , 훽푖, )′. Thu được 53 tham số trong công thức (22) và (23) trong vector sau: ′ ′ ′ ′ ∅ = (훽 푈푆 , 훽 푈푆 , 휃 푈푆 , 휆 , , 훽 , 휃 , 휆 ) , 푖, , ,푈푆 / 푖, ,푈푆 / ,푈푆 / (24) Tác giả ước lượng ∅ sử dụng GMM hai bước:
Trang 32 [ 푈푆 / ,푡 푈푆 / ,푡+1(∅)] = 0, (25) ′ 푈푆 / ,푡+1 [( 푖푙푙푖,푡, 푖,푡) (∅)] = 0, 푖 = , , , (26) ′ [( 푖,푡, 푈푆 / ,푡+1(∅), 푈푆 / ,푡(∅))′ 푖,푡+1(∅) = 0, 푖 = , , . (27) Những điều kiện tức thì này cho thấy một tập hợp các điều kiện mang tính trực giao được hàm ý bởi mô hình khuếch tán thông tin và làm cho ước lượng GMM dễ dùng hơn. GMM sẽ ước lượng các tham số trong công thức (22) và (23) để xem xét mô hình khuếch tán thông tin giữa các quốc gia. Từ đây, nhóm tiến hành ước lượng các tham số trong công thức (22) và (23) bằng GMM. Nhóm tập trung vào các giá trị ước lượng của 휃푖,푈푆 / và 휆푖,푈푆 / , các tham số cấu trúc quan trọng trong mô hình khuếch tán thông tin. Thống kê t cho các ̃ giá trị ước lượng 휆푖,푈푆 / là để kiểm định giả thuyết 0: 휆푖,푈푆 / = 0 ngược lại với giả thuyết : 휆푖,푈푆 / > 0, và tất cả chúng đều cho thấy có những sự liên kết có ý nghĩa giữa thị trường cổ phiếu của mỗi quốc gia và thị trường Mỹ/Trung Quốc. Các thống kê t cho các giá trị ước lượng 휃̃푖,푈푆 / là để kiểm định giả thuyết 0: 휃푖,푈푆 / = 1 ngược với giả thuyết : 휃푖,푈푆 / < 1. Ngoài ra, nhóm cũng thực hiện ước lượng gộp của các tham số mô hình khuếch tán thông tin để nghiên cứu mối quan hệ trung bình trong dữ liệu dựa trên các giới hạn mang tính đồng nhất sau: 훽푖, = ̅ ̅ ̅ 훽 , 훽푖, = 훽 cho tất cả i; 휃푖,푈푆 / = 휃푈푆 ̅ / , 휆푖,푈푆 / = 휆푈푆 / cho tất cả 푖 ≠ 푈푆 / . Ngoài ra, để đánh giá tầm quan trọng tương đối của các giới hạn thông tin, nhóm sẽ so sánh các hệ số của 푈푆 / ,푡 trong công thức (20) được hàm ý trong các ước lượng ̂ GMM của 휃푖,푈푆 / và 휆푖,푈푆 / với các ước lượng 훽푖,푈푆 / trong công thức (17). ̃ Để tạo điều kiện cho việc so sánh, nhóm tiến hành tính 훽푖,푈푆 / = (1 − ̃ 휃̃푖,푈푆 / )휆푖,푡푈푆 / , trong đó thống kê t được tính theo phương pháp delta. Việc so sánh này để xem xét các giới hạn thông tin có giải thích cho tất cả các khả năng dự ̂ báo tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc không. Nếu giá trị 훽푖,푈푆 / lớn hơn
Trang 33 ̃ giá trị 훽푖,푈푆 / thì cho thấy các giới hạn thông tin không giải thích cho tất cả các khả năng dự báo tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc và ngược lại. 3.1.4. Mô hình dự báo ngoài mẫu: Goyal và Welch (2008) gần đây cho thấy rằng, mặc dù tồn tại những bằng chứng trong mẫu (in-sample) về khả năng dự báo tỷ suất sinh lợi có ý nghĩa, nhưng giá trị dự báo tỷ suất sinh lợi thặng dư từ các mô hình hồi quy dự báo dựa trên các biến kinh tế thì thường không thể hiện tốt hơn các giá trị dự báo trung bình lịch sử đơn giản trong các kiểm định ngoài mẫu (out-of-sample). Điều này dẫn đến nghi vấn đối với khả năng dự báo tỷ suất sinh lợi của các mô hình trong mẫu (in-sample), mô hình mà dự báo tỷ suất sinh lợi thặng dư dựa trên các biến kinh tế quốc gia. Tiến hành theo hướng nghiên cứu của Goyal và Welch (2008), nhóm sẽ kiểm định xem các mô hình dự báo mà sử dụng tỷ suất sinh lợi của Mỹ/Trung Quốc có thể hiện khả năng dự báo tốt hơn các mô hình dự báo dựa trên giá trị trung bình lịch sử không. Các giá trị dự báo dựa trên giá trị trung bình lịch sử trong mô hình tỷ suất sinh lợi thặng dự kỳ vọng không đổi được thể hiện như sau: ri,t+1 = βi,0 + єi,t+1 (28) Mô hình này thì tương đương với một mô hình cơ sở không có khả năng dự báo. Các giá trị dự báo dựa trên giá trị trung bình lịch sử của tỷ suất sinh lợi thặng dư thời điểm (t +1) của quốc gia i chỉ đơn giản là tỷ suất sinh lợi thặng dư trung bình của quốc gia i từ thời điểm bắt đầu của mẫu đến thời điểm t. Đối với mỗi một quốc gia Đông Nam Á, nhóm sẽ so sánh các giá trị dự báo dựa trên giá trị trung bình quá khứ với các giá trị dự báo được tạo ra từ một mô hình hồi quy dự báo dựa trên tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc như là một biến hồi quy: ri,t+1 = βi,0 + βi,USA/CHI rUSA/CHI,t + єi,t+1 (29) Khi hình thành các giá trị dự báo tỷ suất sinh lợi thặng dự thời điểm (t+1) dựa trên phương trình hồi quy (29), nhóm tiến hành ước lượng các tham số trong công thức (29) bằng cách sử dụng phương pháp hồi quy OLS. Việc hình thành các giá trị dự báo theo cách này mô phỏng tình hình của nhà đầu tư trong thời gian thực.
Trang 34 Để so sánh các giá trị dự báo dựa trên trung bình lịch sử với các giá trị dự báo dựa trên mô hình hồi quy tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc, nhóm sẽ tiến hành theo như nghiên cứu của Campbell và Thompson (2008) bằng cách sử dụng giá trị thống kê 2 2 2 ngoài mẫu (out-of-sample) 푅 , 푅 푆. Giá trị thống kê 푅 푆 đo lường sự chênh lệch giữa các giá trị sai số dự báo bình phương trung bình (mean-squared forecast error, MSFE) của mô hình hồi quy dự báo dựa trên tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc và mô hình dự báo dựa trên giá trị trung bình quá khứ. Nhóm cũng tiến hành theo hướng nghiên cứu của Clark và West (2007) bằng cách sử dụng MSFE thống kê đã được điều chỉnh (MSFE-adjusted statistic) để kiểm định giả thuyết không cho rằng các giá trị 2 MSFE bằng nhau (có nghĩa là 푅 푆 = 0) so với giả thuyết đối cho rằng mô hình dự báo dựa trên tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc có giá trị MSFE thấp hơn mô hình 2 dự báo dựa trên giá trị trung bình trong quá khứ (có nghĩa là 푅 푆 > 0). Từ đó, có thể xác định được mô hình nào có khả năng dự báo tốt hơn trong hai mô hình. 2 Ngoài ra, nhóm cũng tiến hành tính giá trị thống kê 푅 푆 trong trường hợp áp dụng phương pháp ước lượng gộp cho mô hình hồi quy dự báo dựa trên tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc, trong đó áp đặt các giới hạn độ dốc đồng nhất: 훽푖,푈푆 / = ̅ 훽푈푆 / với mọi 푖 ≠ 푈푆 / . Phương pháp ước lượng gộp này sẽ tạo ra sự đánh đổi giữa sai lệch và hiệu quả, sự hiệu quả được thể hiện ở khía cạnh là phương pháp ước lượng gộp này có thể cải thiện hiệu suất dự báo bằng cách làm giảm sự biến động của các giá trị ước lượng của tham số (Hjalmarsson (2010)), nhưng cũng không thể tránh khỏi những sai lệch khi ước lượng do phương pháp ước lượng gộp chủ yếu đo lường mối quan hệ trung bình, và những sai lệch này sẽ được điều chỉnh theo chu trình wild boostrap (White (2000), Inoue và Kilian (2004), Rapach và Wohar (2006), Clark và McCracken (2012)). Việc tiến hành phương pháp ước lượng gộp này chủ yếu đo lường mối quan hệ trung bình trong dữ liệu và xem xét xem kết quả từ ước lượng gộp có củng cố thêm cho kết quả nghiên cứu không. Hơn nữa, nhóm cũng tiến hành phân tích sâu hơn khả năng dự báo tỷ suất sinh lợi ngoài mẫu (out-of-sample) cho hai mô hình dự báo cơ sở: (i) một mô hình tự hồi quy bậc nhất và (ii) mô hình hồi quy dự báo tiêu chuẩn dựa trên lãi suất danh nghĩa lấy trễ và tỷ suất cổ tức trễ lấy log của chính quốc gia đó. Theo đó, nhóm sẽ tiến hành so sánh
Trang 35 khả năng dự báo của mô hình hồi quy dự báo dựa trên tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc lần lượt với khả năng dự báo của mô hình tự hồi quy bậc nhất và mô hình hồi quy dự báo tiêu chuẩn dựa trên lãi suất danh nghĩa lấy trễ và tỷ suất cổ tức trễ lấy log của chính quốc gia. Quy trình tiến hành so sánh được tiến hành như quá trình so sánh mô hình dựa trên tỷ suất sinh lợi lấy trễ của Mỹ/Trung Quốc và mô hình dưạ trên giá trị trung bình quá khứ. Ngoài ra, nhóm cũng tiến hành áp dụng phương pháp ước lượng gộp cho mô hình hồi quy dự báo dựa trên tỷ suất sinh lợi lấy trên của 2 Mỹ/Trung Quốc, để từ đó tính được giá trị 푅 푆 cho việc so sánh giữa hai mô hình. Phương pháp so sánh khả năng dự báo của các mô hình khác nhau cũng được áp dụng tương tự cho bộ dữ liệu từ MSCI và GFD và được trình bày trong phụ lục. 3.2. Dữ liệu: Dữ liệu của bài nghiên cứu được lấy từ nghiều nguồn khác nhau, bao gồm những nguồn dữ liệu chủ yếu như FTSE, IFS, ngân hàng trung ương của các quốc gia. Phạm vi lấy mẫu là Mỹ, Trung Quốc, 6 quốc gia Đông Nam Á (Việt Nam, Indonesia, Malaysia, Phillipines, Singapore, Thái Lan). Thời kỳ lấy mẫu là từ ngày 04/06/2007 đến ngày 24/06/2013. Dữ liệu hằng ngày lấy từ nguồn dữ liệu FTSE bao gồm tỷ suất sinh lợi của chỉ số chứng khoán quốc gia của 8 quốc gia, tỷ suất cổ tức của chỉ số chứng khoán quốc gia của 8 quốc gia. Dữ liệu lấy từ ngân hàng trung ương của các quốc gia chủ yếu là lãi suất t-bill 3 tháng của các quốc gia. Dữ liệu lấy từ IFS chủ yếu là dữ liệu về sản lượng công nghiệp, chỉ số CPI, tỷ giá hối đoái, lãi suất trái phiếu chính phủ 5 năm của các quốc gia. Ngoài ra, nhóm còn tiến hành thu thập thêm một bộ dự liệu mới bao gồm tỷ suất sinh lợi chứng khoán quốc gia của 8 nước trên và tỷ suất cổ tức của chỉ số chứng khoán quốc gia của 8 nước từ nguồn dữ liệu Morgan Stanley Capital International (MSCI) và Global Financial Data (GFD), để so sánh xem liệu kết quả từ bộ dữ liệu lấy từ FTSE có tương đồng với kết quả lấy từ bộ dữ liệu lấy từ MSCI và GFD không, nếu có sự tương đồng thì càng khẳng định thêm độ vững bền của kết quả nghiên cứu. Kết quả nghiên cứu dựa trên bộ dữ liệu MSCI và GFD được trình bày trong phụ lục. Từ bộ dữ liệu trên, bài nghiên cứu tiến hành xây dựng các biến số cần thiết theo tuần. Có rất nhiều lý do để nhóm xây dựng bộ dữ liệu theo tuần. Như đã biết, phân biệt tỷ
Trang 36 suất sinh lợi dài hạn và ngắn hạn rất quan trọng vì sự biến động của tỷ suất sinh lợi theo tuần thì khác với sự biến động của tỷ suất sinh lợi ba năm, năm năm hay mười năm, do đó từ kết quả của tỷ suất sinh lợi ngắn hạn không thể suy ra những lập luận liên quan đến tỷ suất sinh lợi dài hạn. Theo như Lo và MacKinlay (1989) và những bài nghiên cứu trước đây, khả năng dự báo của tỷ suất ngắn hạn, đặc biệt là tỷ suất sinh lợi theo tuần và theo tháng, thì mạnh hơn và thích hợp hơn theo thời gian. Lo và MacKinlay (1987) đã sử dụng tỷ suất sinh lợi theo tuần để nghiên cứu về khả năng dự báo đối với tỷ suất sinh lợi chứng khoán thị trường và phát hiện ra rằng tỷ suất sinh lợi của các công ty lớn dẫn dắt tỷ suất sinh lợi của các công ty nhỏ. Sau đó, Lo và MacKinlay (1988) tiếp tục xem xét liệu giá của chứng khoán thị trường có tuân theo bước đi ngẫu nhiên, bằng cách sử dụng tỷ suất sinh lợi của các danh mục đầu tư theo tuần lấy từ New York và American Stock Exchange từ năm 1962 đến năm 1985. Trong bài nghiên cứu về bước đi ngẫu nhiên của tỷ suất sinh lợi chứng khoán, Lo và MacKinlay không sử dụng sử liệu theo ngày mặc dù sẽ tạo ra nhiều quan sát hơn vì việc sử dụng tỷ suất sinh lợi theo ngày có thể làm xuất hiện các sai lệch liên quan đến vấn đề không giao dịch, chênh lệch giữa giá mua và giá bán, giá không đồng bộ, Vì vậy, tạo dữ liệu theo tuần là thích hợp nhất vì vừa có thể tạo ra nhiều quan sát, vừa có thể giảm thiểu các sai lệch xuất hiện trong chuỗi dữ liệu theo ngày. Chính vì hai lý do trên mà nhóm nghiên cứu đã quyết định lấy chuỗi số liệu tỷ suất sinh lợi theo tuần. Như vậy, bộ dữ liệu các biến số bao gồm: - Tỷ suất sinh lợi thặng dư hàng tuần của các chỉ số chứng khoán quốc gia - Lãi suất danh nghĩa ngắn hạn - Tỷ suất cổ tức - Tốc độ tăng trưởng sản lượng công nghiệp - Tỷ lệ lạm phát - Tỷ lệ thay đổi của tỷ giá hối đoái - Chênh lệch lãi suất Quy mô dữ liệu theo tuần ban đầu có 30524 quan sát (của 8 quốc gia). Tuy nhiên, do đồng bộ dữ liệu cho tất cả các biến số nên bộ dữ liệu xem xét có 20352 quan sát trong giai đoạn 06/2007 đến 06/2013.
Trang 37 3.2.1. Tỷ suất sinh lợi thặng dư hàng tuần: Tỷ suất sinh lợi thặng dư của các chỉ số chứng khoán quốc gia bằng chênh lệch giữa tổng tỷ suất sinh lợi (bao gồm tỷ suất sinh lợi trực tiếp từ cổ tức) của các chỉ số chứng khoán quốc gia và lãi suất phi rủi ro (lãi suất t-bill 3 tháng). Tổng tỷ suất sinh lợi được đo lường theo đồng tiền nội tệ của từng quốc gia. Việc đo lường tỷ suất sinh lợi theo đồng nội tệ của từng quốc gia là do theo như nghiên cứu của Solnik cho rằng tỷ suất sinh lợi thặng dư tính bằng đồng nội tệ sẽ xấp xỉ bằng với tỷ suất sinh lợi thặng dư có tính đến sự phòng ngừa rủi ro ngoại tệ của các nhà đầu tư quốc tế, do sự tồn tại của ngang giá lãi suất với phần bù kỳ hạn bằng với chênh lệch trong lãi suất phi rủi ro. Sự khác biệt giữa tỷ suất sinh lợi thặng dư tính bằng đồng nội tệ và tỷ suất sinh lợi thặng dư có tính đến sự phòng ngừa rủi ro ngoại tệ sẽ được giảm thiểu nếu sử dụng những kỳ hạn ngắn hơn cho tỷ suất sinh lợi, chẵng hạn như tỷ suất sinh lợi theo tuần, theo tháng (trong nghiên cứu của nhóm thì tỷ suất sinh lợi theo tuần đã được sử dụng). Việc bài nghiên cứu chỉ sử dụng đồng nội tệ cho tỷ suất sinh lợi của các chỉ số chứng khoán quốc mà không sử dụng một đơn vị tiền tệ quốc tế chung như là USD cho việc đo lường tỷ suất sinh lợi thặng dư là do theo như lập luận của Solnik (1993) cho rằng việc đo lường tỷ suất sinh lợi thặng dư theo đồng nội tệ sẽ tránh được nhu cầu phải phát triển một mô hình phần bù rủi ro cho tỷ giá hối đoái, do đó cho phép nhóm chỉ cần tập trung vào tỷ suất sinh lợi kỳ vọng thay đổi theo thời gian trong thị trường vốn cổ phần của các quốc gia. Chuỗi dữ liệu tỷ suất sinh lợi của các chỉ số chứng khoán quốc gia được lấy từ chuỗi dữ liệu tỷ suất sinh lợi hằng ngày từ FTSE (MSCI và GFD), do đó tỷ suất sinh lợi hàng tuần của mỗi chỉ số chứng khoán quốc gia sẽ bằng mức giá đóng cửa ngày thứ sáu hàng tuần chia cho mức giá đóng cửa của ngày thứ sáu tuần trước, tất cả trừ cho 1. Nếu không có dữ liệu mức giá đóng cửa của ngày thứ sáu thì có thể lấy giá đóng cửa của ngày thứ năm trước đó, nếu mức giá đóng cửa của ngày thứ sáu và thứ năm không có thì lấy mức giá đóng cửa của ngày thứ tư, nếu cả mức giá đóng cửa của ngày thứ tư cũng không có thì bỏ trống quan sát đó. Sau đó, tiếp tục lấy tỷ suất sinh lợi hàng tuần của các chỉ số chứng khoán quốc gia trên trừ cho lãi suất phi rủi ro (lấy lãi suất T-bill
Trang 38 3 tháng) để được tỷ suất sinh lợi thặng dư hàng tuần của các chỉ số chứng khoán quốc gia. Bảng 1: Thống kê tổng hợp tỷ suất sinh lợi thặng dư của các chỉ số chứng khoán quốc gia theo tuần trong giai đoạn từ 06/2007 đến 06/2013: Bảng này trình bày thống kê tổng hợp tỷ suất sinh lợi thặng dư của các chỉ số chứng khoán quốc gia theo tuần (theo %) tính bằng đồng nội tệ của Mỹ, Trung Quốc và 6 quốc gia Đông Nam Á. Tỷ số Sharpe bằng trung bình tỷ suất sinh lợi thặng dư chia cho độ lệch chuẩn của từng quốc gia. Dữ liệu được lấy từ FTSE. Standard Sharpe Mean Deviation Minimum Maximum Autocorrelation ratio Vietnam -0.54 1.71 -5.30 4.44 -0.05 -0.32 Indonesia -0.26 1.75 -9.37 7.75 -0.04 -0.15 Thailand -0.04 1.51 -10.96 5.01 0.03 -0.03 Malaysia -0.19 0.87 -4.31 3.34 0.10 -0.22 Phillipines -0.22 1.46 -8.01 4.95 0.05 -0.15 Singapore -0.06 1.35 -8.11 5.68 0.22 -0.04 United States -0.04 1.28 -4.18 6.33 -0.06 -0.03 China 0.03 2.15 -8.95 14.54 0.08 0.02 Bảng 1 trình bày thống kê mô tả tỷ suất sinh lợi thặng dư của các chỉ số chứng khoán quốc gia theo tuần (dưới dạng %) của 8 quốc gia. Tỷ suất sinh lợi thặng dư trung bình hàng tuần biến thiên từ -0.54% (Việt Nam) đến 0.03% (Trung Quốc), hầu hết tỷ suất sinh lợi thặng dư của các quốc gia đều âm là do giai đoạn nghiên cứu của nhóm là từ tháng 06/2007 đến tháng 06/2013, mà đây là giai đoạn xảy ra cuộc khủng hoảng kinh tế toàn cầu 2008, cho nên việc tỷ suất sinh lợi thặng dư âm là điều không thể tránh khỏi. Độ lệch chuẩn và giá trị lớn nhất/ giá trị nhỏ nhất biểu thị độ bất ổn của tỷ suất sinh lợi thặng dư đối với từng quốc gia, trong đó Trung Quốc có độ bất ổn cao nhất với tỷ suất sinh lợi biến thiên từ -8.95% đến 14.54%, và phương sai bằng 2.15. Việt Nam có tỷ số Sharpe hàng tuần thấp nhất (-0.32) trong khi Trung Quốc có tỷ số Sharpe cao nhất (0.02), các quốc gia còn lại đều có tỷ số Sharpe âm. Một số quốc gia thể hiện tự tương dương khá lớn trong tỷ suất sinh lợi thặng dư của chính quốc gia đó, chạy từ 0.10 (Malaysia) đến 0.22 (Singapore). Tỷ suất sinh lợi thặng dư của Thái Lan,
Trang 39 Indonesia, Việt Nam, Phillipines và Mỹ có tự tương quan nhỏ nhất (0.03, 0.04, 0.05, 0.06). Ngoài ra, có một số quốc gia có tỷ suất sinh lợi thặng dư thể hiện sự tương quan âm, chẳng hạn như Việt Nam, Indonesia và Mỹ. 3.2.2. Các biến kinh tế quốc gia: Hai biến kinh tế quốc gia chính được nghiên cứu xuyên suốt bài nghiên cứu là biến tỷ suất cổ tức và lãi suất danh nghĩa ngắn hạn. Ngoài ra, khi nghiên cứu mối quan hệ dẫn dắt trễ bằng các kiểm định nhân quả Granger, nhóm cũng tiến hành nghiên cứu thêm 4 biến kinh tế quốc gia là tốc độ tăng trưởng của sản lượng công nghiệp, tỷ lệ lạm phát, tỷ lệ thay đổi của tỷ giá hối đoái và chênh lệch lãi suất. 3.2.2.1. Tỷ suất cổ tức: Tỷ suất cổ tức: theo như Campell và Shiller (1988) thì tỷ suất cổ tức bằng tổng cổ tức trong năm trước chia cho mức giá hiện hành. Khi tiến hành hồi quy dự báo thì nhóm sử dụng giá trị log tự nhiên của tỷ suất cổ tức hơn là chuỗi dữ liệu thô, bởi vì chuỗi dữ liệu lấy log có tính chất chuỗi thời gian tốt hơn. Dữ liệu tỷ suất cổ tức thô được đo lường dưới dạng tỷ số nên có khả năng lệch dương, do đó lấy log có thể giải quyết được vấn đề này và làm chuỗi dữ liệu trở nên đối xứng hơn. Theo như tinh thần của bài nghiên cứu Ang và Bekaert (2007) và Hjalmarsson (2010) nhận thấy rằng lãi suất thể hiện khả năng dự báo mạnh hơn tỷ suất cổ tức ở các quốc gia, vậy liệu lập luận này có nhất quán với những kết quả trong bài nghiên cứu này không? Câu hỏi này sẽ được trả lời vào cuối bài nghiên cứu. Việc nghiên cứu khả năng dự báo của tỷ suất cổ tức cho tỷ suất sinh lợi của chứng khoán trong tương lai là một đề tài kinh điển khi dự báo tỷ suất sinh lợi. Các bài nghiên cứu lý thuyết và thực nghiệm cung cấp bằng chứng cho thấy tỷ suất sinh lợi kỳ vọng của chứng khoán có thể dự đoán được. Tuy nhiên, thành phần dự đoán được của tỷ suất sinh lợi thị trường chứng khoán là một thành phần tương đối nhỏ của phương sai tỷ suất sinh lợi (Fama và Schwert (1977), Fama (1981), Keim và Stambaugh (1986) và French, Schwert và Stambaugh (1987)) . Một phát hiện thú vị khác nữa là theo như nghiên cứu của Fama và French (1988) cho thấy khi tác giả sử dụng tỷ số cổ tức trên giá (D/P), còn được gọi là tỷ suất cổ tức, để dự báo tỷ suất sinh lợi của các
Trang 40 danh mục đầu tư có tỷ trọng bằng nhau và tỷ trọng tính theo giá trị của chỉ số chứng khoán New York (NYSE ) cho các kỳ hạn tỷ suất sinh lợi (thời gian nắm giữ) từ một tháng đến bốn năm, kết quả cho thấy khả năng dự báo của tỷ suất cổ tức đối với tỷ suất sinh lợi chứng khoán gia tăng cùng với kỳ hạn của tỷ suất sinh lợi. Cùng nghiên cứu về khả năng dự báo tỷ suất sinh lợi chứng của tỷ suất cổ tức thì bài nghiên cứu của Goetzmann và Jorion (1993) xem xét khả năng dự báo của tỷ suất cổ tức đối với tỷ suất sinh lợi chứng khoán dài hạn. Tác giả sử dụng phương pháp bootstrap để kiểm định khả năng dự báo của tỷ suất cổ tức, và kết quả cho thấy không có bằng chứng mạnh cho thấy tỷ suất cổ tức có thể được sử dụng để dự báo tỷ suất sinh lợi. Như vậy đã có những bằng chứng ủng hộ cho khả năng dự báo của tỷ suất cổ tức nhưng cũng có những bằng chứng bác bỏ khả năng dự báo đó, cho nên theo như nghiên cứu của Cornell (2012) lập luận rằng ở một số quốc gia, tỷ suất cổ tức dự đoán được tỷ suất sinh lợi tương lai, ở các nước khác chúng dự đoán được tốc độ tăng trưởng cổ tức trong tương lai, và trong các quốc gia khác thì tỷ suất cổ tức thể hiện khả năng dự báo cho cả tỷ suất sinh lợi chứng khoán và tốc độ tăng trưởng của tỷ suất cổ tức, cho thấy những phát hiện không đồng nhất này hỗ trợ việc giải thích rằng mối quan hệ giữa các biến phụ thuộc vào hoàn cảnh lúc đó. Đã có những tranh luận đáng kể trong các tài liệu tài chính gần đây về khả năng dự báo tỷ suất sinh lợi chứng khoán. Một số nghiên cứu dường như cung cấp sự hỗ trợ thực nghiệm cho việc sử dụng tỷ suất cổ tức như một phương pháp đo lường tỷ suất sinh lợi chứng khoán kỳ vọng (Rozeff (1984), Campbell và Shiller (1988a), Fama và French (1988), Hodrick (1992), và Nelson và Kim ( 1993)). Vấn đề với các nghiên cứu trước đây là hồi quy tỷ suất sinh lợi chứng khoán đối mặt với nhiều loại vấn đề thống kê về kinh tế lượng, trong số đó là vấn đề tương quan mạnh của các biến phụ thuộc và do đó có thể gây ra những sai lệch trong việc ước lượng hệ số hồi quy. Vì vậy, những vấn đề này có xu hướng tạo ra các kết luận giả mạo. Sau khi ghi nhận ra điều này, Goetzmann và Jorion (1993) lập luận rằng những phát hiện trước đây về mối quan hệ giữa tỷ suất sinh lợi chứng khoán và tỷ suất cổ tức có thể là giả mạo mà phần lớn là do hiệu suất yếu kém của mẫu nhỏ của các phương pháp ước lượng thường được sử dụng. Do đó, tác giả sử dụng cách tiếp cận bootstrap và kết luận rằng không có bằng chứng mạnh cho thấy tỷ suất cổ tức có thể được sử dụng để dự báo tỷ suất
Trang 41 sinh lợi chứng khoán. Cũng nhận thấy được vấn đề kinh tế lượng phát sinh giống như những gì Goetzmann và Jorion (1993) lập luận, (Micheal Wolf, 2000) đã trình bày một công cụ thống kê mới để đưa ra những suy luận trong bối cảnh các quan sát tương quan với nhau và có thể không dừng khi kiểm định khả năng dự báo của tỷ suất sinh lợi chứng khoán từ tỷ suất cổ tức. Phương pháp nghiên cứu mới này được gọi là phương pháp lấy mẫu phụ (sunsampling), phương pháp này sẽ tính số liệu thống kê của tỷ suất sinh lợi trên những mẫu nhỏ hơn trong toàn bộ dữ liệu, để từ đó suy ra được phân phối của các số liệu thống kê đó, do đo cho phép tác giả tính được khoảng tin cậy chính xác cho tham số chưa biết trong điều kiện yếu. Tác giả đã áp dụng các phương pháp lấy mẫu con cho ba bộ dữ liệu khác nhau sau chiến tranh, các chỉ số NYSE lấy tỷ trọng bằng nhau và tỷ trọng theo giá trị và chỉ số S & P 500, và bao gồm năm kỳ hạn tỷ suất sinh lợi khác nhau, từ một tháng đến bốn năm. Kết quả là tác giả không tìm thấy bất kỳ bằng chứng cho khả năng dự đoán của tỷ suất cổ tức cho những kỳ hạn ngắn và trung bình, nhưng những phát hiện đối với kỳ hạn dài dường như có ý nghĩa. Như vậy, có thể thấy tỷ suất cổ tức là một chỉ báo tiềm năng để dự đoán tỷ suất sinh lợi chứng khoán trong tương lai. 3.2.2.2. Lãi suất danh nghĩa ngắn hạn: Lãi suất t-bill 3 tháng: dữ liệu này có sẵn từ các ngân hàng trung ương của các quốc gia, nếu không thì có thể lấy lãi suất chiết khấu hoặc lãi suất liên ngân hàng. Mối quan hệ giữa tỷ suất sinh lợi chứng khoán và lãi suất luôn thu hút đông đảo mối quan tâm của các nhà nghiên cứu. Nhiều bài nghiên cứu đã tập trung vào khả năng dự báo tỷ suất sinh lợi kỳ vọng bằng cách sử dụng các dạng khác nhau của lãi suất như lãi suất danh nghĩa ngắn hạn (thường được đại diện bằng lãi suất T-bill 3 tháng), chênh lệch giữa lãi suất ngắn hạn và lãi suất dài hạn, chênh lệch giữa lợi suất trái phiếu chính phủ dài hạn và lợi suất trái phiếu doanh nghiệp dài hạn Các bài nghiên cứu trước đây đã tìm thấy các bằng chứng cho thấy khả năng dự báo của các biến lãi suất này đối với tỷ suất sinh lợi chứng khoán. Bài nghiên cứu gần như sớm nhất về khả năng dự báo của lãi suất phải kể đến là nghiên cứu của Fama và Schwert (1977) và Fama (1981) đã sử dụng lãi suất tín phiếu kho bạc như là biến đại diện cho lạm phát kỳ vọng, và bài nghiên cứu này chủ yếu tập trung xem xét mối quan hệ giữa tỷ suất sinh
Trang 42 lợi và lạm phát, hơn là nghiên cứu mối quan hệ giữa lãi suất và tỷ suất sinh lợi chứng khoán. Bài nghiên cứu của Fama và Schwert (1977) và Fama (1981) đã tìm thấy một mối tương quan âm đáng tin cậy giữa tỷ suất sinh lợi của chứng khoán và lãi suất tín phiếu kho bạc. Sự phát hiện này được giải thích như là bằng chứng chống lại giả thuyết Fisher, khi giả thuyết này dự đoán một mối tương quan dương giữa tỷ suất sinh lợi chứng khoán và làm phát kỳ vọng. Zhou (1996) cũng cho thấy rằng lãi suất có tác động quan trọng lên tỷ suất sinh lợi chứng khoán, đặc biệt là trong dài hạn. Một mảng nghiên cứu chủ yếu khác về khả năng dự báo tỷ suất sinh lợi của các biến lãi suất là sử dụng các biến lãi suất được suy ra từ đường cong lãi suất theo như nghiên cứu của Fama và French (1989). Tác giả đã xem xét khả năng dự báo tỷ suất sinh lợi kỳ vọng của các biến kinh tế quốc gia và các biến tỷ số tài chính như tỷ suất cổ tức, chênh lệch lãi suất ngắn hạn và dài hạn và chênh lệch lợi suất trái phiếu chính phủ và doanh nghiệp, bằng cách sử dụng dữ liệu của Mỹ trong giai đoạn 1927-1987. Kết quả của tác giả cho thấy chênh lệch lãi suất ngắn hạn và dài hạn thể hiện khả năng dự báo một cách ý nghĩa đối với tỷ suất sinh lợi hàng tháng trong tương lai, trong khi chênh lệch lợi suất trái phiếu chính phỉ và doanh nghiệp thể hiện khả năng dự báo một cách ý nghĩa tỷ suất sinh lợi 4 năm trong tương lai. Cả hai biến này đều có tương quan dương với tỷ suất sinh lợi kỳ vọng. Những giá trị chênh lệch lãi suất này đều tham gia giải thích cho 1% tỷ suất sinh lợi hàng tháng, 2% tỷ suất sinh lợi hàng quý, 7% tỷ suất sinh lợi hàng năm, 16% tỷ suất sinh lợi hai năm, 20% tỷ suất sinh lợi 3 năm, và 23% tỷ suất sinh lợi 4 năm. Sự thay đổi có thể dự đoán được gia tăng cùng với kỳ hạn của tỷ suất sinh lợi. Fama và French (1989) giải thích cho kết quả của họ như là bằng chứng về khả năng dự báo của các biến liên quan đến điều kiện kinh doanh cho tỷ suất sinh lợi chứng khoán. Ngoài ra cũng có nhiều nghiên cứu khác về khả năng dự báo của lãi suất như nghiên cứu của Chen (1991) xem xét mối quan hệ giữa tỷ suất sinh lợi chứng khoán và các biến quốc gia. Các biến quốc gia bao gồm tỷ suất cổ tức, chênh lệch lãi suất dài hạn, lãi suất tín phiếu kho bạc, chênh lệch lãi suất và tốc độ tăng trưởng sản lượng. Sử dụng dữ liệu tỷ suất sinh lợi theo quý của chỉ số NYSE cho giai đoạn 1954-1986, Chen (1991) nhận thấy chênh lệch lãi suất dài hạn có khả năng dự báo tỷ suất sinh lợi
Trang 43 trong 4 quý tới, trong khi chênh lệch lãi suất có thể dự báo tỷ suất sinh lợi trong ba quý tới. Tuy nhiên, lãi suất tín phiếu kho bạc tương quan một cách ý nghĩa với tỷ suất sinh sinh lợi chỉ trong quý tới. Kết quả cho thấy chênh lệch lãi suất ngắn hạn và dài hạn và chênh lệch lợi suất trái phiếu chính phủ và doanh nghiệp có độ dốc dương trong khi lãi suất tín phiếu có độ dốc âm. Từ các bài nghiên cứu trên đây đã đưa ra những bằng chứng về khả năng dự báo của lãi suất đối với tỷ suất sinh lợi chứng khoán cũng như cho thấy mối tương quan âm giữa lãi suất tín phiếu kho bạc và tỷ suất sinh lợi chứng khoán, và mối tương quan dượng giữa các chênh lệch lãi suất với tỷ suất sinh lợi chứng khoán. 3.2.2.3. Các biến kinh tế quốc gia bổ sung: Mặc dù các biến kinh tế quốc gia bổ sung (bao gồm tốc độ tăng trưởng sản lượng, tỷ lệ lạm phát, tỷ lệ thay đổi của tỷ giá hối đoái và chênh lệch lãi suất) chỉ là những biến phụ trong bài nghiên cứu này như những câu chuyện về sự ra đời của những biến dự báo tỷ suất sinh lợi này lại khá thú vị.  Tốc độ tăng trưởng sản lượng công nghiệp: Dữ liệu sản lượng công nghiệp của Mỹ, Trung Quốc và các quốc gia Đông Nam Á được lấy trên IFS trong giai đoạn 06/2007-06/2013. Từ đó tính được tốc độ tăng trưởng sản lượng công nghiệp, là sự so sánh sản lượng công nghiệp của kỳ này so với kỳ trước. Bàn về việc tại sao tốc độ tăng trưởng sản lượng công nghiệp lại được xem như là một biến kinh tế quốc gia có khả năng dự báo cho tỷ suất sinh lợi chứng khoán, thì có thể thấy: người đặt nền móng cơ sở cho việc nghiên cứu khả năng dự báo của hoạt động thực của nền kinh tế, mà thường lấy tốc độ tăng trưởng sản lượng công nghiệp làm đại diện, đối với tỷ suất sinh lợi chứng khoán có thể kể đến là Fama (1990). Fama (1990) nhận thấy rằng có ba nguyên nhân chính dẫn đến sự thay đổi tỷ suất sinh lợi chứng khoán, đó là: các cú sốc đối với dòng tiền kỳ vọng, tỷ suất sinh lợi kỳ vọng thay đổi theo thời gian và các cú sốc đối với tỷ suất sinh lợi kỳ vọng. Ông nhận thấy rằng, các biến mà đại diện cho các cú sốc đối với tỷ suất sinh lợi kỳ vọng thì nắm bắt 30% sự thay đổi của tỷ suất sinh lợi hàng năm của chỉ số NYSE. Trong khi đó, tốc độ tăng