›

Khóa luận Tác động của các nhân tố Co-Moments bậc cao và định giá tài sản trên thị trường chứng khoán các nền kinh tế mới nổi bằng cách tiếp cận hồi quy phân vị

pdf 142 trang thiennha21 26/04/2022 4950
Download
Bạn đang xem 20 trang mẫu của tài liệu "Khóa luận Tác động của các nhân tố Co-Moments bậc cao và định giá tài sản trên thị trường chứng khoán các nền kinh tế mới nổi bằng cách tiếp cận hồi quy phân vị", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên

Tài liệu đính kèm:

  • pdfkhoa_luan_tac_dong_cua_cac_nhan_to_co_moments_bac_cao_va_din.pdf

Nội dung text: Khóa luận Tác động của các nhân tố Co-Moments bậc cao và định giá tài sản trên thị trường chứng khoán các nền kinh tế mới nổi bằng cách tiếp cận hồi quy phân vị

  1. NGÂN HÀNG NHÀ NƯỚC VIỆT NAM BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH KHĨA LUẬN TỐT NGHIỆP ĐẠI HỌC TÁC ĐỘNG CỦA CÁC NHÂN TỐ CO-MOMENTS BẬC CAO VÀ ĐỊNH GIÁ TÀI SẢN TRÊN THỊ TRƯỜNG CHỨNG KHỐN CÁC NỀN KINH TẾ MỚI NỔI BẰNG CÁCH TIẾP CẬN HỒI QUY PHÂN VỊ SVTH: NGUYỄN PHÚ SANG LỚP: DH30TC06 GVHD: Th.S HUỲNH LƯU ĐỨC TỒN Thành phố Hồ Chí Minh, tháng 5 năm 2018
  2. NGÂN HÀNG NHÀ NƯỚC VIỆT NAM BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH KHĨA LUẬN TỐT NGHIỆP ĐẠI HỌC TÁC ĐỘNG CỦA CÁC NHÂN TỐ CO-MOMENTS BẬC CAO VÀ ĐỊNH GIÁ TÀI SẢN TRÊN THỊ TRƯỜNG CHỨNG KHỐN CÁC NỀN KINH TẾ MỚI NỔI BẰNG CÁCH TIẾP CẬN HỒI QUY PHÂN VỊ SVTH: NGUYỄN PHÚ SANG LỚP: DH30TC06 GVHD: Th.S HUỲNH LƯU ĐỨC TỒN Thành phố Hồ Chí Minh, tháng 5 năm 2018
  3. TĨM TẮT ĐỀ TÀI Bài nghiên cứu này điều tra vai trị của những moments bậc cao (bậc thứ ba và thứ tư) đến tác động tỷ suất sinh lợi của cổ phiếu theo tần suất tuần. Bài nghiên cứu sử dụng dữ liệu của 25 thị trường chứng khốn mới nổi (được phân loại theo MSCI – Morgan Stanley Capital International) trong giai đoạn từ tháng 4 năm 2005 đến tháng 11 năm 2017. Tác giả tiến hành ứng dụng mơ hình CAPM truyền thống kết hợp với hai nhân tố bậc cao đồng độ lệch (Co-skewness) và đồng độ gù (Co-kurtosis) dại diện cho hình dạng phân phối phi tuyến tính trong việc đo lường rủi ro. Qua đĩ, tác giả ước tính lợi nhuận kỳ vọng qua việc sử dụng phương pháp hồi quy phân vị tại năm mức phân vị khác nhau. Kết quả nghiên cứu cho thấy ba nhân tố bao gồm phần bù thị trường, phần bù đồng độ lệch và phần bù đồng độ gù cĩ tác động đáng kể đến tỷ suất sinh lợi của chỉ số chứng khốn ở từng thị trường mới nổi tại các mức ý nghĩa 1%; 5% và 10%. Bên cạnh đĩ, mơ hình CAPM kết hợp với hai nhân tố bậc cao cho thấy khả năng giải thích tốt hơn cho sự dự đốn giá trị tỷ suất sinh lợi của chỉ số chứng khốn ở các thị trường mới nổi so với mơ hình CAPM truyền thống. Quan trọng hơn, các nhà đầu tư nên đầu tư nhiều hơn vào các thị trường cĩ mức độ đồng lệch cao và giảm thiểu khối vốn đầu tư tại các thị trường cĩ mức độ đồng độ gù cao trong việc tối đa hĩa tỷ suất sinh lợi. i
  4. LỜI CAM ĐOAN Tác giả xin cam đoan khĩa luận với tên đề tài “TÁC ĐỘNG CỦA CÁC NHÂN TỐ CO-MOMENTS BẬC CAO VÀ ĐỊNH GIÁ TÀI SẢN TRÊN THỊ TRƯỜNG CHỨNG KHỐN CÁC NỀN KINH TẾ MỚI NỔI BẰNG CÁCH TIẾP CẬN HỒI QUY PHÂN VỊ” là cơng trình nghiên cứu riêng của tác giả dưới sự giúp đỡ của Thạc sĩ Huỳnh Lưu Đức Tồn – giảng viên khoa Tài Chính trường Đại học Ngân hàng Thành phố Hồ Chí Minh. Nguồn dữ liệu và nội dung tham khảo đều được trích dẫn nguồn gốc rõ ràng, thống nhất trong phần danh mục tài liệu tham khảo. Kết quả nghiên cứu là trung thực, trong đĩ khơng cĩ các nội dung đã được cơng bố trước đây hoặc các nội dung do người khác thực hiện ngoại trừ các trích dẫn được dẫn nguồn đầy đủ trong khĩa luận. Tác giả xin chịu trách nhiệm hồn tồn với những cam đoan của mình. Thành phố Hồ Chí Minh, tháng 5 năm 2018 Sinh viên thực hiện Nguyễn Phú Sang ii
  5. LỜI CẢM ƠN Trước tiên, tơi muốn bày tỏ lịng biết ơn chân thành của tơi với giảng viên hướng dẫn Thạc sĩ Huỳnh Lưu Đức Tồn với sự hỗ trợ trong quá trình thực hiện nghiên cứu. Sự hướng dẫn của thầy đã giúp tơi rất nhiều trong tất cả thời gian nghiên cứu và viết luận án này. Bên cạnh giảng viên hướng dẫn, tơi xin cảm ơn trường Đại học Ngân hàng Thành phố Hồ Chí Minh đã cho tơi cơ hội để thực hiện nghiên cứu này và cung cấp các hướng dẫn vơ giá trong suốt giai đoạn nghiên cứu. Cuối cùng, tơi xin gửi lời cảm ơn đến tất cả những người đã ủng hộ tơi để hồn thành bài nghiên cứu này. iii
  6. MỤC LỤC TĨM TẮT ĐỀ TÀI i LỜI CAM ĐOAN ii LỜI CẢM ƠN iii DANH MỤC HÌNH VẼ vii DANH MỤC BẢNG BIỂU viii DANH MỤC CÁC TỪ VIẾT TẮT ix CHƯƠNG 1: GIỚI THIỆU Ý TƯỞNG NGHIÊN CỨU 1 1.1. Tính cấp thiết và tính mới của đề tài 1 1.1.1. Tính thiết yếu của đề tài 1 1.1.2. Tính mới của đề tài 2 1.2. Mục tiêu nghiên cứu và câu hỏi nghiên cứu 3 1.2.1. Mục tiêu nghiên cứu 3 1.2.2. Câu hỏi nghiên cứu 3 1.3. Đối tượng nghiên cứu và phạm vi nghiên cứu 3 1.3.1. Đối tượng nghiên cứu 3 1.3.2. Phạm vi nghiên cứu 4 1.4. Phương pháp nghiên cứu 4 1.5. Đĩng gĩp của đề tài 5 1.5.1. Đĩng gĩp về mặt lý luận 5 1.5.2. Đĩng gĩp về mặt thực nghiệm 5 1.6. Bố cục đề tài 5 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 7 2.1. Lý thuyết thị trường vốn và mơ hình CAPM 7 2.1.1. Lý thuyết danh mục đầu từ Markowitz 7 2.1.2. Lý thuyết thị trường vốn và mơ hình CAPM 10 2.2. Các mơ hình đa nhân tố 14 2.2.1. Mơ hình ba nhân tố Fama-French 14 2.2.2. Mơ hình đa nhân tố (APT) 14 2.3. Mơ hình CAPM kết hợp các nhân tố bậc cao 15 2.3.1. Các nhân tố bậc cao – Độ lệch và Độ gù 15 iv
  7. 2.3.2. Đồng độ lệch và Đồng độ gù. 18 2.4. Phương pháp hồi quy phân vị (Quantile regression) 19 2.4.1. Định nghĩa về phân vị 20 2.4.2. Các tính chất của phương pháp hồi quy phân vị 21 2.4.3. So sánh phương pháp hồi quy phân vị so với OLS 23 2.5. Lược khảo các cơng trình nghiên cứu 25 CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 37 3.1. Thu thập dữ liệu thơ 37 3.1.1. Giá trị chỉ số tại thị trường các nước mới nổi 37 3.1.2. Lãi suất phi rủi ro và lợi nhuận thị trường 37 3.2. Xử lý số liệu 38 3.2.1. Tính tốn giá trị tỷ suất sinh lợi 38 3.2.2. Tính tốn giá trị Đồng độ lệch (Co-skewness) và Đồng độ gù (Co- kurtosis) 38 3.2.3. Tính tốn các biến độc lập của mơ hình 39 3.3. Phương pháp thống kê 41 3.3.1. Phương pháp thống kê mơ tả dữ liệu thơ 41 3.3.2. Phân tích mối quan hệ tương quan giữa các biến độc lập 42 3.3.3. Phân tích hồi quy tuyến tính 43 3.3.4. Các phương pháp kiểm định dự kiến 44 3.4. Sơ đồ tĩm tắt quy trình thực hiện 45 CHƯƠNG 4: PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU 46 4.1. Thống kê mơ tả 46 4.2. Phân tích tương quan tuyến tính 48 4.3. Kết quả mơ hình hồi quy 55 4.3.1. Phương pháp hồi quy OLS 55 4.3.2. Phương pháp hồi quy phân vị (Quantile regression) 58 4.3.3. So sánh kết quả giữa phương pháp hồi quy OLS và phương pháp hồi quy phân vị 68 4.4. Kiểm định kết quả hồi quy 69 4.4.1. Kiểm định phương sai thay đổi 69 v
  8. 4.4.2. Kiểm định đa cộng tuyến 70 4.4.3. Kiểm định Robustness 70 CHƯƠNG 5: KẾT LUẬN VÀ HẠN CHẾ 73 5.1. Kết quả nghiên cứu 73 5.2. Khuyến nghị 75 5.3. Hạn chế của đề tài 76 5.4. Đề xuất hướng nghiên cứu tiếp theo 77 Bài báo cơng bố 79 Tài liệu tham khảo Lỗi! Thẻ đánh dấu khơng được xác định. Phụ lục hình ảnh Lỗi! Thẻ đánh dấu khơng được xác định. vi
  9. DANH MỤC HÌNH VẼ Hình 2.1: Đường biên hiệu quả 7 Hình 2.2: Đường biên hiệu quả theo mức độ ngại rủi ro 10 Hình 2.3: Đường thị trường chứng khốn SML 13 Hình 2.4: Hình dạng phân phối của yếu tố độ lệch 16 Hình 2.5: Hình dạng phân phối của yếu tố độ gù 17 vii
  10. DANH MỤC BẢNG BIỂU Bảng 4.1: Kết quả thống kê mơ tả 47 Bảng 4.2: Ma trận hệ số tương quan giữa thị trường chứng khốn mới nổi và các biến độc lập 51 Bảng 4.3: Kết quả hồi quy OLS 57 Bảng 4.4: Kết quả mơ hình hồi quy phân vị của từng thị trường mới nổi tại các mức phân vị (q10, q25, q50, q75 and q90) với các nhân tố RMP, CSKP và CKTP lên tỷ suất sinh lợi. 63 Bảng 4.5: Danh sách các quốc gia chịu tác động cùng chiều và ngược chiều từ kết quả hồi quy phân vị 66 Bảng 4.6: Thống kê so sánh kết quả hồi quy giữa hai phương pháp 68 Bảng 4.7: Kết quả kiểm định phương sai sai số thay đổi theo phương pháp OLS 69 Bảng 4.8: Kết quả hồi quy giữa các biến độc lập 70 Bảng 4.9: Mơ hình Pool-OLS, mơ hình các ảnh hưởng cố định (FEM) và mơ hình các ảnh hưởng ngẫu nhiên (REM) cho kiểm định robustness 71 Bảng 4.10. Kiểm định Hausman để lựa chọn giữa mơ hình các ảnh hưởng cố định (FEM) và các ảnh hưởng ngẫu nhiên (REM) 72 Bảng 4.11. Kiểm tra lỗi của các mơ hình trên 72 viii
  11. DANH MỤC CÁC TỪ VIẾT TẮT TỪ VIẾT TẮT ĐỊNH NGHĨA APT Arbitrage Pricing Theory CAPM The Capital Asset Pricing Model CKT Cokurtosis CKTP Cokurtosis premium CML Đường thị trường vốn CSK Coskewness CSKP Coskewness premium FEM The Fixed Effects Model GMM Generalized Method of Moments HOSE Ho Chi Minh City Stock Exchange HPG Hoa Phat Group MSCI Morgan Stanley Capital International MSCI-EM Morgan Stanley Capital International Emerging Index MSN Masan Group Corporation NYSE The New York Stock Exchange OLS Ordinary Least Squares REM The Random Effects Model RMP The Market Risk Premium SML Đường thị trường chứng khốn TSSL Tỷ suất sinh lợi TTCK Thị trường chứng khốn VaR Value-at-Risk VIC Vingroup Joint Stock Company VIF Variance Inflation Factor VNM Vietnam Dairy Products Join Stock Company ix
  12. CHƯƠNG 1: GIỚI THIỆU Ý TƯỞNG NGHIÊN CỨU Chương 1 sẽ giới thiệu tổng thể bố cục của bài nghiên cứu. Nội dung chính của chương này bao gồm các phần như sau: mục 1. tính cấp thiết và tính mới của đề tài, mục 2. mục tiêu nghiên cứu và câu hỏi nghiên cứu, mục 3. đối tượng và phạm vi nghiên cứu, mục 4. phương pháp nghiên cứu, mục 5. đĩng gĩp của đề tài và mục 6. bố cục của đề tài. 1.1. Tính cấp thiết và tính mới của đề tài 1.1.1. Tính thiết yếu của đề tài Trong năm 2017, hầu như các nhà đầu tư trên thị trường chứng khốn Việt nam đều đề cập đến câu chuyện nâng hạng thị trường. Cụ thể là việc nâng hạng thị trường Việt nam từ một thị trường sơ khai (frontier market) lên nhĩm thị trường mới nổi (emerging market) theo phân loại của MSCI. Tính đến tháng 2/2018, thị trường chứng khốn Việt nam đã cĩ bốn doanh nghiệp (VNM, VIC, MSN, HPG) đáp ứng tiêu chí về định lượng nhĩm B trong việc nâng hạng thị trường theo MSCI. Do đĩ, khi các nhà điều hành cải thiện được các vấn đề định tính mà cụ thể là các chỉ tiêu về mức độ mở cửa của thị trường đối với nhà đầu tư nước ngồi, cải thiện cơ sở hạ tầng để cho ra đời các sản phẩm đầu tư mới, hệ thống thanh tốn bù trừ, thị trường chứng khốn Việt nam sẽ sớm hội đủ các yêu cầu trong việc nâng hạng thành nhĩm thị trường mới nổi. Khi đĩ, kịch bản về một thị trường chứng khốn Việt nam tăng trưởng với tốc độ thần kỳ ở mức từ 30% - 40% khi vừa bước vào nhĩm mới nổi tương tự kịch bản của các quốc gia Arab Emirates, Qatar, Pakistan là điều hồn tồn cĩ thể xảy ra. Do đĩ, xuất phát từ những tiềm năng mà thị trường chứng khốn Việt nam cĩ thể đạt được trong kịch bản nâng hạng thị trường, việc tìm ra một mơ hình đo lường chỉ số chứng khốn, các yếu tố tác động đến chỉ số thị trường mới nổi là một việc thiết yếu khơng chỉ dành riêng cho các nhà quản lý chính sách mà cịn quan trọng đối với các nhà đầu tư trong nước. 1
  13. Các nhà nghiên cứu như Soosung Hwang và cộng sự (1999), Serdar Neslihanoglu và cộng sự (2017) đã chỉ ra sự tồn tại của các nhân tố bậc cao lên chỉ số thị trường của các quốc gia mới nổi bằng các phương pháp như GMM, OLS, Cụ thể, việc sử dụng mơ hình CAPM mở rộng kết hợp hai nhân tố bậc cao Đồng độ lệch (Coskewness) và Đồng độ gù (Cokurtosis) cĩ ý nghĩa trong việc giải thích tỷ suất sinh lợi của cổ phiếu cũng như chỉ số chứng khốn. Do đĩ, trong bài nghiên cứu này tác giả thực hiện việc đo lường tác động của các nhân tố rủi ro hệ thống bậc cao gồm phần bù Đồng độ lệch (Coskewness), phần bù Đồng độ gù (Cokurtosis) và rủi ro thị trường (RMP) trong việc ảnh hưởng đến tỷ suất sinh lợi của các chỉ số thị trường tại 25 quốc gia mới nổi trong giai đoạn từ tháng 4 năm 2005 đến tháng 11 năm 2017 thơng qua phương pháp hồi quy phân vị. Qua đĩ, tác giả đưa ra cái nhìn tổng quát về tác động của các nhân tố này trên từng mức phân vị và so sánh sự hiệu quả giữa phương pháp OLS và phương pháp hồi quy phân vị. Dựa trên kết quả này, tác giả đưa ra mơ hình và phương pháp hồi quy phù hợp cũng như các khuyến nghị cho các nhà đầu tư, các nhà quản lý – điều hành chính sách. 1.1.2. Tính mới của đề tài Đề tài đạt được những tính mới cụ thể trong nghiên cứu như sau: - Thứ nhất về phương pháp nghiên cứu, đề tài đã sử dụng phương pháp hồi quy phân vị trong việc xem xét tác động của TSSL chỉ số chứng khốn tại 25 quốc gia mới nổi. Qua đĩ, làm rõ tác động của các nhân tố này tại từng mức phân vị để cĩ cái nhìn tổng quát trong việc so sánh với phương pháp hồi quy OLS. Dựa vào kết quả này, tác giả cĩ thể đánh giá các ưu nhược điểm giữa phương pháp hồi quy phân vị và hồi quy OLS. - Về khơng gian – thời gian nghiên cứu tương đối mới và sát với giai đoạn hiện tại, đề tài sử dụng dữ liệu của 25 quốc gia mới nổi trong giai đoạn từ tháng 4 năm 2005 đến tháng 11 năm 2017. Tác giả sử dụng dữ liệu được chỉ số của các quốc gia mới nổi được phân loại theo MSCI tại thời điểm tháng 11 năm 2017. Dữ liệu nghiên cứu được lấy theo tuần để tránh các hiệu ứng tài chính hành vi như hiệu ứng 2
  14. thứ hai, thứ sáu, Với việc thu thập bộ dữ liệu theo tuần giúp đảm bảo tính hoạt động liên tục, loại bỏ đi các yếu tố về chênh lệch ngày giao dịch giữa các quốc gia khác nhau. 1.2. Mục tiêu nghiên cứu và câu hỏi nghiên cứu 1.2.1. Mục tiêu nghiên cứu - Chứng minh tác động của hai nhân tố moment bậc cao (Coskewness và Cokurtosis) đến việc đo lường TSSL của chỉ số thị trường chứng khốn các quốc gia mới nổi. - Áp dụng phương pháp hồi quy phân vị trong việc đánh giá tác động của mơ hình CAPM mở rộng, từ đĩ so sánh kết quả hồi quy giữa phương pháp phân vị với phương pháp OLS nhằm lựa chọn phương pháp tối ưu. - Khuyến nghị mơ hình đo lường TSSL tài sản và các khuyến nghị cĩ thể đề xuất được rút ra từ kết quả nghiên cứu. 1.2.2. Câu hỏi nghiên cứu - Thị trường chứng khốn của các quốc gia mới nổi cĩ chịu tác động của các nhân tố bậc cao (Coskewness và Cokurtosis) đến TSSL của chỉ số chứng khốn hay khơng? - Mức độ tác động và chiều hướng tác động của các nhân tố này lên TSSL của chỉ số chứng khốn trong giai đoạn nghiên cứu cĩ giá trị như thế nào? - Hiệu quả trong việc đo lường sự biến động TSSL của mơ hình CAPM mở rộng (thêm hai nhân tố Coskewness và Cokurtosis) so với mơ hình CAPM truyền thống như thế nào? - Khuyến nghị được đưa ra cho các nhà đầu tư và nhà hoạch định chính sách cũng như mơ hình đo lường TSSL hiệu quả là gì? 1.3. Đối tượng nghiên cứu và phạm vi nghiên cứu 1.3.1. Đối tượng nghiên cứu 3
  15. TSSL của chỉ số chứng khốn, tác động của hai nhân tố đồng moment bậc cao bao gồm nhân tố Đồng độ lệch (CSK) và Đồng độ gù (CKT) và mối quan hệ giữa TSSL của các chỉ số chứng khốn với hai nhân tố bậc cao. 1.3.2. Phạm vi nghiên cứu Dữ liệu bao gồm giá trị chỉ số của các thị trường chứng khốn mới nổi được phân loại theo tiêu chí của MSCI. Qua đĩ, tác giả thu thập các dữ liệu chỉ số của 25 thị trường mới nổi giai đoạn từ tháng 4 năm 2005 đến tháng 11 năm 2017. Tác giả chọn mốc thời gian này do giai đoạn này sát với thực nghiệm và phản ánh được gần hết chu kỳ kinh tế (thường kéo dài trong khoảng 10 năm). Ngồi ra, mốc thời gian này cịn phản ánh được các yếu tố bất ngờ của cuộc khủng hoảng nợ dưới chuẩn 2008- 2009. 1.4. Phương pháp nghiên cứu Đối với nghiên cứu này, tác giả chủ yếu sử dụng phương pháp định lượng bao gồm các phương pháp (thống kê, hồi quy OLS, hồi quy phân vị) cho việc thống kê và ước lượng kết quả nghiên cứu. Kết hợp với các giải thích dựa trên cơ sở lý thuyết nền cũng như đúc kết từ các bài nghiên cứu khác qua đĩ làm rõ các mục tiêu cũng như câu hỏi nghiên cứu. Đầu tiên, tác giả sử dụng phần mềm Microsoft Excel để xử lý dữ liệu thơ (giá trị chỉ số chứng khốn của 25 thị trường mới nổi), tính tốn giá trị tỷ suất sinh lợi, nhân tố rủi ro phần bù thị trường, giá trị đồng độ lệch, đồng độ gù cho mơ hình thơng qua dữ liệu chuỗi thời gian theo tần suất dữ liệu theo tuần. Bên cạnh đĩ, tác giả cịn sử dụng phần mềm Stata 14 để thực hiện các phân tích định lượng bao gồm: thống kê mơ tả, đo lường giá trị ma trận tương quan, hồi quy dữ liệu theo phương pháp OLS và phương pháp phân vị. Ngồi ra, tác giả cịn sử dụng các phương pháp kiểm định như kiểm định tự tương quan, đa cộng tuyến, kiểm định kết quả hồi quy, để đánh giá giá trị thu được. Cuối cùng, tác giả sử dụng ba phương pháp gồm hồi quy Pooled_OLS, FEM và REM để kiểm định tính vững (Robustness test). Dựa trên các kết quả ước lượng, kiểm định, tác giả tiến hành nhận định, đánh giá các tác động của các nhân tố phần bù rủi ro thị trường (RMP), phần bù Đồng độ lệch (CSKP) và phần 4
  16. bù Đồng độ gù (CKTP) đến TSSL của chỉ số chứng khốn các quốc gia mới nổi. Đề tài dựa trên mơ hình CAPM của Sharpe (1970), các bài nghiên cứu của Soosung Hwang và cộng sự (1999), Kostakis và cộng sự (2011) và Serdar Neslihanoglu và cộng sự (2017). 1.5. Đĩng gĩp của đề tài 1.5.1. Đĩng gĩp về mặt lý luận Bài nghiên cứu chứng minh tác động của các nhân tố bậc cao (Đồng độ lệch và Đồng độ gù) lên tỷ suất sinh lời của chỉ số chứng khốn các quốc gia mới nổi. Áp dụng phương pháp hồi quy phân vị trong việc ước lượng tỷ suất sinh lợi chỉ số chứng khốn các quốc gia mới nổi. 1.5.2. Đĩng gĩp về mặt thực nghiệm Bài nghiên cứu đưa ra mơ hình hiệu quả trong việc ước lượng tỷ suất sinh lợi của chỉ số chứng khốn tại khu vực các quốc gia mới nổi. Dựa trên kết quả nghiên cứu, tác giả xây dựng các khuyến nghị về hàm ý chính sách cho nhà đầu tư quốc tế trong việc đầu tư vào các thị trường chứng khốn mới nổi. Bên cạnh đĩ, tác giả cũng đưa ra các khuyến nghị cho các nhà điều hành chính sách tại khu vực thị trường chứng khốn mới nổi. Qua đĩ, xây dựng bài học kinh nghiệm cho các quản lý tại thị trường chứng khốn Việt nam trong việc xây dựng các chính sách phù hợp trước cơ hội nâng hạng của thị trường chứng khốn Việt nam từ thị trường sơ khai sang thị trường mới nổi. 1.6. Bố cục đề tài CHƯƠNG 1: GIỚI THIỆU Ý TƯỞNG NGHIÊN CỨU 1.1. Tính cấp thiết và tính mới ủa đề tài 1.2. Mục tiêu nghiên cứu và câu hỏi nghiên cứu 1.3. Đối tượng nghiên cứu và phạm vi nghiên cứu 1.4. Phương pháp nghiên cứu 5
  17. 1.5. Đĩng gĩp của đề tài 1.6. Bố cục đề tài CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1. Lý thuyết thị trường vốn và mơ hình CAPM 2.2. Các mơ hình đa nhân tố 2.3. Mơ hình CAPM kết hợp các nhân tố bậc cao 2.4. Phương pháp hồi quy phân vị (Quantile regression) 2.5. Lược khảo các cơng trình nghiên cứu CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU 3.1. Thu nhập dữ liệu thơ 3.2. Xử lý số liệu 3.3. Phương pháp thống kê 3.4. Sơ đồ tĩm tắt quy trình thực hiện CHƯƠNG 4 : PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU 4.1. Thống kê mơ tả 4.2. Phân tích tương quan tuyến tính 4.3. Kết quả mơ hình hồi quy 4.4. Kiểm định kết quả hồi quy CHƯƠNG 5 : KẾT LUẬN VÀ HẠN CHẾ 5.1. Kết quả nghiên cứu 5.2. Khuyến nghị 5.3. Hạn chế của đề tài 5.4. Đề xuất hướng nghiên cứu tiếp theo 6
  18. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1. Lý thuyết thị trường vốn và mơ hình CAPM 2.1.1. Lý thuyết danh mục đầu từ Markowitz Trước năm 1952, quy trình quản lý danh mục được được chia ra hai bước trong đĩ bước một được bắt đầu thơng qua việc quan sát, thử nghiệm và kết thúc bằng việc đưa ra những sự tin tưởng dựa trên giá trị tương lai của tài sản. Bước hai được nối tiếp với bước một dựa trên các giá trị tương giữa các loại tài sản và tiến hành lựa chọn danh mục đầu tư. Trong đĩ, các nhà đầu tư dựa vào giá trị hiện tại tối ưu được kỳ vọng của các loại tài sản này để xây dựng danh mục mà chưa đề cập đến yếu tố rủi ro. Để giải quyết vấn đề về rủi ro, Harry Markowitz (1952) đã xây dựng nên “Lý thuyết danh mục đầu tư hiện đại” được cơng bố trên tạp chí tài chính (The journal of finance) năm 1952. Bằng việc chứng minh rằng việc kết hợp các cổ phiếu riêng lẻ cĩ mức độ rủi ro khác nhau thành một danh mục cĩ mức rủi ro thấp hơn so với tổng thể. Markowitz đã khẳng định được việc giảm thiểu hĩa rủi ro của danh mục đầu tư thơng qua việc đa dạng hĩa các tài sản cĩ trong danh mục. Ơng cũng chỉ ra rằng, tại mỗi mức rủi ro khác nhau sẽ tồn tại danh mục cĩ tỷ suất sinh lợi kỳ vọng tương ứng, và phương trình đường cong chứa các danh mục cĩ TSSL kỳ vọng cao nhất ở từng mức rủi ro đối ứng sẽ hình thành nên đường biên hiệu quả để hỗ trợ cho việc lựa chọn danh mục đầu tư tối ưu (Markowitz, 1952). Hình 2.1: Đường biên hiệu quả 푬(푹풑) Đường biên hiệu quả 7
  19. Nguồn: Markowitz, 1952 Với việc xây dựng danh mục đầu tư dựa trên lý thuyết của Markowitz, nhà đầu tư cĩ hai sự lựa chọn trong đĩ cĩ thể lựa chọn danh mục đầu tư tối ưu dựa trên sự tối đa hĩa lợi nhuận tài sản mang lại hoặc các nhà đầu tư cũng cĩ thể xây dựng danh mục đầu tư tối ưu thơng qua việc tối thiểu hĩa rủi ro. Lý thuyết danh mục đầu tư hiện đại của Markowitz khơng những chỉ ra việc lựa chọn danh mục đầu tư tối ưu mà cịn cho thấy việc đánh đổi giữa lợi nhuận và rủi ro. Theo đĩ, để đạt được lợi nhuận tối đa nhà đầu tư phải chấp nhận mức rủi ro tương ứng hoặc họ cĩ thể lựa chọn danh mục với mức rủi ro tối thiểu nhưng lợi nhuận chỉ nằm ở mức ứng với mức rủi ro này. Ngồi ra, Markowitz cịn giới thiệu đến hai yếu tố đĩ chính là lợi nhuận kỳ vọng và độ lệch chuẩn. Với danh mục đầu tư giả định tồn tại gồm 푛 tài sản, tỷ suất sinh lời kỳ vọng của danh mục đầu tư này chính là lợi nhuận bình quân theo tỷ trọng tỷ suất sinh lời kỳ vọng cho từng tài sản tồn tại bên trong danh mục. Theo đĩ, phương trình tỷ suất sinh lời kỳ vọng của danh mục đầu tư (푅 ) sẽ cĩ dạng: 푛 (푅 ) = ∑ W푖 (푅푖) (2.1) 푖=1 Trong đĩ: (푅 ): là TSSL kỳ vọng của danh mục đầu tư cĩ n tài sản (푅푖) : là TSSL kỳ vọng của tài sản thứ i trong danh mục đầu tư W푖 : là tỷ trọng của tài sản thứ i trong danh mục đầu tư. Độ lệch chuẩn của danh mục cịn được coi là giá trị đại diện rủi ro cho danh mục đầu tư. Thơng qua đĩ, Markowitz cho rằng rủi ro của danh mục chính là độ biến động về lợi nhuận (gồm cả biến động dương và biến động âm). Giá trị này được ước lượng thơng qua phương trình sau: 푛 푛 푛 2 2 𝜎 = √∑ 푤푖 𝜎푖 + ∑ ∑ 푤푖푤푗 표푣푖,푗 (푖 ≠ 푗) (2.2) 푖=1 푖=1 푗=1 8
  20. Trong đĩ: 𝜎 : giá trị độ lệch chuẩn của danh mục đầu tư 2 𝜎푖 : giá trị phương sai của tài sản i trong danh mục đầu tư 표푣푖,푗: giá trị hiệp phương sai giữa tài sản i và tài sản j trong danh mục đầu tư 푤푖, 푤푗: tỷ trọng của tài sản thứ i và thứ j trong danh mục đầu tư. Với giá trị hiệp phương sai là thước đo về mức độ biến động giữa hai loại tài sản dựa trên giá trị trung bình của chúng trong khoảng thời gian ước lượng. Khi giá trị hiệp phương sai đạt giá trị dương tức TSSL giữa hai loại tài sản này biến thiên cùng chiều. Ngược lại, khi giá trị hiệp phương sai mang giá trị âm, điều này cho thấy TSSL giữa hai loại tài sản cĩ sự biến thiên ngược chiều (Van Kampen, 1981). 표푣푖,푗 = 𝜎푖𝜎푗 푖,푗 (2.3) Trong đĩ: 𝜎푖, 𝜎푗: là giá trị độ lệch chuẩn của tài sản i và tài sản j 푖,푗: là giá trị hệ số tương quan của hai tài sản i và j. Nếu giá trị này = -1, hai tài sản này cĩ quan hệ tuyến tính âm hồn hảo. Khi giá trị này = 0, hai tài sản này hầu như khơng cĩ quan hệ tuyến tính. Và khi 푖,푗 = 1, hai tài sản tồn tại quan hệ tuyến tính dương hồn hảo. Bên cạnh đĩ, vì khẩu vị giữa các nhà đầu tư là khơng giống nhau nên mối quan hệ giữa yếu tố lợi nhuận (TSSL kỳ vọng) và yếu tố chấp nhận rủi ro (độ lệch chuẩn) được thể hiện thơng qua hàm hữu dụng (푈). Các hàm hữu dụng (푈) này đại diện cho mức độ chấp nhận giữ việc đánh đổi lợi nhuận – rủi ro của nhà đầu tư. Do đĩ, danh mục đầu tư hiệu quả được cho là tiếp điểm giữa hàm hữu dụng (푈) và đường cong hiệu quả (Markowitz, 1952). 1 푈( (푅), 𝜎) = (푅) − 𝜎2 (2.4) 2 9
  21. Trong đĩ: 푈( (푅), 𝜎): hàm hữu dụng dựa trên giá trị lợi nhuận kỳ vọng và độ lệch chuẩn (푅): là giá trị lợi nhuận kỳ vọng của danh mục đầu tư 𝜎: là giá trị độ lệch chuẩn của danh mục đầu tư : là giá trị hệ số ngại rủi ro của nhà đầu tư. Hình 2.2: Đường biên hiệu quả theo mức độ ngại rủi ro 푬(푹푷) ĐƯỜNG BIÊN HIỆU QUẢ 푬(흈푷) Nguồn: Reilly F. and Brown, K., (2011) trang 246 Với việc xây dựng danh mục dựa trên lý thuyết “Danh mục đầu tư hiện đại” của (Markowitz, 1952), nhà đầu tư cĩ thể lựa chọn danh mục đầu tư phù hợp với mức ngại rủi ro của họ. Phương pháp này cho phép nhà đầu tư cĩ thể lựa chọn danh mục đầu tư mang về mức lợi nhuận tối ưu trong khi vẫn cĩ thể duy trì được mức rủi ro phù hợp với khẩu vị của chính nhà đầu tư đĩ. Tuy nhiên, phương pháp này lại hạn chế trong trường hợp danh mục tồn tại quá nhiều tài sản sẽ dẫn đến trở ngại trong việc tính tốn. 2.1.2. Lý thuyết thị trường vốn và mơ hình CAPM Dựa trên nền tảng lý thuyết “Danh mục đầu tư hiện đại” của Markowitz (1952), William Sharpe tiếp tục phát triển và nghiên cứu sâu hơn về lý thuyết thị trường vốn là một trong những cơ sở cho việc hình thành mơ hình định giá tài sản vốn (CAPM – Sharpe, 1964). Ngồi Sharpe (1970), Lintner (1965) và Mossin (1966) cũng đưa ra 10
  22. các nghiên cứu của họ về thị trường tài sản vốn. Theo đĩ, mơ hình định giá tài sản vốn (CAPM) thể hiện mối quan hệ giữa lợi nhuận và rủi ro, trong đĩ giá trị lợi nhuận kỳ vọng của tài sản được đo lượng bởi hai yếu tố là giá trị lãi suất phi rủi ro và phần bù yếu tố rủi ro thị trường. Trong đĩ, Sharpe (1964) đã đưa ra các giả định cho việc hình thành mơ hình CAPM như sau: Các nhà đầu tư nắm giữ danh mục chứng khốn đã được đa dạng hĩa. Mục đích của giả định này nhằm triệt tiêu tác động của rủi ro hệ thống tới tỷ suất sinh lời của chứng khốn. Thị trường chứng khốn là hiệu quả, mọi thơng tin đã được phản ánh vào giá của chứng khốn. Các nhà đầu tư trên thị trường cĩ thể tiến hành vay nợ cũng như cho vay với lãi suất phi rủi ro và lãi suất này khơng đổi theo thời gian. Ngồi ra, các nhà đầu tư trên thị trường khơng chịu tác động của các chi phí mơi giới, thuế lên việc mua bán chứng khốn. Theo lý thuyết thị trường vốn, đường CML sẽ được tạo ra giữa việc kết hợp một danh mục đầu tư phi rủi ro (trong đĩ yếu tố lãi suất phi rủi ro làm đại diện) và danh mục đầu tư thị trường M. Đường CML chính là đường thẳng bắt đầu từ lãi suất phi rủi ro và tiếp điểm M của đường biên hiệu quả. Do đĩ, phương trình của đường CML được hình thành như sau (Fama và French, 1993) : 𝜎 (푅 ) = 푅 + (푅 − 푅 ) (2.5) 𝜎 Trong đĩ: 푅 : TSSL thị trường 푅 : lãi suất phi rủi ro của thị trường 11
  23. (푅 ): TSSL kỳ vọng của danh mục đầu tư (푅 − 푅 ): phần bù rủi ro thị trường 𝜎 , 𝜎 : độ lệch chuẩn của danh mục thị trường và độ lệch chuẩn của danh mục đầu tư. 표푣푖, Bằng việc thay giá trị 훽푖 = 2 , giá trị 훽푖 đại diện cho yếu tố rủi ro hệ thống 휎 giữa thị trường tác động lên TSSL của chứng khốn i. Do đĩ, giá trị 훽 luơn bằng 1. Khi giá trị 훽푖 > 1, yếu tố rủi ro hệ thống cĩ tác động lớn hơn so với rủi ro thị trường (Fama và French, 1993). Trong khi đĩ, khi 훽푖 0, chứng tỏ rằng chứng khốn này nằm phía trên đường SML, và điều này cho thấy TSSL ước tính cao hơn so với giá trị TSSL mong muốn của nhà đầu tư. Và việc này cho thấy một sự dự báo tăng giá, do đĩ nhà đầu tư được khuyến nghị nên mua cổ phiếu này vào danh mục đầu tư. Trong trường hợp giá trị 훼 < 0, chứng khốn này nằm phía dưới đường SML, điều này cho thấy TSSL ước tính thấp hơn so với TSSL mong muốn của nhà đầu tư. Do đĩ, nhà đầu tư khơng nên 12
  24. mua cổ phiếu này. Trong trường hợp giá trị 훼 = 0, chứng khốn này cĩ TSSL ước tính bằng với mong muốn của nhà đầu tư. Hình 2.3: Đường thị trường chứng khốn SML Nguồn: Bodie và cộng sự (2011). Từ những nhận xét ở trên cho thấy, mơ hình CAPM rất phù hợp trong việc định giá các tài sản rủi ro hiệu quả dựa trên các ưu điểm của nĩ: Mơ hình CAPM đơn giản trong việc tính tốn và được ứng dụng rộng rãi trong thực tế. CAPM giúp các nhà đầu tư đo lường giá trị rủi ro của từng chứng khốn riêng lẻ cũng như bên trong danh mục đầu tư. Giá trị hệ số 훽 là thước đo quan trọng về yếu tố rủi ro của chứng khốn. Mơ hình CAPM là một trong những cơng cụ hiệu quả trong việc đo lường TSSL kỳ vọng cho các nhà đầu tư. Bên cạnh các ưu điểm đã nêu, CAPM cũng tồn tại các hạn chế của nĩ. Vì trong đĩ, TSSL yêu cầu chỉ được ước lượng dựa trên một giá trị hệ số 훽 do đĩ khơng đủ để giải thích các yếu tố ảnh hưởng đến TSSL. Cụ thể hơn, ngồi tác động của phần bù rủi ro thị trường, các nhà nghiên cứu cịn chỉ ra rằng các nhân tố khác như phần bù quy mơ, phần bù giá trị, phần bù rủi ro tổn thất VaR, ) cũng cĩ các tác động đáng kể TSSL của chứng khốn. Ngồi ra, với việc hình thành các giả định như đã đề cập 13
  25. ở trên, mơ hình CAPM gặp nhiều vấn đề trong việc xây dựng danh mục đầu tư trong thực tế được chỉ ra bởi (Banz, 1981). Cuối cùng, mơ hình CAPM đo lường tác động giữa TSSL và nhân tố phần bù rủi ro thị trường dựa trên tác động tuyến tính. Do đĩ, trong trường hợp các giá trị này khơng tuân theo phân phối chuẩn hoặc tác động tuyến tính, việc sử dụng mơ hình CAPM sẽ cĩ những sai lệch nhất định. 2.2. Các mơ hình đa nhân tố 2.2.1. Mơ hình ba nhân tố Fama-French Như đã đề cập ở mục 2.1.2. về hạn chế của mơ hình CAPM, hai nhà nghiên cứu Eugene F.Fama và Kenneth R. French (1993) đã mở rộng mơ hình CAPM truyền thống kết hợp với hai nhân tố độc lập khác đĩ chính là yếu tố phần bù rủi ro quy mơ và phần bù giá trị tác động lên TSSL của danh mục đầu tư. Trong đĩ nhân tố phần bù quy mơ đại diện cho giá trị vốn hĩa của doanh nghiệp và phần bù giá trị chính là tỷ số giữa giá trị ghi trên sổ sách so với giá trị thị trường của doanh nghiệp (BE/ME). 푅푖 − 푅 = 훼푖 + 훽1(푅 − 푅 ) + 훽2푆 + 훽3 퐿 + 휀푖 (2.7) Trong đĩ: 푅 − 푅 : phần bù rủi ro thị trường 푆 : phần bù rủi ro quy mơ 퐿: phần bù rủi ro giá trị 훼푖: hệ số chặn của mơ hình hồi quy 훽1, 훽2, 훽3: hệ số hồi quy của từng nhân tố 푅푖, 푅 : TSSL của chứng khốn i và lãi suất phi rủi ro. 2.2.2. Mơ hình đa nhân tố (APT) Barr Rosenberg (1974) và Shukla (1998) đưa ra nghiên cứu về việc xây dựng mơ hình đa nhân tố tác động đến lợi nhuận của tỷ suất sinh lợi chứng khốn. Trong đĩ, ơng chỉ ra việc áp dụng mơ hình đa nhân tố cũng tương tự như việc áp dụng mơ 14
  26. hình đơn nhân tố. Qua đĩ, bằng các phương pháp thống kê trong việc ước lượng các hệ số hồi quy của mơ hình đa nhân tố và chứng minh nĩ dựa trên thực tiễn. Trong bài nghiên cứu của Barr Rosenberg (1974), ơng đã đưa thêm các nhân tố liên quan đến tính chất của doanh nghiệp bao gồm báo cáo thu nhập, bảng cân đối, yếu tố ngành và lịch sử hành vi giao dịch chứng khốn. Qua đĩ, mơ hình đa nhân tố được xây dựng như sau (Edwin J. Elton và cộng sự, 2009): 푅푖 = 훼푖 + 훽푖1 1 + 훽푖2 2 + ⋯ + 훽푖푛 푛 + 휀푖 (2.8) Trong đĩ: 푅푖: TSSL của chứng khốn i 1, 2, , 푛: các biến số vĩ mơ như lạm phát, lãi suất, biến động giá dầu, 휀: phần dư sai số của mơ hình. 2.3. Mơ hình CAPM kết hợp các nhân tố bậc cao 2.3.1. Các nhân tố bậc cao – Độ lệch và Độ gù Trong nghiên cứu về mơ hình định giá tài sản vốn (CAPM) của William Sharpe (1964), tác giả đã giả định rằng TSSL của tài sản tuân theo quy luật phân phối chuẩn. Tuy nhiên, dựa trên các nghiên cứu thực nghiệm của Kraus và Litzenberger (1976) đã chỉ ra rằng TSSL của tài sản khơng tuân theo phân bố chuẩn (hay khơng đối xứng giữa hai phía của phân phối). Điều này đồng nghĩa với việc phân phối TSSL của các chứng khốn này cĩ thể lệch trái (tức số lượng quan sát TSSL âm nhiều hơn), phân phối lệch phải (TSSL dương nhiều hơn). Ngồi ra, TSSL cịn cĩ thể phân phối theo hình dạng gù hoặc ít gù. Do đĩ, TSSL của một chứng khốn cĩ thể cùng lúc tồn tại theo dạng lệch và nhọn hoặc gù. Trong đĩ, nhân tố Độ lệch là nhân tố bậc cao thứ 3 (lập phương chênh lệch giá trị giữa trung bình và TSSL từng thời điểm của chứng khốn). Độ lệch sẽ được tính dựa trên cơng thức như sau (Peđaranda, 2007): 15
  27. 3 1 푅 − 푅̅ 푆 푒푤푛푒푠푠 = ∑ [ 푖푡 푖] (2.9) − 1 𝜎푖 푡=1 Trong đĩ: 푅푖푡, 푅̅푖: TSSL và TSSL kỳ vọng của tài sản i 𝜎푖: Độ lệch chuẩn của tài sản i. Khi hệ số độ lệch Skewness = 0, nghĩa là TSSL của tài sản được phân bổ theo phân phối chuẩn. Với Skewness > 0 (positive sknew, right-skewed) phản ánh TSSL sẽ cao hơn so với bình thường khi phần lớn phân bổ nghiêng về bên trái và đuơi dài hơn về bên phải. Ngược lại, phân phối cĩ độ lệch âm - Skewness < 0 (negative skew, left-skewed) là phân phối cĩ phần đuơi dài hơn về phía trái phản ánh TSSL sẽ thấp hơn so với bình thường. Khi giá trị tuyệt đối của độ lệch càng lớn thì phân bổ TSSL càng trở nên bất đối xứng. Hình 2.4: Hình dạng phân phối của yếu tố độ lệch Normal Curve Positive Skew Negative Skew Normal Curve Positive Skew Nguồn: Peđaranda, 2007 Negative Đối với yếu tố Độ gù là nhân tố cao thứ tư dùng để đo lường Skewđộ nh ọn hay mức độ lệch giữa phần đỉnh và phần đuơi của phân phối. Độ lệch sẽ được tính dựa trên cơng thức như sau (Peđaranda, 2007): 16
  28. 4 1 푅 푅̅ 퐾 푡표푠푖푠 = ∑ [ 푖푡− 푖] − 3 (2.10) − 1 푡=1 𝜎푖 Trong đĩ: 푅푖,푡, 푅̅̅푖̅ : TSSL và TSSL kỳ vọng 𝜎푖: độ lệch chuẩn của tài sản i. Khi độ gù dương-Kurtosis > 0 (leptokurtic), phân phối cĩ hình dạng đỉnh nhọn và phần đuơi “béo” hơn (thuật ngữ ban đầu là “fat tail” được hiểu là phân phối cĩ xác suất nhận các giá trị ở hai đuơi cao hơn so với phân phối chuẩn) so với thơng thường (mesokurtic). Ngược lại, một phân phối dạng platykurtic (Kurtosis < 0) sẽ cĩ đỉnh rộng và phần đuơi “gầy” hơn (“thin tail” - được hiểu là phân phối cĩ xác suất nhận các giá trị ở hai đuơi thấp hơn so với phân phối chuẩn) so với thơng thường. Hình 2.5: Hình dạng phân phối của yếu tố độ gù Nguồn: Peđaranda, 2007 Trong lý thuyết thống kê, Độ lệch (Skewness) được sử dụng để đo lường độ mất đối xứng, khi Độ gù (Kurtosis) sử dụng để so sánh kích cỡ của hai đuơi như “fat- tail” hay “thin tail” trong phân phối của tập dữ liệu. Nếu xảy ra đồng thời hai yếu tố Skewness gần bằng 0 và Kurtosis gần bằng 3 thì dữ liệu cĩ xu hướng tuân theo phân phối chuẩn. Trong quản lý danh mục, với một danh mục đầu tư cĩ hệ số độ lệch âm 17
  29. thì TSSL trong tương lai rất dễ xảy ra hiện tượng âm, trong khi nếu hệ số lệch dương với phần đuơi lệch phải hàm ý cĩ một TSSL cao sẽ xuất hiện trong tương lai. Mặc khác, nhà đầu tư cịn quan tâm tới đuơi phía trái nhiều hơn vì nĩ đại diện cho xác suất xuất hiện các khoản lỗ. Khi phân phối cĩ độ gù dương thì nghĩa là xác suất các khoản lỗ sẽ tập trung ở đuơi nhiều hơn, như vậy độ an tồn khơng cao và đây là một rủi ro cần đề phịng. Ngược lại, phân phối cĩ độ gù âm đồng nghĩa với việc phân phối xác suất các khoản lỗ sẽ ít hơn so với thơng thường, điều này hàm ý rủi ro cũng ít hơn (Peđaranda, 2007). Trong giới đầu tư, ngồi TSSL kỳ vọng và phương sai, cần đo lường hai chỉ số độ lệch và độ gù vì đây mới là những chỉ số để đánh giá rủi ro thực sự. Thơng thường tài sản cĩ độ lệch dương và độ gù âm là những cổ phiếu được ưa thích lựa chọn vì cĩ nhiều quan sát cĩ suất sinh lời tăng đột biến (độ lệch dương) và cĩ độ an tồn lại cao (độ gù âm). 2.3.2. Đồng độ lệch và Đồng độ gù. Năm 1973, dựa trên quan hệ giữa TSSL trung bình và rủi ro cổ phiếu tại sàn NYSE trong giai đoạn năm 1926 đến năm 1968 và với phương pháp ước lượng OLS thì Fama và Macbeth (1973) cho rằng phân phối của TSSL trên danh mục tài sản khơng theo quy luật phân phối chuẩn. Khi nhiều cơng trình nghiên cứu trước đĩ cũng cho thấy sự lệch hoặc gù là do ảnh hưởng các nhân tố moment bậc cao, vì thế Kraus và Litzenberger (1976) cho rằng nếu TSSL kỳ vọng của danh mục cĩ hình dạng khơng đối xứng thì mơ hình nghiên cứu cần bổ sung thêm hai nhân tố mới là đồng độ lệch hay đồng độ gù. Năm 1999, Hwang và Satchell (1999) đã mở rộng mơ hình của Kraus và Litzenberger (1976) khi cho rằng độ gù cĩ khả năng giải thích sự biến động của lợi nhuận tương đương với nhân tố độ lệch và hai nhân tố moment bậc cao là cần thiết trong mơ hình. Đồng độ lệch (Coskewness) và đồng độ gù (Cokurtosis) là việc bổ sung thêm hai nhân tố bậc cao đa bội quan trọng trong việc phân bổ tài sản và quản lý danh mục đầu tư. Đồng độ lệch (hay đồng độ gù) tương tự là thành phần trong yếu tố độ lệch (hay độ gù) của một tài sản liên hợp đến độ lệch (hay độ gù) của tồn bộ danh mục 18
  30. thị trường. Theo Krauss và Litzenberger (1976), bởi vì độ lệch và độ gù chỉ mới xem xét độ lệch và độ nhọn của phân phối một tài sản mà chưa xem xét trong bối cảnh thị trường nên việc sử dụng độ lệch và độ gù trong định giá tài sản là chưa phù hợp, đồng độ lệch và đồng độ gù được cho là nhân tố phù hợp trong hoạt động định giá khi đánh giá được nhiều tài sản cùng một lúc trong danh mục gấn liền với bối cảnh của thị trường. Đồng độ lệch (Coskewness) là đại lượng thống kê đo lường sự đối xứng phân phối xác suất của biến liên quan đến sự đối xứng phân phối xác suất của biến khác và đồng độ gù (Cokurtosis) là đại lượng thống kê đo lường mức độ nhọn phân phối xác suất của biến liên quan so với độ nhọn của biến khác. Trong trường hợp này, tỷ suất sinh lời của cổ phiếu và tỷ suất sinh lời của thị trường được lấy làm đại diện để tính đồng độ lệch và đồng độ gù. Cĩ thể đo lường đồng độ lệch và đồng độ gù của một tài sản qua cơng thức: 2 [{푅푖 − (푅푖)}{푅 − (푅 } ] Coskewness = 3 (2.11) {푅 − (푅 )} 3 [{푅푖 − (푅푖)}{푅 − (푅 } ] Cokurtosis = 4 (2.12) {푅 − (푅 )} Trong đĩ: Ri: TSSL của danh mục E(Ri): TSSL kỳ vọng Rm: TSSL thị trường E(Rm): TSSL kỳ vọng của thị trường. 2.4. Phương pháp hồi quy phân vị (Quantile regression) Được giới thiệu vào năm 1978 bởi Koenker và Bassett (1978), phương pháp hồi quy phân vị giúp xác định tác động biên của các biến độc lập lên các biến phụ thuộc tại từng mức phân vị τ. 19
  31. 2.4.1. Định nghĩa về phân vị Định nghĩa: Cho đại lượng Y là một giá trị ngẫu nhiên với hàm phân phối 퐹푌. Tại 휏 ∈ (0,1) thì các mức phân vị của giá trị Y là giá trị 푄휏 sao cho (Trần Thị Tuấn Anh, 2001): Pr(푌 휉 ≤퐹푌( ) Hay 20
  32. 푄휏 = 𝑔휉∈푅 min 휏 ∫ ( − 휉) 퐹푌( ) + (휏 − 1) ∫ | − 휉| 퐹푌( ). (2.18) >휉 ≤휉 Trong trường hợp Y là giá trị ngẫu nhiên rời rạc, phương trình trên được viết lại như sau : 1 푄 = 𝑔 min [ ∑ 휏(푌 − 휉) + ∑ (휏 − 1)(푌 − 휉)] (2.19) 휏 휉∈푅 푛 푖 푖 (푖|푍푖 ≥ 휉) (푖|푍푖 < 휉) Dạng rút gọn của phương trình trên được viết lại như sau: 푛 1 푄 = 𝑔 min ∑ 𝜌 (푌 − 휉) (2.20) 휏 휉∈푅 푛 휏 푖 푖=1 Từ bài tốn ước lượng giá trị phân vị ở trên, Koenker và Bassett (1978) đã đề xuất dạng mở rộng để tìm ra hàm phân vị cĩ điều kiện 푄휏(푌| ). Đây cũng chính là phương pháp hồi quy phân vị. Trong đĩ, việc tìm hệ số hồi quy 훽휏, trong trường hợp ̂ ước lượng hệ số hồi quy trên mẫu nghiên cứu, giá trị này được ký hiệu 훽휏. Bài tốn ước lượng hệ số hồi quy trên tập mẫu sẽ cĩ dạng như sau : 푛 1 훽̂ = 𝑔 min ∑ 𝜌 (푌 − ℎ( , 훽 )) (2.21) 휏 훽휏∈푅 푛 휏 푖 푖 휏 푖=1 ′ Trong trường hợp ℎ( 푖, 훽휏) là hàm tuyến tính hay ℎ( 푖, 훽휏) = 푖 훽휏, thì 푛 1 ′ 훽̂ = 𝑔 min ∑ 𝜌 (푌 − 훽 ) (2.22) 휏 훽휏∈푅 푛 휏 푖 푖 휏 푖=1 1 Giả sử 휏 = , kết quả của hàm hồi quy phân vị cũng chính là trung vị cĩ điều 2 ′ kiện 푄0.5(푌푖| 푖) = 푖 훽0.5. Hay cũng chính là kết quả hồi quy theo phương pháp độ lệch tuyệt đối nhỏ nhất (OLS cổ điển). 2.4.2. Các tính chất của phương pháp hồi quy phân vị 21
  33. Phương pháp hồi quy phân vị cĩ 8 tính chất được đề xuất bởi Koenker (2005) cũng như nghiên cứu của Hao và Naiman (2007). Qua đĩ, các tính chất này được lấy làm so sánh ưu, nhược điểm so với phương pháp hồi quy OLS ở mục kế tiếp. Tính đẳng biến (equivariance) Giá trị phân vị cĩ tính đẳng biến khi biến đổi qua hàm số đơn điệu. Tính đẳng biến của phương pháp hồi quy phân vị giúp phương pháp này tối ưu trong việc ước lượng các tham số của bài tốn quy hoạch tuyến tính1. Tính ổn định (robustness) Khác với phương pháp hồi quy cổ điển (OLS), phương pháp hồi quy phân vị hầu như khơng chịu tác động của các quan sát bất thường đến kết quả ước lượng của mơ hình. Nếu như giá trị quan sát thay đổi, hoặc cĩ các biến ngoại lai cĩ tác động lớn đến mơ hình như khơng phân bổ trong tập dữ liệu, kết quả ước lượng của phương pháp hồi quy OLS thường sẽ chịu các tác động lớn. Cụ thể là khi giá trị ngoại lai càng lớn, sẽ kéo kết quả ước lượng theo phương pháp này chệch về hướng của biến ngoại lai. Ngược lại, Hao và Naiman (2007) đã chứng minh được rằng, việc thay đổi giá trị của biến ngoại lai khơng làm tác động đến kết quả ước lượng theo phương pháp hồi quy phân vị, hoặc kết quả ước lượng cĩ thay đổi tuy nhiên khơng quá khác biệt so với kết quả ban đầu. Do đĩ, hai tác giả này đã chứng minh rằng phương pháp hồi quy phân vị cĩ tính ổn định cao hơn so với phương pháp hồi quy OLS2. - Hàm hồi quy phân vị của k biến luơn đi qua ít nhất k quan sát của mẫu nghiên cứu - Số quan sát cĩ phần dư âm của hàm hồi quy phân vị ứng với phân vị τ cĩ thể đạt tỷ lệ cao nhất là τ - Tính tăng dần của các hàm hồi quy phân vị tại giá trị trung bình X - Ước lượng hồi quy phân vị là ước lượng M-estimator 1 Trang 38, KoenKer (2005) 2 Trang 47, Hao và Naiman (2007). 22
  34. - Ước lượng hàm hồi quy phân vị cĩ thể được xem là xấp xỉ ước lượng GMM3 - Tính vững (consistency) Vì kết quả ước lượng của hàm hồi quy phân vị xấp xỉ với kết quả ước lượng dựa trên phương pháp GMM, do đĩ cĩ thể thấy phương pháp hồi quy phân vị cĩ những tính chất của phương pháp GMM, cũng chính là tính vững của mơ hình (Green, 2011). 2.4.3. So sánh phương pháp hồi quy phân vị so với OLS Như đã đề cập ở mục 2.4.2, dựa vào những tính chất của phương pháp hồi quy phân vị, các nhà nghiên cứu Koenker (2005) cũng như Hao và Naiman (2007) đã đưa ra các ưu và nhược điểm của phương pháp này so với phương pháp hồi quy cổ điển OLS. Cụ thể: - Ưu điểm + Thứ nhất, phương pháp hồi quy phân vị cho phép thể hiện mối quan hệ tương tác lẫn nhau giữa các biến độc lập lên biến phụ thuộc trên từng mức phân vị. Trong khi đĩ, phương pháp OLS chỉ mơ tả được tác động của biến độc lập lên biến phụ thuộc tại mức phân vị 휏 = 0.5. Do đĩ, ưu điểm này cho người đọc cĩ cái nhìn tổng quát nhất về tác động của biến độc lập lên biến phụ thuộc. + Thứ hai, nhờ cĩ tính ổn định (robustness), phương pháp hồi quy phân vị khơng chịu tác động bởi các quan sát ngoại lai (outliers) và khắc phục tình trạng bị chệch so với phương pháp OLS. + Thứ ba, các kiểm định tham số của phương pháp hồi quy phân vị khơng dựa trên tính chuẩn xác của sai số cũng như yêu cầu về giả định dạng phân phối của sai số hồi quy. 3 Buchinsky (1998). 23
  35. + Thứ tư, phương pháp hồi quy phân vị khắc phục được tình trạng phương sai sai số thay đổi. Cụ thể, tại các mức phân vị khác nhau, phương pháp hồi quy phân vị sẽ cho ra các kết quả ước lượng khác nhau. - Nhược điểm + Thứ nhất, vì khắc phục được nhiều nhược điểm của phương pháp hồi quy OLS, do đĩ phương pháp hồi quy phân vị yêu cầu các bước tính tốn phức tạp hơn. Việc giải bài tốn quy hoạch tuyến tính khi khơng cĩ sự trợ giúp của máy tính sẽ tạo ra nhiều khĩ khăn cho người sử dụng. + Thứ hai, do để cĩ được cái nhìn tổng quát về tác động giữa các biến độc lập lên giá trị phụ thuộc trong chu kỳ nghiên cứu ở từng mức phân vị khác nhau, nhà nghiên cứu phải thực hiện nhiều lần các phép ước lượng hệ số hồi quy ở các mức phân vị khác nhau. + Thứ ba, cũng giống như phương pháp hồi quy OLS, giả định của phương pháp hồi quy phân vị được áp dụng cho các hàm tuyến tính. Do đĩ, trong trường hàm bộ dữ liệu quan sát khơng cĩ phân phối chuẩn hoặc khơng cĩ dạng tuyến tính, việc áp dụng phương pháp hồi quy phân vị vào nghiên cứu sẽ tạo ra sự thiếu chuẩn xác đối với kết quả ước lượng. Bên cạnh đĩ, phương pháp hồi quy phân vị cũng chưa khắc phục được các vấn đề liên quan đến nội sinh, hiện tượng tự tương quan cĩ trong mơ hình. 24
  36. 2.5. Lược khảo các cơng trình nghiên cứu Năm Tên bài nghiên Tác giả Nội dung Kết quả cứu Nghiên cứu quốc tế 1976 Skewness Kraus và Nghiên cứu cho Hệ số beta và độ preference and Litzenberger rằng nếu TSSL lệch đều cĩ ý the valuation of kỳ vọng của nghĩa thống kê risk assets danh mục cĩ và là ước lượng hình dạng vững. Trong đĩ khơng đối xứng tác động của β thì mơ hình cùng chiều với nghiên cứu cần TSSL và yếu tố bổ sung thêm độ lệch tác động một nhân tố ngược chiều đến mới là độ lệch. TSSL. Nghiên cứu dựa trên bộ dữ liệu nghiên cứu từ năm 1935 đến năm 1970 với tần suất tháng lấy trên sàn NYSE và nghiên cứu trên dữ liệu chéo. 1999 Modelling Soosung Bài nghiên cứu Kết quả nghiên Emerging Hwang và nhằm chứng cứu cho thấy thị Market Risk cộng sự minh về giá trị trường các quốc Premia Using gia tăng khi đưa gia mới nổi 25
  37. Higher thêm hai nhân được giải thích Moments tố bậc cao là tốt hơn khi đưa Kurtosis và thêm hai nhân tố Skewness vào rủi ro hệ thống mơ hình là Co-skewness CAPM. Nhĩm và Co-kurtosis tác giả tiến hành so với mơ hình nghiên cứu trên CAPM phương thị trường các sai-trung bình quốc gia mới thơng thường. nổi thơng phương pháp GMM. 2000 Conditional Harvey và Hai nhà nghiên Nhĩm tác giả skewness in Siddique cứu này sử kết luận cĩ sự asset pricing dụng bộ dữ liệu tác động của yếu tests cổ phiếu của ba tố Đồng độ lệch sàn chứng tới TSSL của khốn NYSE, danh mục đầu AMEX, tư. NASDAQ giai đoạn 1963 – 1993 với tần suất tháng, nhĩm tác giả lần lượt sử dụng mơ hình CAPM, mơ hình ba nhân tố 26
  38. Fama và French (1993) kết hợp với nhân tố Đồng độ lệch để xem mức độ giải thích của mơ hình thơng qua giá trị R2 hiệu chỉnh bằng hai phương pháp ước lượng giá trị hợp lý tối đa (Maximum Likelihood) và ước lượng OLS kết hợp với dữ liệu chéo 2004 CAPM, Higher Hung và Nghiên cứu về Kết quả ước Co‐moment cộng sự tác động của hai lượng theo and Factor nhân tố độ lệch phương pháp Models of UK và độ gù đến hồi quy OLS Stock Returns TSSL của cho thấy hệ số TTCK Anh giai beta cĩ ý nghĩa đoạn từ 1975 – thống kê yếu 2005. Dựa trên hơn khi thêm các nghiên cứu vào hai nhân tố trước, mơ hình quy mơ (SMB) của tác giả được và giá trị phát triển từ mơ (HML), kết quả 27
  39. hình ba nhân tố này trái ngược kết hợp thêm với kết quả của hai nhân tố độ Fama và French. lệch và độ gù. Bên cạnh đĩ, bài nghiên cứu cịn cho thấy khi thị trường thay đổi, hệ số ước lượng beta cĩ ý nghĩa thống kê mạnh hơn khi được bổ sung thêm hai nhân tố độ lệch và độ gù. Tuy nhiên, hai nhân tố rủi ro bậc cao vẫn chưa giải thích được TSSL kỳ vọng. 2008 Implication of Agarwal và Nhĩm tác giả Kết quả bài volatility, cộng sự thu thập dữ liệu nghiên cứu cho skewness, and của hơn 5336 thấy cả ba nhân kurtosis risks quỹ đầu tư, tuy tố đều cĩ tác for hedge fund nhiên cĩ tới động đến TSSL, performance 2027 mẫu các giá trị hệ số nghiên cứu bị hồi quy đều cĩ ý loại bỏ do các lý nghĩa thơng kê. do về thanh Trong đĩ, phần khoản, sáp bù yếu tố độ 28
  40. nhập, ngừng lệch cĩ tác động hoạt động, cùng chiều đến Nhĩm tác giả đã TSSL kỳ vọng chia bộ dữ liệu và phần bù yếu ra thành 27 tố độ gù cĩ tác danh mục cổ động ngược phiếu để mơ chiều đến TSSL phỏng đường kỳ vọng. biên hiệu quả, ước lượng phần bù rủi ro về biến động dựa trên yếu tố độ lệch và độ gù. 2011 The roles of Doan Mở rộng mơ Bài nghiên cứu systematic hình CAPM, chỉ ra rằng thị skewness and mơ hình Fama – trường chứng systematic French, tác giả khốn Úc cĩ độ kurtosis in asset đã bổ sung thêm lệch âm nhiều pricing hai nhân tố độ hơn nhưng mức lệch và độ gù độ gù lại thấp đến việc giải hơn so với thị thích TSSL kỳ trường chứng vọng. Trong đĩ, khốn Mỹ. Bên bộ dữ liệu cạnh đĩ, nhân tố nghiên cứu độ lệch cĩ vai được thu thập từ trị quan trọng TSSL của các trong việc giải cơng ty niêm thích biến động 29
  41. yết trên thị TSSL của thị trường chứng trường chứng khốn Úc giai khốn Úc trong đoạn 1992 – khi cả hai nhân 2009. Tác giả tố độ lệch và độ sử dụng phương gù lại giải thích pháp MLR tốt hơn tại thị (Multivariate trường Mỹ. Tác linear giả cũng giải regressions) để thích thêm sự ước lượng giá khác biệt này trị hồi quy. chủ yếu đến từ khác biệt của quy mơ các cơng ty ở hai thị trường. 2011 Higher co- Kostakis và Tác giả sử dụng Nhân tố Đồng moments and cộng sự bộ dữ liệu của độ lệch và độ gù asset pricing on các cơng ty đều cĩ ý nghĩa London Stock niêm yết từ năm thống kê và sau Exchange 1986 – 2008 để khi bổ sung đánh giá tác thêm hai nhân tố động của nhân này, TSSL được tố rủi ro bậc cao giải thích tốt đến TSSL của hơn so với các cổ phiếu. Tác mơ hình CAPM, giả dựa trên ba Fama – French mơ hình truyền và Carhart. Yếu thống là tố Đồng độ lệch 30
  42. CAPM, Fama – cĩ tác động French và tương quan Carhart, qua đĩ dương đến nhĩm tác giả bổ TSSL kỳ vọng sung thêm hai trong khi yếu tố yếu tố Đồng độ Đồng độ gù lại lệch và Đồng độ cĩ tác động gù. tương quan âm. 2013 An empirical Hassan và Bài nghiên cứu Dựa trên kết quả analysis of Kamil nhằm kiểm định ước lượng thơng higher moment sự hiệu quả của qua phương capital asset mơ hình CAPM pháp OLS, hai pricing model khi bổ sung tác giả cho thấy for Bangladesh thêm hai nhân mơ hình CAPM stock market tố Độ lệch và độ kết hợp các nhân gù. Dữ liệu tố bậc cao giải nghiên cứu thích tốt hơn sự được tác giả thu biến động TSSL thập từ 71 cơng của cổ phiếu ty phi tài chính trên TTCK trên TTCK Bangladesh. Bangladesh giai Bên cạnh đĩ, hai đoạn 2002 – nhân tố này đều 2011. cĩ ý nghĩa thống kê trong mơ hình nghiên cứu. 2015 Empirical Ajibola và Tiến hành kiểm Trong trường Proof of the cộng sự định tác động hợp khơng sử CAPM with (2015) của các nhân tố dụng biến giả D 31
  43. Higher Order rủi ro bậc cao (thị trường tăng Co-moments in đến TSSL của hay giảm) thì chỉ Nigerian Stock cổ phiếu trên cĩ nhân tố độ Market: The TTCK Nigeria lệch giải thích Conditional trong giai đoạn tốt sự biến động and từ 2003 – 2011. TSSL trong khi Unconditional rủi ro đại diện Based Tests của nhân tố hiệp phương sai (covariance) và độ gù khơng cĩ ý nghĩa thống kê. Trường hợp cĩ sử dụng biến giả D khi thị trường đi xuống, chỉ cĩ yếu tố hiệp phương sai (covariance) và độ lệch giải thích được sự biến động của TSSL cịn hệ số ước lượng của nhân tố độ gù khơng cĩ ý nghĩa thống kê. 32
  44. 2016 Nonlinearities Serdar Bài nghiên cứu Kết quả nghiên in the CAPM: Neslihanoglu đánh giá khả cứu cho thấy Evidence from và cộng sự năng dự báo của phương pháp Developed and các tham số phi tiếp cận mơ hình Emerging tuyến của mơ thị trường theo Markets hình thị trường. thời gian tốt hơn Tác giả đề xuất so với các mơ mơ hình thị hình tuyến tính trường hai thời về cả mức độ điểm cĩ điều phù hợp cũng kiện với rủi ro như khả năng dự hiệp phương sai đốn. Cụ thể, (beta) cĩ hệ các moment bậc thống biến đổi cao là cần thiết theo thời gian cho các tập dữ dưới dạng một liệu liên quan quá trình hồn đến việc thay nguyên trung đổi cấu trúc bình của mơ hoặc sự thiếu hình khơng gian hiệu quả của thị trạng thái thơng trường vốn phổ qua thuật tốn biến ở hầu hết lọc Kalman. thị trường chứng Bên cạnh đĩ, khốn các quốc nhĩm tác giả gia mới nổi. cịn xem xét tác động của yếu tố hệ thống của Đồng độ lệch và 33
  45. Đồng độ gù bằng cách xem xét các moment bậc cao. Bài nghiên cứu được thực hiện bằng việc sử dụng chỉ số chứng khốn của một số thị trường mới nổi. Nghiên cứu tại Việt Nam 2013 Định giá tài sản Trương Quốc Định giá tài sản Nghiên cứu với moment Thái khi cĩ tác động chứng minh bậc cao của các nhân tố được rằng hai bậc cao qua đĩ yếu tố độ lệch và đánh giá mức độ gù đều cĩ độ tác động của đĩng gĩp quan các nhân tố này trọng trong việc đến sự biến giải thích sự động TSSL cổ biến động TSSL phiếu của 147 cũng như định cơng ty niêm giá cổ phiếu tại yết trên HOSE. TTCK Việt Dựa trên nam. Cơng trình phương pháp cũng cho thấy nghiên cứu của quy mơ của các Doan (2011) và doanh nghiệp sử dụng ước niêm yết nhỏ 34
  46. lượng hồi quy nên ảnh hưởng OLS. của các yếu tố độ lệch lên TSSL cổ phiếu nhiều hơn độ gù. 2014 Quan hệ giữa Võ Xuân Quan hệ giữa Phần bù rủi ro rủi ro Hiệp Vinh và rủi ro hiệp nhân của yếu tố độ gù Moment bậc Nguyễn tố bậc cao và đạt ý nghĩa cao và lợi Quốc Chí TSSL kỳ vọng thống kê tại mức nhuận cổ phiếu: của danh mục 10% và biến Nghiên cứu cổ phiếu. Cơng động cùng chiều thực nghiệm trình lấy dữ liệu đến TSSL của trên thị trường từ năm 2006 danh mục, yếu Việt Nam đến năm 2013 tố hiệp phương của các cơng ty sai (covariance) niêm yết trên và độ lệch cĩ sàn HOSE. Các phần bù rủi ro yếu tố rủi ro khơng cĩ ý được tác giả sử nghĩa thống kê. dụng bao gồm covariance độ lệch và độ gù. Dựa trên phương pháp của Lambert và Hubner (2013) và khung phân tích của Fama 35
  47. và Macbeth (1973). 2017 Pricing assets Huỳnh Lưu Nhĩm tác giả sử Kết quả nghiên with higher co- Đức Tồn và dụng dữ liệu cứu cho thấy các moments and cộng sự của 274 cơng ty nhà đầu tư cĩ thể Value-at-Risk phi tài chính tối đa hĩa lợi by Q- niêm yết trên nhuận của họ regression sàn chứng thơng qua việc approach: khốn Việt nắm giữ những evidence from Nam (HOSE) cổ phiếu cĩ giá Vietnam stock trong giai đoạn trị Đồng độ lệch market từ tháng 7 năm dương và hạn 2006 – tháng 6 chế các cổ phiếu năm 2016. cĩ giá trị Đồng Nhĩm tác giả độ gù cao. Bên bổ sung thêm ba cạnh đĩ, nhĩm nhân tố VaR, tác giả cịn tái Đồng độ lệch và khẳng định vai Đồng độ gù dựa trị quan trọng trên mơ hình ba của các nhân tố nhân tố Fama – quy mơ, giá trị French để đánh và rủi ro tổn thất giá tác động của tối đa (VaR) đến các nhân tố này TSSL. đến TSSL. Nguồn: Tác giả tổng hợp 36
  48. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 3.1. Thu thập dữ liệu thơ Tác giả sử dụng dữ liệu chỉ số thị trường chứng khốn theo tuần của 25 thị trường mới nổi được phân loại theo các tiêu chí phân loại của MSCI (tại năm 2018) trong giai đoạn từ tháng 4 năm 2005 đến tháng 11 năm 2017. Lý do tác giả chọn mốc thời gian này vì khoảng thời gian này sát với thực nghiệm. Bên cạnh đĩ, theo nhiều nghiên cứu cho thấy thơng thường chu kỳ của một cuộc khủng hoảng tài chính thường kéo dài trong khoảng 10 năm. Do đĩ, việc lựa chọn mốc thời gian này vừa phản ảnh được giá trị thực nghiệm của đề tài, ngồi ra mốc thời gian này cịn phản ánh được các yếu tố khơng lường trước của cuộc khủng hoảng mà cụ thể là cuộc khủng hoảng nợ dưới chuẩn năm 2008-2009. 3.1.1. Giá trị chỉ số tại thị trường các nước mới nổi Trong bài nghiên cứu này, tác giả tổng hợp chỉ số của 25 thị trường chứng khốn mới nổi theo các tiêu chí của MSCI trong giai đoạn từ tháng 4 năm 2005 đến tháng 11 năm 2017. Các bài nghiên cứu của Serdar Neslihanoglu (2016), Soosung Hwang (1999) đều cho thấy việc lấy dữ liệu theo tiêu chí của MSCI phù hợp với mục tiêu nghiên cứu của đề tài. Ngồi các đề tài đã nêu ở trên, tác giả cịn tham khảo mơ hình Fama-French và nhận thấy vẫn chưa cĩ một cách thu thập số liệu cụ thể và thống nhất. Việc thu thập này chỉ mang tính chất tổng quát nhằm vào mục đích lấy dữ liệu theo tuần để tránh được các sai sĩt trong quá trình thu thập, các hiệu ứng tâm lý đầu tư như “hiệu ứng thứ hai”, Những dữ liệu chứng khốn này được tác giả thu thập dựa trên kho dữ liệu của Thomson Reuter điều chỉnh trong suốt giai đoạn từ tháng 4 năm 2005 đến tháng 11 năm 2017. 3.1.2. Lãi suất phi rủi ro và lợi nhuận thị trường Đối với dữ liệu lãi suất phi rủi ro, tác giả sử dụng giá trị lãi suất cho vay liên ngân hàng London (LIBOR) tại thị trường Mỹ theo tuần làm đại diện cho giá trị lãi suất phi rủi ro. Tác giả dựa trên các kết quả nghiên cứu của Kostakis, Muhammad, và Siganos (2012) và neslihanoglu (2016). Cụ thể, lãi suất phi rủi ro 37
  49. được lấy làm đại diện thường cĩ mức độ an tồn cao, thị trường chứng khốn các nước mới nổi tập hợp nhiều quốc gia gồm các khu vực khác nhau như châu Âu, châu Mỹ Latinh, châu Á. Do đĩ, lãi suất phi rủi ro ở đây phải mang tính chất tồn cầu. Bên cạnh đĩ, dựa trên nghiên cứu của neslihanoglu (2016) và Soosung Hwang (1999), tác giả nhận thấy việc giả định chỉ số MSCI-EM làm đại diện cho tỷ suất sinh lời của danh mục thị trường là hợp lý. Vì xét theo bản chất, giá trị MSCI-EM được xây dựng từ 25 chỉ số thị trường chứng khốn các nước mới nổi, do đĩ nĩ cĩ thể bao quát được thay đổi tổng thể của thị trường các nước mới nổi. Dữ liệu đại diện lãi suất phi rủi ro và danh mục đầu tư thị trường đều được lấy theo tuần trong giai đoạn từ tháng 4 năm 2005 đến tháng 11 năm 2017 để phù hợp với chuỗi thời gian nghiên cứu. 3.2. Xử lý số liệu 3.2.1. Tính tốn giá trị tỷ suất sinh lợi Nghiên cứu này sử dụng chỉ số hằng tuần với việc tính tốn giá trị tỷ suất sinh lợi của tài sản dựa trên hàm logarithm theo cơng thức trong Miller (2013) như sau: 푃푖,푡 푅푖,푡 = 푙푛 (3.1) 푃푖,푡−1 Trong đĩ: Ri,t: Tỷ suất sinh lợi của chỉ số i tại tuần t Pi,t: Giá trị của chỉ số i tại cuối tuần t Pi,t-1: Giá trị của chỉ số i tại cuối tuần t-1 Trong cơng thức này, Tỷ suất sinh lợi của chỉ số được tính tốn theo giá trị của chỉ số của tuần t và tuần t-1. 3.2.2. Tính tốn giá trị Đồng độ lệch (Co-skewness) và Đồng độ gù (Co-kurtosis) Giá trị đồng độ lệch Co-skewness được tác giả sử dụng dựa trên định nghĩa của Kraus và Litzenberger (1976). Trong đĩ giá trị Co-skewness được tính dựa trên cơng thức sau: 38
  50. [{푅 − (푅 )}{푅 − (푅 )}2] ( ) 푖 푖 Đồng độ lệch CSK = 3 (3.2) {푅 − (푅 )} [{푅 − (푅 )}{푅 − (푅 )}3] ( ) 푖 푖 Đồng độ gù CKT = 4 (3.3) {푅 − (푅 )} Trong đĩ: 푅푖: TSSL của chỉ số thị trường i (푅푖): TSSL kỳ vọng của chỉ số thị trường i 푅 : TSSL của danh mục thị trường (푅 ): TSSL kỳ vọng của danh mục thị trường. Dựa trên việc tính tốn giá trị đồng độ lệch và đồng độ gù bằng cơng thức của Kraus và Litzenberger (1976), bài viết dựa trên bộ dữ liệu thực tế tỷ suất sinh lời của các thị trường mới nổi. Qua đĩ, tác giả cĩ thể đưa ra cái nhìn chi tiết hơn về khả năng áp dụng mơ hình CAPM mở rộng hai nhân tố bậc cao trong việc giải thích sự biến động của tỷ suất sinh lợi. 3.2.3. Tính tốn các biến độc lập của mơ hình Đầu tiên, tác giả tính tốn các giá trị đồng độ lệch, đồng độ gù của mơ hình dựa trên cơng thức của mục 3.2.2. Sau đĩ, tác giả tính tốn các biến độc lập bao gồm phần bù rủi ro thị trường (RMP), phần bù đồng độ lệch (CSKP) và phần bù đồng độ gù (CKTP) để đo lường tác động của các nhân tố này đến từng thị trường qua các năm. Đối với hai giá trị phần Đồng độ lệch và phần bù Đồng độ gù, sau khi tính tốn các giá trị CSK và CKT của từng quốc gia, tác giả sắp xếp các giá trị này từ thấp đến cao, tác giả phân bổ vào ba danh mục bao gồm thấp, trung bình và cao. Tác giả tiếp tục tính phần bù của các nhân tố này dựa trên cơng thức sau: Tính tốn giá trị phần bù rủi ro thị trường (RMP) Nhân tố phần bù rủi ro thị trường nhằm đại diện cho biến cố rủi ro, các sự biến động khơng lường trước được giữa thị trường lên giá trị rủi ro của chứng khốn. Đại 39
  51. lượng này được ước lượng dựa trên sự chênh lệch giữa giá trị TSSL của danh mục thị trường so với giá trị lãi suất phi rủi ro theo cơng thức sau: 푅 푃 = 푅 − 푅 (3.4) Trong đĩ: 푅 푃: là phần bù rủi ro thị trường 푅 : là giá trị TSSL của danh mục thị trường (MSCI-EM) 푅 : là giá trị đại diện lãi suất phi rủi ro (lãi suất LIBOR) Tính tốn giá trị phần bù Đồng độ lệch (CSKP) Nhân tố CSKP được xây dựng nhằm mơ phỏng các tác động của nhân tố đồng độ lệch đến TSSL của danh mục và TSSL của thị trường, cịn được gọi là phần bù rủi ro Đồng độ lệch. Giá trị 푆퐾 được tính dựa trên sự chệnh lệch mỗi tuần giữa TSSL của danh mục cĩ giá trị đồng độ lệch cao ( 푆퐾) và TSSL của danh mục cĩ giá trị Đồng độ lệch thấp (퐿 푆퐾). 푆퐾푃 = 푆퐾 − 퐿 푆퐾 (3.5) Trong đĩ: 푆퐾푃: là phần bù rủi ro Đồng độ lệch 푆퐾: là giá trị TSSL của danh mục cĩ giá trị CSK cao 퐿 푆퐾: là giá trị TSSL của danh mục cĩ giá trị CSK thấp Tính tốn giá trị phần bù Đồng độ gù (CKTP) Nhân tố CKTP được xây dựng nhằm mơ phỏng các tác động của nhân tố đồng độ gù đến TSSL của danh mục và TSSL của thị trường, cịn được gọi là phần bù rủi ro Đồng độ lệch. Giá trị 퐾 푃 bằng sự chênh lệch mỗi tuần giữa TSSL của danh mục cĩ Đồng độ lệch cao ( 퐾 ) và danh mục cĩ Đồng độ gù thấp (퐿 퐾 ). 퐾 푃 = 퐾 − 퐿 퐾 (3.6) 40
  52. Trong đĩ: 퐾 푃: là phần bù rủi ro Đồng độ lệch 퐾 : là giá trị TSSL của danh mục cĩ giá trị CKT cao 퐿 퐾 : là giá trị TSSL của danh mục cĩ giá trị CKT thấp 3.3. Phương pháp thống kê 3.3.1. Phương pháp thống kê mơ tả dữ liệu thơ Tác giả sử dụng phương pháp thống kê mơ tả để làm rõ bản chất của chuỗi dữ liệu thơng qua các đại lượng chính bao gồm giá trị trung bình cộng (Mean), giá trị sai số chuẩn (SE), độ lệch (Skewness) và độ gù (Kurtosis) từ đĩ giải thích đặc điểm của chỉ số từng khốn của từng quốc gia trong khu vực mới nổi. Trong đĩ: Giá trị trung bình cộng (mean): đo lường trung bình giá trị TSSL của chỉ số thị trường của các nước. Giá trị này được đo lường bằng cách chia tổng TSSL cho tổng số quan sát. Sai số chuẩn (SE): đo lường sự phân tán của dữ liệu nghiên cứu. Độ lệch (Skewness): đây là giá trị đánh sự sự bất cân xứng của dữ liệu quan sát xung quanh giá trị trung bình. Đối với một chuỗi dữ liệu cĩ phân phối chuẩn, giá trị skewness = 0. Trong khi đĩ, giá trị skewness > 0 phản ánh xác suất xuất hiện các biến cố tạo ra lợi nhuận bất thường cao hơn so với phân phối chuẩn, ở đây được định nghĩa là lệch dương (positive skewness). Ngược lại, khi giá trị này được xem là lệch âm khi skewness 3, chuỗi dữ liệu được xem xét là cĩ độ nhọn cao đồng nghĩa với việc xác suất của các biến cố rủi ro (lợi nhuận bất thường và tổn thất bất thường) cao hơn so với phân phối chuẩn. Ngược lại, khi Kurtosis < 3, chuỗi dữ liệu được xem xét là 41
  53. cĩ độ nhọn thấp tương đương với xác suất của các biến cố rủi ro là thấp hơn so với phân phối chuẩn4. 3.3.2. Phân tích mối quan hệ tương quan giữa các biến độc lập Dựa trên các lý thuyết xác suất thống kê, hệ số tương quan là giá trị giúp các nhà nghiên cứu cĩ thể lượng hĩa được mức độ phụ thuộc tuyến tính giữa hai biến ngẫu nhiên. Ngày nay, các nhà khoa học đã phát triển rất nhiều phương pháp để đo lường mức độ tương quan. Trong các cách đo lường này, phương pháp Pearson được phát triển bởi nhà khoa học Karl Pearson (1895) dựa trên những ý tưởng được đề xuất bởi Francis Galton trong những năm 1880. Theo đĩ, đối với hai biến , 푌 ngẫu nhiên, hệ số tương quan Pearson được tính bằng cơng thức: 표푣( , 푌) 𝜌 ,푌 : (3.7) 𝜎 𝜎푌 Trong đĩ: 𝜌 ,푌: Hệ số tương quan Pearson giữa và 푌 표푣( , 푌): Hiệp phương sai giữa và 푌 𝜎 , 𝜎푌: Độ lệch chuẩn của và 푌. Độ biến động của giá trị hệ số tương quan Pearson dao động quanh giá trị -1 đến 1. Trong đĩ, khi 𝜌 ,푌 > 0, tồn tại sự phụ thuộc tuyến tính giữa hai biến và 푌. Điều này đồng nghĩa với việc mối quan hệ giữa hai biến này biến động theo tỷ lệ thuận, tức là giá trị của một biến tăng lên thì đồng thời giá trị của biến cịn lại cũng sẽ tăng lên theo. Khi 𝜌 ,푌 < 0, tồn tại mối quan hệ nghịch chiều giữa hai biến và 푌. Đối với trường hợp 𝜌 ,푌 = 0, theo định nghĩa của Pearson, hai biến này tồn tại mối quan hệ độc lập thống kê. Tuy nhiên, trong thực tế xác suất tồn tại trường hợp độc lập giữa hai biến với nhau là rất thấp, điều này phản ánh nhược điểm của phương pháp hệ số tương quan là chưa giải thích được mối quan hệ giữa các biến phi tuyến. 4 Sách CFA Level 1, quyển 1. 42
  54. Đối với các phương pháp hồi quy đa biến giữa biến độc lập với các biến phụ thuộc, khi mối quan hệ tương quan giữa hai chuỗi quan sát này cao sẽ phản ánh sự tồn tại của hiện tương đa cộng tuyến. Trong trường hợp cĩ nhiều hơn hai biến độc lập trong mơ hình, tác giả sử dụng ma trận tương quan để minh họa cụ thể mức độ phụ thuộc giữa các chuỗi dữ liệu này với nhau (theo Karl Pearson, 1895). 3.3.3. Phân tích hồi quy tuyến tính Trong bài nghiên cứu này, tác giả sử dụng mơ hình hồi quy CAPM kết hợp với việc mở rộng thêm hai nhân tố phần bù Đồng độ lệch (CSKP) và phần bù Đồng độ gù (CKTP). Qua đĩ, sử dụng mơ hình này để đo lường tác động của các yếu tố rủi ro này đến tỷ suất sinh lời của thị trường. Bằng việc tham khảo các cơng trình nghiên cứu của Kraus và Litzenberger (1976); Harvey và Siddique (2000); Dittmar (2002); Barone Adesi, Gagliardini, và Urga (2004) trong việc đưa thêm hai nhân tố phi tuyến là CSKP và CKTP, Tác giả đề xuất mơ hình hồi quy này cĩ cơng thức như sau: 2 3 푅푖,푡 − ,푡 = 훽0,푖 + 훽1,푖[푅 ,푡 − ,푡] + 훽2,푖[푅 ,푡 − 푅̅ ,푡] + 훽3,푖[푅 ,푡 − 푅̅ ,푡] + 휀푖,푡 (3.8) = 훽0,푖 + 훽1,푖[푅 푃] + 훽2,푖[ 푆퐾푃] + 훽3,푖[ 퐾 푃] + 휀푖,푡 (3.9) Trong đĩ: 푅푖,푡: tỷ suất sinh lời theo tuần của các chỉ số chứng khốn mới nổi tại thời điểm t ,푡: giá trị đại diện lãi suất phi rủi ro (theo tuần) tại thời điểm t 푅 ,푡: giá trị tỷ suất sinh lời đại diện danh mục đầu tư thị trường tại thời điểm t 푅̅ ,푡: giá trị trung bình tỷ suất sinh lời đại diện danh mục đầu tư thị trường tại thời điểm t 훽1,푖, 훽2,푖, 훽3,푖: giá trị hệ số của các nhân tố rủi ro thị trường, phần bù đồng độ lệch, phần bù đồng độ gù. 43
  55. 푅 푃, 푆퐾푃, 퐾 푃: nhân tố phần bù rủi ro thị trường, phần bù đồng độ lệch, đồng độ gù. Tác giả sử dụng phương pháp hồi quy phân vị dựa trên các ưu điểm của phương pháp này (đã đề cập ở mục 2.4.3) khắc phục được một số yếu điểm của phương pháp OLS. Thơng qua việc hồi quy giá trị chênh lệch tỷ suất sinh lợi và lãi suất phi rủi ro của từng thị trường trên năm mức phân vị 휏 = [0.1, 0.25, 0.5, 0.75, 0.9] để xem xét các tác động khác nhau giữa các biến độc lập lên biến phụ thuộc trên từng mức phân vị. Các phép ước lượng này được tác giả tính tốn thơng qua phần mềm Stata 14. 3.3.4. Các phương pháp kiểm định dự kiến - Kiểm định ý nghĩa thống kê của các hệ số hồi quy Để kiểm tra hệ số hồi quy cĩ ý nghĩa hay khơng tác tiến hành kiểm định t (t- test) với mức ý nghĩa α = 5%, trong đĩ với 2 giả thiết như sau: 0: 훽푖 = 0 1: 훽푖 ≠ 0 Trường hợp nếu 𝜌 − 푣 푙 푒 ≥ 0.05, khơng đủ cơ sở để bác bỏ giả thiết 0, tức là hệ số hồi quy khơng cĩ ý nghĩa thống kê; nếu 𝜌 − 푣 푙 푒 < 0.05, bác bỏ giả thiết 0, hệ số hồi quy số cĩ ý nghĩa thống kê, đây là giả thiết tác giả mong muốn hướng tới. - Kiểm định sự phù hợp của mơ hình hồi quy Giá trị 푅2 được tác giả sử dụng làm để lượng để đo lường mức độ giải thích của mơ hình hồi quy. Giá trị này dao động trong khoảng [0,1], hệ số 푅2 càng cao càng giải thích được sự tác động của các biến độc lập lên tỷ suất sinh lời kỳ vọng của chỉ số chứng khốn. Nếu 푅2 = 0, các biến độc lập khơng giải thích được sự biến động của giá trị tỷ suất sinh lời kỳ vọng. Tuy nhiên, trong trường hợp càng cĩ nhiều biến được đưa vào mơ hình, giá trị 푅2 hiệu chỉnh thường được sử dụng so với giá trị thơng thường. 44
  56. 3.4. Sơ đồ tĩm tắt quy trình thực hiện Kiểm định phương sai sai số Phần bù rủi ro Hồi quy bằng thay đổi thị trường phương pháp Tính tỷ Khơng Co- Thu nhập Thống kê OLS suất sinh skewness Kiểm định đa Chọn phương dữ liệu mơ tả lợi Cĩ Phần bù Co- cộng tuyến pháp phù hợp skewness Co- Hồi quy bằng Kurtosis phương pháp Kiểm định Phần bù Co- Robustness Kurtosis phân vị 45
  57. CHƯƠNG 4: PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU 4.1. Thống kê mơ tả Đầu tiên, tác giả sử dụng phương pháp thống kê mơ tả với 657 quan sát để xem xét các đặc điểm của bộ dữ liệu nghiên cứu gồm 25 thị trường mới nổi và 3 biến độc lập là phần bù thị trường (RMP), phần bù Đồng độ lệch (CSKP) và phần bù Đồng độ gù (CKTP). Kết quả thống kê mơ tả được tác giả trình bày trong bảng 4.1 trong đĩ cho thấy khi xét về tỷ suất sinh lợi, thị trường chứng khốn Indonesia là thị trường đem về tỷ suất sinh lợi cao nhất trong nhĩm các quốc gia mới nổi (2.22%). Trong giai đoạn từ 2001 đến 2017, thị trường chứng khốn Indonesia đã tăng gấp 15 lần (tính tốn của tác giả dựa trên dữ liệu trong giai đoạn này trên datastream), điều này lý giải nguyên nhân mang về lợi nhuận cao cho nhà đầu tư khi đầu tư vào thị trường Indonesia. Ngược lại với thị trường Indonesia, Hy Lạp là quốc gia cĩ tỷ suất sinh lời trung bình trong thời gian nghiên cứu mang giá trị âm (-2.47%), ngồi ra đây cũng là thị trường cĩ mức biến động lớn nhất trong các nhĩm này với mức độ lệch chuẩn là 4.48%. Về hai giá trị là Skewness và Kurtosis, 25 quốc gia trong khu vực mới nổi đều cho thấy cĩ giá trị skewness 3 (lepto- kurtosis). Điều này cho thấy, thị trường chứng khốn của các quốc gia mới nổi khơng tuân theo phân phối chuẩn và tồn tại rủi ro tổn thất cao. Cụ thể, Thái Lan là thị trường cĩ mức độ lệch âm cao nhất (highest negative skewness) và giá trị độ gù cao thứ hai (second highest lepto-kurtosis) trong khối các quốc gia mới nổi, cụ thể ở mức -1.75, điều này cho thấy đây là thị trường cĩ xác suất xảy ra rủi ro tổn thất cao hơn so với các quốc gia cịn lại (phần tổn thất ở đuơi trái cao và độ dày rủi ro ở cả hai đuơi trong phân phối tỷ suất sinh lợi cao hơn so với phân phối chuẩn). Nguyên nhân làm cho thị trường Thái Lan tồn tại mức rủi ro tổn thất cao như vậy cĩ thể hồn tồn giải thích dựa trên đặc điểm của quốc gia này. Trong quá khứ, thị trường chứng khốn Thái Lan đã trải qua nhiều cú sốc “lịch sử” cĩ thể kể đến như cuộc khủng hoảng tiền tệ Châu Á năm 1997, Thái Lan là một trong ba quốc gia chịu thiệt hại nặng nề nhất từ cuộc khủng hoảng này. Đến giai đoạn 2006, cụ thể là ngày 19 tháng 12 năm 2006 đã được 46
  58. đánh dấu mốc lịch sử là ngày đen tối nhất trong lịch sử của thị trường chứng khốn tại quốc gia này. Chỉ số SET đã sụt giảm tới 108,41 tương ứng với 816 tỉ bath (23 tỉ USD). Nguyên nhân chính đến từ sự bất ổn trong chính trị và việc khơng kiểm sốt được sự leo thang của đồng bath đã khiến quốc gia này phải đối mặt với nhiều rủi ro. Ngồi Thái Lan, Cộng hịa Séc (Czech) là quốc gia cĩ mức độ gù cao nhất (-19.5). Tĩm lại, từ kết quả thống kê của bảng 4.1 đã cho thấy đặc điểm của từng thị trường chứng khốn trong khu vực mới nổi. Các kết quả định lượng này giải thích một cách phù hợp bản chất của từng thị trường, các giá trị này cịn phản ánh quy luật phân phối của các quan sát này khơng tuân theo phân phối chuẩn trong thực tế mà cịn chịu ảnh hưởng bởi các yếu tố về độ lệch và độ gù. Do đĩ, điều này tạo cho tác giả động lực để nghiên cứu các tác động của hai yếu tố phần bù Đồng độ lệch (CSKP) và phần bù Đồng độ gù (CKTP) đến tỷ suất sinh lợi của các quốc gia mới nổi. Bảng 4.1: Kết quả thống kê mơ tả Variable Obs Mean Std. Dev. Min Max Skewness Kurtosis RMP 657 0.000734 0.0319333 -0.22677 0.18445 -0.8228328 10.8741 Brazil 657 0.001213 0.0356032 -0.22439 0.167507 -0.3388773 7.49592 Colombia 657 0.000873 0.028631 -0.20609 0.087126 -1.552683 12.55758 Czech 657 -0.00053 0.0310534 -0.30566 0.154801 -1.537554 19.53333 Chile 657 0.00119 0.0241217 -0.21711 0.145669 -1.213683 15.74788 China 657 0.00177 0.038143 -0.16372 0.149274 -0.3051998 5.193385 Egypt 657 0.001546 0.0425797 -0.22071 0.193144 -0.8329287 7.746489 Greece 657 -0.00247 0.0448372 -0.22553 0.174682 -0.5361047 5.310601 Hungary 657 0.000904 0.0337683 -0.26999 0.151037 -1.011393 11.08158 India 657 0.002135 0.0303272 -0.17494 0.131594 -0.4732632 6.53477 Indonesia 657 0.002226 0.0300781 -0.2341 0.114711 -1.272566 11.26282 Korea 657 0.001085 0.0276649 -0.23024 0.169392 -1.097871 13.83833 Malaysia 657 0.000716 0.0168638 -0.09815 0.065372 -0.9004138 7.685709 Mexico 657 0.001723 0.0283027 -0.18024 0.18486 -0.2068602 10.18273 Pakistan 657 0.002224 0.0302384 -0.20138 0.10826 -1.335485 8.968902 Peru 657 0.002055 0.0377374 -0.34717 0.192975 -1.144469 16.80231 Poland 657 0.000967 0.0273852 -0.17213 0.114895 -0.7522393 6.886161 Philippines 657 0.001924 0.0277117 -0.20267 0.10958 -0.9130487 9.451133 Qatar 657 -0.00068 0.0340681 -0.23035 0.119703 -0.9087155 9.682564 Russia 657 0.001529 0.0424816 -0.27883 0.353316 -0.153721 14.87231 Saudi Arabia 657 -0.00115 0.0376581 -0.23926 0.13751 -1.302966 9.656281 South Africa 657 0.00194 0.025416 -0.09747 0.159806 -0.0010146 7.367619 Taiwan 657 0.000538 0.0252864 -0.11373 0.093987 -0.6914634 5.252421 47
  59. Turkey 657 0.001872 0.0368439 -0.19386 0.15699 -0.4929108 5.42868 Thailand 657 0.001047 0.0270157 -0.26774 0.106704 -1.751413 18.36184 United AE 657 -0.0006 0.0288473 -0.21111 0.124802 -1.369435 12.04062 CSKP 657 -0.00011 0.0195844 -0.11706 0.092628 -0.9943512 9.75661 CKTP 657 -0.0006 0.0245798 -0.12463 0.211435 0.3506985 14.19532 Tính tốn của tác giả dựa trên tổng cộng 18.396 quan sát của 25 thị trường chứng khốn mới nổi, kết quả thống kê cho thấy phân bổ lợi nhuận của các quốc gia này khơng tuân theo phân phối chuẩn và chịu tác động bởi sự biến động của các yếu tố Đồng độ lệch (CSKP) và Đồng độ gù (CKTP). (Nguồn: Tính tốn của tác giả) 4.2. Phân tích tương quan tuyến tính Ở phần này, tác giả sử dụng giá trị hệ số tương quan Pearson để đo lường sự tương quan tuyến tính giữa thị trường chứng khốn các nước mới nổi với nhau và giữa các biến độc lập của mơ hình (RMP, CSKP, CKTP) với tỷ suất sinh lời của các thị trường mới nổi này. Bảng 4.2 mơ tả kết quả ma trận hệ số tương quan giữa tỷ suất sinh lợi của các thị trường chứng khốn và các biến độc lập. Dựa trên kết quả của bảng 4.2 cho thấy, hầu hết hệ số tương quan giữa các thị trường chứng khốn và các biến độc lập cĩ ý nghĩa ở mức 1%, chỉ cĩ khoảng 16 trên tổng 406 cặp khơng cĩ ý nghĩa ở mức 1%. Bên cạnh đĩ, mức độ tương quan giữa phần bù rủi ro thị trường với các thị trường chứng khốn trong khối mới nổi là khá cao. Cĩ đến 19 trên tổng 25 cặp thị trường cĩ hệ số tương quan trên 0.5 và các giá trị này đều cĩ ý nghĩa thống kê tại mức 1%. Trong đĩ, Brazil; Korea; South Africa và Taiwan lần lượt là những thị trường cĩ giá trị hệ số tương quan với phần bù thị trường cao nhất (từ 0.82 đến 0.76). Do đĩ, cĩ thể thấy việc đo lường mức độ ảnh hưởng của giá trị đại diện cho tồn thị trường chứng khốn các nước mới nổi (RMP) đến từng thị trường trong khối này là hợp lý. Ngược lại với các quốc gia này, thị trường chứng khốn của các quốc gia Ả Rập thống nhất (United Arab Emirates) và Saudi Arabia ít chịu tác động đến từ biến động của thị trường chung trong khối mới nổi, cụ thể giá trị hệ số tương quan ở hai thị trường này chỉ vào khoảng 0.159 và 0.158. 48
  60. Khi xét về hai giá trị phần bù Đồng độ lệch (CSKP) và phần bù Đồng độ gù (CKTP), dựa trên kết quả thống kê ma trận tương quan cho thấy mức độ tương quan giữa hai biến độc lập này đến sự biến động tỷ suất sinh lợi của thị trường chứng khốn ở các quốc gia mới nổi cĩ tác động thấp hơn. Cụ thể, đối với các cặp quan hệ giữa phần bù Đồng độ gù (CKTP), mức độ tương quan giữa các cặp giá trị này chỉ dao động từ -0.19 đến 0.61. Trong đĩ, chỉ cĩ khoảng 5 trên 25 cặp hệ số tương quan cĩ giá trị thấp hơn 0. Điều này cho thấy phần lớn tác động của yếu tố Đồng độ gù (CKTP) đến sự biến động tỷ suất sinh lời của thị trường các quốc gia mới nổi là tác động cùng chiều, tức mức Đồng độ gù càng tăng (rủi ro xảy ra biến cố tổn thất tăng) tỷ suất sinh lời của thị trường chứng khốn i cĩ xu hướng gia tăng. Đối với yếu tố Đồng độ lệch (CSKP), mức độ tương quan giữa yếu tố này thấp hơn đáng kể khi so sánh với hai biến độc lập cịn lại (RMP và CKTP). Cụ thể, giá trị hệ số tương quan giữa thị trường các quốc gia mới nổi với nhân tố CSKP chỉ dao động ở mức 0.023 đến 0.287. Cĩ thể nhận thấy, yếu tố phần bù rủi ro Đồng độ lệch vẫn cĩ tác động tương đối đến tỷ suất sinh lời của thị trường các quốc gia mới nổi, bên cạnh đĩ, giá trị này cĩ tác động dương (cùng chiều) đến tỷ suất sinh lợi. Do đĩ cĩ thể thấy, khi yếu tố đồng độ lệch giữa tỷ suất sinh lợi của một thị trường gia tăng so với phần lớn thị trường chung sẽ dẫn đến việc cĩ khả năng gia tăng về tỷ suất sinh lợi của thị trường này. Bằng cách giải thích dựa trên yếu tố rủi ro, cĩ thể thấy rằng khi yếu tố Đồng độ lệch (CSK) và Đồng độ gù (CKT) của một thị trường bất kỳ so với thị trường chung tăng cao ứng với rủi ro của thị trường quốc gia này tăng cao hơn so với khu vực, nhà đầu tư sẽ yêu cầu tỷ suất sinh lời cao hơn. Do đĩ, tác động của hai biến CSKP và CKTP đến tỷ suất sinh lợi của từng thị trường trong khu vực mới nổi hầu như đều cĩ giá trị dương. Ngồi việc xem xét tác động của ba nhân tố độc lập (RMP, CSKP và CKTP) đến tỷ suất sinh lời của thị trường chứng khốn các quốc gia mới nổi. Tác giả cịn đo lường mức tác động chéo giữa các thị trường này với nhau bằng hệ số tương quan. Qua đĩ, tác giả nhận thấy các cặp hệ số tương quan giữa thị trường Taiwan-Korea và Mexico-Brazil cĩ giá trị cao lần lượt là 0.712 và 0.707. Thị trường Đài loan và Hàn Quốc cùng nằm trong khu vực Đơng Á và cùng chịu tác động từ cuộc khủng hoảng 49
  61. tài chính Đơng Á năm 1997 (Ha, Lee và Cheong, 2007). Do đĩ cĩ thể thấy nét tương đồng cũng như cùng sự tương quan về tài chính giữa hai thị trường này. Đối với cặp thị trường Mexico và Brazil, hai quốc gia này cùng nằm trong khu vực Châu Mỹ La tinh, ngồi ra trong giai đoạn từ 1999 đến 2002, các quốc gia trong khu vực này cùng trải qua cuộc khủng hoảng Argentina. Do đĩ cĩ thể thấy được mối liên kết giữa hai thị trường này với nhau. Dựa trên các kết quả phân tích ở trên, tác giả nhận thấy cĩ sự tác động giữa ba nhân tố phần bù rủi ro thị trường (RMP), phần bù Đồng độ lệch (CSKP) và phần bù Đồng độ gù (CKTP) đến phần lớn tỷ suất sinh lợi của các quốc gia các nước mới nổi. Kết quả này trùng khớp với kết quả nghiên cứu của tác giả Soosung Hwang (1999) trong việc chứng minh sự tác động của các nhân tố bậc cao Đồng độ lệch và Đồng độ gù đến thị trường các quốc gia mới nổi. Do đĩ, tác giả sử dụng mơ hình CAPM mở rộng kết hợp với hai nhân tố là phần bù Đồng độ lệch (CSKP) và phần bù Đồng độ gù (CKTP) đến tỷ suất sinh lời của thị trường các quốc gia mới nổi kết hợp với phương pháp hồi quy phân vị. 50
  62. Bảng 4.2: Ma trận hệ số tương quan giữa thị trường chứng khốn mới nổi và các biến độc lập Rmrf Brazil Colombia Czech Chile China Egypt Greece Hungary India Rmrf 1 Brazil 0.8177* 1 Colombia 0.5855* 0.5555* 1 Czech 0.7263* 0.6007* 0.4602* 1 Chile 0.6317* 0.6037* 0.4680* 0.5134* 1 China 0.3037* 0.1953* 0.1315* 0.1912* 0.1720* 1 Egypt 0.3249* 0.2032* 0.2270* 0.3103* 0.2121* 0.1236* 1 Greece 0.5530* 0.4586* 0.3952* 0.5309* 0.3760* 0.1386* 0.2338* 1 Hungary 0.6794* 0.5439* 0.4153* 0.7060* 0.4557* 0.2136* 0.2377* 0.4587* 1 India 0.7377* 0.5461* 0.4269* 0.5311* 0.4517* 0.1808* 0.2880* 0.4421* 0.5106* 1 Indonesia 0.6708* 0.4780* 0.3905* 0.5234* 0.4781* 0.2532* 0.2995* 0.3452* 0.4833* 0.5387* Korea 0.8269* 0.6110* 0.4848* 0.6066* 0.4785* 0.2589* 0.2664* 0.4612* 0.5554* 0.6074* Malaysia 0.6322* 0.4530* 0.3380* 0.4648* 0.4522* 0.2851* 0.3136* 0.3449* 0.4609* 0.5205* Mexico 0.7744* 0.7068* 0.5161* 0.6216* 0.5988* 0.1323* 0.2116* 0.4528* 0.5289* 0.5225* Pakistan 0.1739* 0.1539* 0.1260* 0.1309* 0.1128* 0.0945 0.1346* 0.1400* 0.1381* 0.1319* Peru 0.6002* 0.5561* 0.4076* 0.5026* 0.5187* 0.2162* 0.2513* 0.3250* 0.4217* 0.4288* Poland 0.7124* 0.5699* 0.4607* 0.7079* 0.4865* 0.2265* 0.2958* 0.5157* 0.6641* 0.5184* Philippines 0.6227* 0.5023* 0.4036* 0.4841* 0.5067* 0.2289* 0.2502* 0.2935* 0.4708* 0.4619* Qatar 0.2532* 0.1579* 0.1616* 0.2778* 0.1705* 0.054 0.3405* 0.1562* 0.1958* 0.2558* Russia 0.7433* 0.6257* 0.5051* 0.6571* 0.4224* 0.1176* 0.2791* 0.4490* 0.6094* 0.5364* Saudiarabia 0.1582* 0.1252* 0.0894 0.1851* 0.1272* 0.1123* 0.3762* 0.1838* 0.1419* 0.1448* Southafrica 0.7638* 0.6784* 0.4780* 0.6034* 0.5205* 0.1461* 0.2205* 0.4602* 0.5344* 0.5102* Taiwan 0.7624* 0.5351* 0.3862* 0.5272* 0.4578* 0.2798* 0.2244* 0.4003* 0.4934* 0.5527* 51
  63. Turkey 0.6627* 0.5497* 0.4151* 0.5676* 0.4295* 0.1694* 0.2283* 0.4267* 0.5608* 0.4861* Thailand 0.6217* 0.4953* 0.4041* 0.4721* 0.5057* 0.1951* 0.3253* 0.3405* 0.4218* 0.4980* Unitedae 0.1590* 0.1239* 0.0914 0.2094* 0.1287* 0.0794 0.3065* 0.1480* 0.1382* 0.1493* Coskewness 0.2004* 0.1892* 0.2872* 0.2443* 0.2785* 0.0228 0.1418* 0.2136* 0.2445* 0.1503* Cokurtosis 0.7145* 0.6789* 0.5304* 0.6218* 0.4811* 0.0339 -0.0037 0.5419* 0.5914* 0.4873* Indonesia Korea Malaysia Mexico Pakistan Peru Poland Philippines Qatar Rmrf Brazil Colombia Czech Chile China Egypt Greece Hungary India Indonesia 1 Korea 0.5515* 1 Malaysia 0.6162* 0.5404* 1 Mexico 0.4821* 0.6180* 0.4429* 1 52
  64. Pakistan 0.1103* 0.1647* 0.1679* 0.1164* 1 Peru 0.4635* 0.4660* 0.3976* 0.4773* 0.1252* 1 Poland 0.4766* 0.6034* 0.4609* 0.6018* 0.1750* 0.4622* 1 Philippines 0.6027* 0.5293* 0.5520* 0.4929* 0.1659* 0.4126* 0.4877* 1 Qatar 0.2636* 0.1947* 0.2499* 0.1698* 0.1098* 0.2353* 0.1638* 0.2119* 1 Russia 0.4353* 0.5673* 0.4127* 0.6053* 0.1371* 0.4577* 0.6211* 0.3861* 0.2230* Saudiarabia 0.1504* 0.1355* 0.1805* 0.04 0.1163* 0.1703* 0.1156* 0.0902 0.4636* Southafrica 0.4548* 0.6090* 0.4035* 0.6751* 0.1772* 0.4918* 0.5960* 0.4839* 0.1546* Taiwan 0.5498* 0.7122* 0.5313* 0.5093* 0.2124* 0.4486* 0.4910* 0.5383* 0.2207* Turkey 0.4452* 0.5034* 0.3730* 0.5333* 0.1431* 0.3698* 0.5904* 0.4458* 0.1645* Thailand 0.5675* 0.5186* 0.5000* 0.4548* 0.1850* 0.4538* 0.4691* 0.5294* 0.3334* Unitedae 0.1591* 0.093 0.2061* 0.0429 0.2147* 0.1600* 0.1380* 0.1512* 0.5560* Coskewness 0.2599* 0.1507* 0.2181* 0.1075* 0.0444 0.2716* 0.2643* 0.2156* 0.1796* Cokurtosis 0.4242* 0.5861* 0.3026* 0.6807* -0.0421 0.4464* 0.6015* 0.3944* -0.0416 Russia Saudiarabia Southafrica Taiwan Turkey Thailand Unitedae Coskewness Cokurtosis Rmrf Brazil Colombia Czech Chile China Egypt Greece Hungary India Indonesia Korea Malaysia 53
  65. Mexico Pakistan Peru Poland Philippines Qatar Russia 1 Saudiarabia 0.1090* 1 Southafrica 0.6304* 0.0812 1 Taiwan 0.4783* 0.1442* 0.5604* 1 Turkey 0.5534* 0.1203* 0.5050* 0.4251* 1 Thailand 0.4195* 0.2631* 0.4225* 0.5072* 0.4091* 1 Unitedae 0.1654* 0.4754* 0.0644 0.1756* 0.0879 0.2368* 1 Coskewness 0.1649* 0.1024* 0.1290* 0.1337* 0.1703* 0.2517* 0.1400* 1 Cokurtosis 0.6399* -0.1903* 0.6216* 0.4620* 0.5673* 0.3425* -0.1599* 0.249* 1 (Nguồn: Tính tốn của tác giả) 54
  66. 4.3. Kết quả mơ hình hồi quy Tại phần này, tác giả sử dụng hai phương pháp bao gồm hồi quy OLS và hồi quy phân vị để đánh giá tác động của mơ hình CAPM mở rộng (nhân tố phần bù rủi ro thị trường RMP, phần bù Đồng độ lệch – CSKP và phần bù Đồng độ gù – CKTP). Qua đĩ, đánh giá mức độ tác động, mức ý nghĩa của từng hệ số và mức độ giải thích của mơ hình đến tỷ suất sinh lời của thị trường các quốc gia mới nổi. 4.3.1. Phương pháp hồi quy OLS Trong mục này, tác giả sử dụng mơ hình CAPM mở rộng (gồm nhân tố phần bù rủi ro thị trường – RMP, phần bù đồng độ lệch – CSKP và phần bù đồng độ gù – CKTP) để đánh giá tác động của các yếu tố rủi ro này đến tỷ suất sinh lợi của thị trường chứng khốn các quốc gia mới nổi bằng phương pháp hồi quy OLS. Qua đĩ, tác giả sẽ sử dụng kết quả của mơ hình OLS để so sánh với kết quả hồi quy của phương pháp hồi quy phân vị qua đĩ đánh giá mức độ tối ưu trong việc ước lượng tỷ suất lợi nhuận của thị trường chứng khốn trong khu vực mới nổi. Bảng 4.3 trình bày kết quả hồi quy theo phương pháp OLS của mơ hình này đối với tỷ suất sinh lời của 25 thị trường chứng khốn trong khu vực mới nổi. Từ bảng kết quả hồi quy OLS cho thấy, về mặt tổng quan các giá trị hệ số hồi quy của nhân tố phần bù rủi ro thị trường (RMP) đều cĩ ý nghĩa thống kê tại mức 1% (25/25 giá trị). Tất cả các giá trị này đều mang giá trị dương và dao động trong vùng từ 0.371 đến 0.8838, trong đĩ thị trường chứng khốn Columbia chịu tác động đến từ nhân tố này ở mức thấp nhất, chỉ khoảng 37.1%. Trong khi đĩ, thị trường chứng khốn Ai Cập chịu tác động từ nhân tố này tại mức 88.38%, cao nhất trong các quốc gia mới nổi. Điều này cho thấy nhân tố phần bù rủi ro thị trường cĩ tác động đáng kể đến tỷ suất sinh lời của thị trường chứng khốn các quốc gia mới nổi. Kết quả này tái khẳng định tầm quan trọng của nhân tố RMP trong việc đo lường tỷ suất sinh lợi dựa trên mơ hình CAPM của Sharpe(1970), cụ thể mơ hình CAPM truyền thống cĩ thể giải thích được từ 2% đến 40% sự biến động của các chứng khốn niêm yết (Jeald et. al., 2017). 55
  67. Khi xét về yếu tố phần bù đồng độ lệch (CSKP), tác giả nhận thấy cĩ khoảng 15/25 giá trị hệ số hồi quy của nhân tố này đạt ý nghĩa thống kê tại mức 1%, cĩ tới 16/25 đạt ý nghĩa thống kê tại mức 5% và 17/25 hệ số tại mức 10%. Về mặt chiều hướng tác động, nhân tố phần bù Đồng độ lệch (CSKP) vừa cĩ tác động cùng chiều và ngược chiều đối với tỷ suất sinh lợi của một số quốc gia. Cụ thể độ lớn các hệ số hồi quy của nhân tố này dao động trong khoảng từ -0.1161 đến 0.3284, thị trường chứng khốn Mexico chịu tác động ngược chiều lớn nhất trong khi ở phía ngược lại, nhân tố CSKP lại cĩ tác động dương lớn nhất đến thị trường chứng khốn Qatar, tại mức 0.3284. Ngồi ra, ba thị trường cũng cần đáng chú ý là Đài loan, Trung Quốc và Brazil cĩ giá trị hệ số hồi quy chỉ đạt quanh mức 0, điều này cho thấy tỷ suất sinh lời của thị trường chứng khốn này ít chịu anh hưởng bởi nhân tố CSKP. Khi so sánh giữa nhân tố CSKP với nhân tố RMP, tác giả nhận thấy nhân tố này cĩ tác động đến tỷ suất sinh lợi thấp hơn so với RMP. Tuy nhiên, nhân tố CSKP vẫn cĩ tác động đáng kể đến tỷ suất sinh lời của thị trường chứng khốn các nước mới nổi. Do đĩ, việc đưa nhân tố này vào mơ hình CAPM mở rộng là phù hợp cho việc đo lường tỷ suất sinh lợi của danh mục đầu tư. Đối với nhân tố đồng độ gù (CKTP), nhân tố này vừa cĩ tác động cùng chiều và ngược chiều đến tỷ suất sinh lợi của các quốc gia mới nổi. Giá trị các hệ số hồi quy của nhân tố này dao động trong vùng từ -0.9974 đến 0.5172, trong đĩ cĩ khoảng 21/25 giá trị đạt ý nghĩa thống kê tại mức 1% và chỉ cĩ 22/25 giá trị cĩ ý nghĩa thống kê tại mức 5%. Trong đĩ, đáng chú ý nhất chính là thị trường chứng khốn Saudi Arab cĩ giá trị hệ số hồi quy ở mức -0.9974. Điều này đồng nghĩa với việc khi phần chênh lệch tỷ suất sinh lợi của thị trường này và thị trường tham chiếu gia tăng, tỷ suất sinh lời kỳ vọng của quốc gia này sẽ cĩ xu hướng giảm. Ở phía ngược lại, thị trường chứng khốn Hy Lạp chịu tác động dương lớn nhất khi mức ảnh hưởng của nhân tố này đến thị trường Hy Lạp là 0.5172. Ngồi ra, hai thị trường Hàn Quốc và Peru chỉ chịu tác động của nhân tố CKTP ở mức 0 và 0.002 đồng nghĩa với việc nhân tố rủi ro đồng độ gù cĩ ảnh hưởng khơng đáng kể đến tỷ suất sinh lời của hai thị trường này. 56
  68. Ngồi việc xem xét đến tác động của các nhân tố rủi ro cũng như mức ý nghĩa của các hệ số này, người việc cịn xem xét đến giá trị hệ số R2 điều chỉnh. Bảng kết quả hồi quy OLS cho thấy giá trị hệ số R2 điều chỉnh dao động trong vùng từ 0.0848 đến 0.6855, trong đĩ các giá trị này hầu hết phân bố trong vùng từ 0.35 đến 0.6. Điều này cho thấy mơ hình CAPM mở rộng kết hợp giữa nhân tố RMP với hai nhân tố CSKP và CKTP cĩ tác động đáng kể đến tỷ suất sinh lời của thị trường, chỉ cĩ một số trường hợp cá biệt đáng kể như thị trường Pakistan chịu tác động tương đối thấp bởi mơ hình CAPM mở rộng thêm hai nhân tố CSKP và CKTP. Bảng 4.3: Kết quả hồi quy OLS RMP SE CSKP SE CKTP SE AD-R2 Brazil 0.757 [0.034] 0.009 [0.041] 0.278 [0.045] 0.6855 Columbia 0.371 [0.039] 0.227 [0.046] 0.227 [0.051] 0.3883 Czech 0.556 [0.036] 0.129 [0.042] 0.243 [0.047] 0.5534 Chile 0.438 [0.032] 0.191 [0.037] 0.026 [0.042] 0.4207 China 0.681 [0.061] 0.003 [0.072] -0.58 [0.080] 0.1568 Egypt 0.883 [0.065] 0.296 [0.076] -0.88 [0.085] 0.2331 Greece 0.47 [0.063] 0.173 [0.074] 0.517 [0.082] 0.3522 Hungary 0.55 [0.042] 0.157 [0.049] 0.27 [0.055] 0.49 India 0.755 [0.035] 0.018 [0.042] -0.1 [0.046] 0.5454 Indonesia 0.701 [0.038] 0.225 [0.044] -0.17 [0.050] 0.4738 Korea 0.722 [0.027] -0.02 [0.032] 0 [0.035] 0.6826 Malaysia 0.445 [0.021] 0.113 [0.025] -0.22 [0.028] 0.4589 Mexico 0.524 [0.029] -0.11 [0.035] 0.319 [0.039] 0.6373 Pakistan 0.392 [0.050] 0.074 [0.059] -0.43 [0.066] 0.0848 Peru 0.67 [0.051] 0.303 [0.061] 0.002 [0.068] 0.3813 Poland 0.49 [0.032] 0.151 [0.038] 0.184 [0.042] 0.5339 Philippines 0.599 [0.037] 0.153 [0.044] -0.14 [0.049] 0.4013 Qatar 0.607 [0.053] 0.328 [0.062] -0.68 [0.070] 0.195 Russia 0.777 [0.048] -0.01 [0.057] 0.387 [0.063] 0.5748 Saudiarabia 0.7 [0.057] 0.279 [0.068] -0.99 [0.075] 0.2293 Southafrica 0.521 [0.028] -0.05* [0.033] 0.17 [0.037] 0.595 Taiwan 0.699 [0.028] 0 [0.033] -0.17 [0.037] 0.5934 Turkey 0.605 [0.047] 0.034 [0.056] 0.281 [0.062] 0.4549 Thailand 0.645 [0.035] 0.219 [0.042] -0.26 [0.046] 0.4288 Unitedae 0.496 [0.044] 0.262 [0.052] -0.7 [0.059] 0.2043 Bảng trên trình bày kết quả hồi quy theo phương pháp OLS cho mơ hình nghiên cứu theo mơ hình CAPM mở rộng thêm hai nhân tố CSKP và CKTP. Bảng kết quả này được xây dựng dựa trên 65,700 quan sát (dữ liệu theo tuần) của 25 thị trường mới nổi trong suốt 657 tuần. Các danh mục được duy trì trong quá trình nghiên cứu để đo lường tác động của hai biến phần bù Đồng độ lệch và Đồng độ gù lên tỷ suất sinh lời của danh mục. Các nhân tố rủi ro được ước lượng bằng phương pháp hồi quy phân vị dựa trên độ chênh lệch giữa tỷ suất sinh lời của danh mục và lãi suất phi rủi ro và phần bù rủi ro thị trường, phần bù Đồng độ lệch (CSKP) và phần bù Đồng độ gù (CKTP.). (*), ( ), ( ) phản ánh ý nghĩa thống kê của các hệ số tương ứng với các mức 10%, 5% và 1%. Sai số chuẩn (Standard errors) của các hệ số được phản ánh trong dấu ngoặc vuơng. Dịng cuối cùng của bảng trình bày giá trị R2 của mơ hình tại từng mức phân vị. 57
  69. (Nguồn: Tính tốn của tác giả) 4.3.2. Phương pháp hồi quy phân vị (Quantile regression) Tác giả sử dụng mơ hình CAPM mở rộng (gồm nhân tố phần bù rủi ro thị trường- RMP, phần bù đồng độ lệch – CSKP và phần bù đồng độ gù – CKTP) để đo lường mức độ tác động của các yếu tố rủi ro này đến tỷ suất sinh lời của danh mục đầu tư tại các quốc gia thơng qua mơ hình hồi quy phân vị ở 5 mức khác nhau (τ = 0.1, 0.25, 0.5, 0.75 và 0.9). Bảng 4 trình bày kết quả hồi quy phân vị của mơ hình này đối với tỷ suất sinh lời của 25 thị trường chứng khốn trong khu vực mới nổi. Tổng quan kết quả hồi quy phân vị cho thấy, hầu hết các giá trị hệ số của nhân tố phần bù rủi ro thị trường (RMP) trong mơ hình hồi quy ở 25 quốc gia mới nổi tại năm mức phân vị đều cĩ ý nghĩa thống kê tại mức 1% (125/125 hệ số). Tại mức phân vị τ = 0.1, hệ số dốc của nhân tố RMP đối với thị trường chứng khốn của các quốc gia mới nổi nằm trong vùng từ 0.405 đến 1.029. Trong đĩ, thị trường chứng khốn Hy Lạp là thị trường ít chịu tác động của nhân tố thị trường lên tỷ suất sinh lợi, trong khi đĩ thị trường chứng khốn Ai Cập lại chịu nhiều ảnh hưởng trước biến động của các biến động về giá trong khu vực mới nổi. Xét tại mức τ = 0.25, giá trị của hệ số này nằm trong khoảng từ 0.345 đến 0.84 (thị trường chứng khốn Columbia chịu ít tác động trước nhân tố thị trường chung trong khối mới nổi, trong khi đĩ, kết quả tại mức phân vị này cho thấy Ai Cập vẫn là quốc gia chịu nhiều ảnh hưởng nhất trước các biến động trong khu vực này). Khi xét đến mức phân vị tại τ = 0.5, trong một số trường hợp nhất định, kết quả của mức phân vị này khá tương đồng với kết quả hồi quy OLS (mục 2.4.2). Khơng giống với hai mức phân vị ở trên, mức phân vị τ = 0.5 cho giá trị dao động từ 0.336 đến 0.766, trong đĩ thị trường Parkistan ít chịu tác động từ nhân tố thị trường và danh mục Trung Quốc chịu nhiều tác động đến từ thị trường đại diện. Đối với hai mức phân vị cịn lại là τ = 0.75 và 0.9, giá trị của hệ số dốc của giá trị phần bù rủi ro thị trường (RMP) đạt từ 0.26 đến 0.741. Trong đĩ Columbia và Brazil là hai quốc gia lần lượt chịu tác động ít nhất và nhiều nhất bởi nhân tố thị trường. Từ các giá trị tác giả liệt kê ở trên, cĩ thể thấy được đặc điểm của mơ hình hồi quy phân vị khác với mơ hình OLS ở việc linh hoạt của mơ hình. Ở các mức phân 58
  70. vị khác nhau, mơ hình hồi quy phân vị sẽ cho các hệ số phụ thuộc khác nhau. Dựa trên tính chất và đặc điểm của phương pháp hồi quy phân vị như đã đề cập trong mục 2.4.2 và 2.4.3, phương pháp này sẽ cho người sử dụng cĩ cái nhìn tổng thể về tác động của các biến độc lập lên biến phụ thuộc tại từng mức phân vị. Ngồi ra, các giá trị hệ số của nhân tố RMP với 25 thị trường chứng khốn mới nổi tại 5 mức phân vị đều cho kết quả dương. Điều này cho thấy, tỷ suất sinh lợi của thị trường chứng khốn các quốc gia mới nổi chịu tác đốc cùng chiều với nhân tố phần bù rủi ro thị trường (RMP). Cụ thể hơn, giả sử hệ số dốc giữa thị trường Ai cập tại mức phân vị τ =0.1 là 1.029 tương ứng với việc khi thị trường chứng khốn trong khu vực mới nổi tăng 1 đơn vị, thì tỷ suất sinh lời của thị trường Ai cập được kỳ vọng sẽ tăng khoản 1.029 đơn vị. Ngồi ra, kết quả hồi quy phân vị cịn cho thấy cĩ đến 79/125 hệ số hồi quy của nhân tố RMP đạt giá trị cao hơn 0.5. Điều này cho thấy nhân tố RMP cĩ tác động đáng kể đến tỷ suất sinh lời của 25 quốc gia trong khu vực mới nổi. Kết quả này trùng khớp với kết quả phân tích hệ số tương quan, khi giá trị hệ số tương quan riêng lẻ của từng thị trường đều cho thấy cĩ mối liên hệ đối với thị trường chứng khốn được lấy làm giá trị đại diện cho khu vực mới nổi. Như vậy, bằng kết quả định lượng, mơ hình CAPM mở rộng kết hợp gồm ba nhân tố RMP, CSKP và CKTP đã chứng minh được vai trị quan trọng của nhân tố RMP đến tỷ suất sinh lời của các quốc gia mới nổi trong giai đoạn từ tháng 4 năm 2005 đến tháng 11 năm 2017. Đối với nhân tố phần bù đồng độ lệch (CSKP), tác giả nhận thấy cĩ 13/125 hệ số hồi quy cĩ ý nghĩa tại mức 10%, 16/125 hệ số hồi quy cĩ ý nghĩa tại mức 5% và 24/125 hệ số hồi quy cĩ ý nghĩa thống kê tại mức 1%. Kết quả này cho thấy yếu tố đồng độ lệch (CSKP) cĩ tác động lên thị trường chứng khốn các quốc gia mới nổi, tuy nhiên tác động này chỉ ở mức tương đối và thấp hơn so với ảnh hưởng của nhân tố RMP. Về mặt ý nghĩa của nhân tố đồng độ lệch, khi hệ số hồi quy của thị trường thứ i đối với nhân tố CSKP mang giá trị dương, điều này cho thấy phân phối xác suất giữa thị trường thứ i cĩ sự chênh lệch về phía trái so với thị trường đại diện (MSCI- EM). Điều này đồng nghĩa với việc thị trường thứ i đang tồn tại rủi ro tổn thất cao hơn so với thị trường tham chiếu. Do đĩ, nhà đầu tư yêu cầu lợi nhuận kỳ vọng cao 59
  71. hơn so với tỷ suất sinh lời kỳ vọng của thị trường tham chiếu. Ở chiều ngược lại, khi hệ số hồi quy của thị trường chứng khốn thứ i đối với nhân tố CSKP là âm, điều này cho thấy thị trường chứng khốn thứ i đang bị chệch phải so với thị trường tham chiếu. Điều này đồng nghĩa với việc thị trường chứng khốn i cĩ rủi ro đầu tư thấp hơn so với thị trường tham chiếu. Do đĩ, lợi nhuận kỳ vọng của nhà đầu tư sẽ thấp hơn so với thị trường tham chiếu. Khi xét đến từng mức phân vị, tại mức τ = 0.1, hệ số hồi quy của nhân tố CSKP dao động trong khoảng từ -0.22 đến 0.393. Trong đĩ, Mexico là quốc gia chịu tác động ngược chiều lớn nhất bởi nhân tố Đồng độ lệch, thị trường chứng khốn Qatar chịu tác động nhiều nhất bởi nhân tố phần bù CSKP. Khác với các thị trường cịn lại trong khối mới nổi, Hy Lạp là quốc gia gần như khơng chịu tác động bởi sự ảnh hưởng của nhân tố đồng độ lệch, khi giá trị hệ số hồi quy của thị trường này chỉ vào khoảng 0.006. Tại mức phân vị τ = 0.25, giá trị các hệ số hồi quy của nhân tố CSKP dao động trong khoảng từ -0.15 đến 0.35. Trong đĩ, thị trường chứng khốn của Arab Saudi chịu tác động nhiều nhất bởi nhân tố này tại mức độ dốc là 0.35, ở chiều ngược lại Mexico là quốc gia chịu tác động ngược chiều lớn nhất bởi nhất tố Đồng độ lệch với độ dốc lên đến -0.15. Ngồi ra, cịn cĩ thể kể đến là Nam Phi khi quốc gia này chỉ chịu tác động của nhân tố đồng độ lệch vào khoảng 0.016. Khi xét đến mức phân vị τ = 0.5 và 0.75, hệ số hồi quy của nhân tố CSKP nằm trong khoảng từ -0.1 đến 0.442. Trong đĩ thị trường chứng khốn Mexico và thị trường chứng khốn Saudi Arab là những thị trường lần chịu tác động cùng chiều lớn nhất và ngược chiều lớn nhất, kết quả này tương đồng với mức τ = 0.25. Khi xét mức τ = 0.9, hệ số hồi quy của nhân tố đồng độ lệch dao động trong vùng -0.17 đến 0.397, trong đĩ thị trường Peru và Russia lần lượt là thị trường cĩ mức chịu tác động cùng chiều lớn nhất và ngược chiều lớn nhất. Cũng tại mức phân vị này, thị trường chứng khốn Ấn Độ gần như là thị trường ít bị tác động nhất bởi nhân tố CSKP với giá trị hệ số hồi quy chỉ vào khoảng 0. Đối với nhân tố CKTP, tác giả nhận thấy cĩ khoảng 67/125 giá trị hệ số hồi quy cĩ ý nghĩa thống kê tại mức 1%, 14/125 giá trị cĩ ý nghĩa tại mức 5% và chỉ cĩ khoảng 9/125 hệ số cĩ ý nghĩa tại mức 10%. Điều này cho thấy, khi ta so sánh tác 60
  72. động của nhân tố CKTP đối với nhân tố RMP đến tỷ suất sinh lời của thị trường chứng khốn các nước mới nổi, nhân tố này cĩ mức tác động thấp hơn. Tuy nhiên khi so sánh ảnh hưởng của nhân tố CKTP so với nhân tố CSKP, nhân tố CKTP cĩ tác động đáng kể đặc biệt tại mức ý nghĩa 1%. Khi xét về tác động của nhân tố này đến tỷ suất sinh lợi của thị trường, tác giả nhận thấy gần như khơng cĩ sự khác biệt giữa các mức phân vị về thị trường chịu tác động cùng chiều lớn nhất và ngược chiều lớn nhất. Cụ thể, hệ số hồi quy của nhân tố phần bù đồng độ gù dao động từ -1.17 đến 0.488, thị trường chứng khốn Saudi Arab chịu tác động ngược chiều một cách mạnh mẽ nhất bởi nhân tố CKTP. Ngược lại với thị trường Saudi Arab, thị trường chứng khốn Hy lạp chịu tác động cùng chiều lớn nhân tố CKTP trên 4 mức phân vị τ = 0.1, 0.25, 0.75 và 0.9. Tại mức phân vị τ = 0.5, thị trường chứng khốn Mexico là thị trường chịu tác động cùng chiều lớn nhất bởi nhân tố phần bù đồng độ lệch. Thị trường chứng khốn Chile và Hàn Quốc gần như là hai thị trường ít chịu tác động bởi nhân tố đồng độ gù khi mà giá trị của hệ số hồi quy này chỉ nằm gần 0. Về mặt ý nghĩa của nhân tố CKTP, khi giá trị hệ số hồi quy của nhân tố CKTP cao, sự chênh lệch về lợi nhuận giữa thị trường thứ i và thị trường tham chiếu cao, hay phân phối của hai giá trị này cĩ độ nhọn lớn hơn so với phân phối. Điều này cho thấy tồn tại rủi ro về mặt tổn thất cũng như xuất hiện những lợi nhuận bất thường. Dựa trên lý thuyết lợi nhuận và rủi ro của Markowitz (1952), khi rủi ro càng cao nhà đầu tư cĩ xu hướng yêu cầu tỷ suất sinh lợi của danh mục đầu tư của mình. Vì vậy, các thị trường càng cĩ giá trị đồng độ gù cao (hệ số hồi quy đối với nhân tố đồng độ gù dương), thì tỷ suất sinh lợi của các thị trường này càng lớn. Về phía ngược lại, khi giá trị đồng độ gù của thị trường chứng khốn thứ i so với thị trường tham chiếu thấp (hay giá trị hệ số hồi quy của nhân tố đồng độ gù âm), cho thấy rủi ro về mặt tổn thất và xuất hiện các khoản lợi nhuận bất thường thấp. Vì vậy cho thấy rủi ro của các thị trường này thấp hơn, nên các nhà đầu tư khi đầu tư vào thị trường này cĩ mức lợi nhuận yêu cầu thấp hơn so với thị trường tham chiếu. Khi xét đến giá trị R2 điều chỉnh, mơ hình CAPM mở rộng thêm hai nhân tố phần bù rủi ro đồng độ lệch và đồng độ gù cĩ giá trị R2 điều chỉnh trong khoảng từ 61
  73. 3.7% đến 47.3%. Trong đĩ, thị trường chứng khốn Brazil tại mức phân vị 휏 = 0.1, cĩ giá trị R2 hiệu chỉnh lớn nhất và thị trường chứng khốn Pakistan cĩ giá trị thấp nhất (tại mức phân vị 휏 = 0.95. Khi so sánh kết quả này với mơ hình CAPM truyền thống, hệ số R2 hiệu chỉnh của mơ hình CAPM truyền thống chỉ dao động trong vùng từ 2% đến 40% (Jeald et.al., 2017). Điều này cho thấy mức độ giải thích của mơ hình CAPM truyền thống thấp hơn so với mức độ giải thích của mơ hình CAPM mở rộng thêm hai nhân tố đồng độ lệch và đồng độ gù. Ngồi kết quả thống kê các hệ số của mơ hình hồi quy CAPM mở rộng, tác giả cịn tổng hợp các giá trị này phân bổ vào bảng 4.5, nhằm trình bày chiều hướng tác động của các nhân tố phần bù thị trường (RMP), phần bù đồng độ lệch (CSKP) và phần bù đồng độ gù (CKTP). Qua đĩ, nhà đầu tư cĩ thể cĩ cái nhìn trực quan hơn, cĩ thể nhìn nhận rủi ro đối với các thị trường chịu tác động ngược chiều cũng như tối đa hĩa rủi ro đối với các thị trường cĩ tác động cùng chiều đến tỷ suất sinh lợi danh mục đầu tư của họ. Ngồi ra, do mơ hình CAPM mở rộng này sử dụng phương pháp hồi quy phân vị tại năm mức phân vị khác nhau, nhà đầu tư cĩ thể nhìn thấy được tác động của từng nhân tố rủi ro đến thị trường đầu tư của mình mà khơng bị ảnh hưởng bởi các yếu điểm như trong phương pháp OLS, cụ thể là hiện tượng bị tác động bởi các quan sát ngoại lai làm cho kết quả bị lệch so với thực tế. 62