Tác động của các yếu tố toàn cầu đến giá cổ phiếu trên thị trường chứng khoán Việt Nam trong thời kỳ đại dịch Covid-19

Tác động của các yếu tố toàn cầu đến giá cổ phiếu trên thị trường chứng khoán Việt Nam trong thời kỳ đại dịch Covid-19

(Nguồn: https://tapchinganhang.gov.vn/)

Tóm tắt:

Bài viết này kiểm tra phản ứng của giá cổ phiếu trên thị trường chứng khoán Việt Nam trước các cú sốc toàn cầu như hoạt động kinh tế thế giới, chênh lệch lợi suất trái phiếu và giá chứng khoán Mỹ trong giai đoạn từ tháng 7/2012 đến tháng 12/2021 dưới ảnh hưởng của biến ngoại sinh là số ca nhiễm Covid-19 trên toàn thế giới. Sử dụng mô hình vector tự hồi quy cấu trúc (SVAR) cho dữ liệu theo ngày, nghiên cứu đã tìm thấy sự phản ứng mạnh mẽ hơn của chỉ số VN-Index trước các cú sốc gây ra bởi hoạt động kinh tế toàn cầu, chênh lệch lợi suất trái phiếu và thị trường chứng khoán Mỹ dưới ảnh hưởng của dịch bệnh Covid-19 so với điều kiện bình thường. Cụ thể, giá cổ phiếu Việt Nam tăng gấp 1,5 lần khi có cú sốc do thị trường chứng khoán Mỹ gây ra và giảm gấp 3 lần khi xảy ra cú sốc liên quan đến chênh lệch lợi suất trái phiếu trên thị trường Mỹ dưới ảnh hưởng của dịch bệnh Covid-19.

Từ khóa: Covid-19, thị trường cổ phiếu, các nhân tố toàn cầu, hoạt động kinh tế thế giới.

IMPACTS OF GLOBAL FACTORS TO STOCK PRICES IN THE VIETNAMESE STOCK MARKET IN THE PANDEMIC COVID-19 

Abstract:

This article examines the reaction of stock prices in the Vietnamese stock market to global shocks such as world economic activity, bond yield differentials and US stock prices in the period from July 2012 to December 2021 under the influence of the exogenous variable is the number of Covid-19 infections worldwide. Using the structural vector autoregression (SVAR) model for daily data, the study found a stronger response of the VN-Index to shocks caused by global economic activity, difference in yields on US bonds and stock markets under the influence of the Covid-19 epidemic compared to normal conditions. Specifically, Vietnamese stock prices increase 1.5 times when there is a shock caused by the US stock market and decrease 3 times when there is a shock related to the difference in bond yields in the US market under the influence of the Covid-19 epidemic.

Keywords: Covid-19, stock market, global factors, economic activities. 

1. Mở đầu

Dịch bệnh Covid-19 bắt đầu xuất hiện vào tháng 12 năm 2019 tại Thành phố Vũ Hán – Trung Quốc đã nhanh chóng lây lan sang các nước lân cận và toàn thế giới trong chưa đầy một tháng, lấy đi sinh mạng của hơn 6,2 triệu người¹. Sự xuất hiện của dịch bệnh này kéo theo các chiến dịch phong tỏa, cách ly, hạn chế đi lại… ở hầu hết các quốc gia, điều này tạo ra sự bất ổn đáng kể trong hoạt động kinh tế toàn cầu (Baldwin & Di Mauro, 2020) và thị trường tài chính trên toàn thế giới (Cao và cộng sự, 2021). Sau công bố đầu tiên của Tổ chức Y tế thế giới (WHO) về Covid-19, chỉ số S&P500 từ mốc 3370 điểm vào tháng 02/2020 rớt xuống chỉ còn 2237 điểm vào đầu tháng 03/2020, tương ứng với số ca nhiễm và tử vong tăng chóng mặt trên toàn thế giới. Thị trường chứng khoán Việt Nam cũng không nằm ngoài phạm vi ảnh hưởng của dịch bệnh và tín hiệu tiêu cực từ thị trường chứng khoán lớn nhất thế giới khi chỉ số VN-Index chỉ còn ở mức 659 điểm (giảm hơn 33% so với mức chỉ số vào đầu thời điểm công bố dịch bệnh). Do đó, dù là một cuộc khủng hoảng y tế hay khủng hoảng phi kinh tế, Covid-19 đã tạo ra sự tàn phá nghiêm trọng trong hoạt động kinh tế toàn cầu cũng như trên thị trường tài chính.

Thị trường chứng khoán Việt Nam ngày càng trở nên nhạy cảm đối với tình hình kinh tế thế giới

Tác động của thị trường chứng khoán Mỹ cũng như những biến động trong chính sách kinh tế của thế giới luôn là những yếu tố có tác động không nhỏ đến thị trường chứng khoán Việt Nam, đặc biệt là thị trường cổ phiếu (Lê Hồ An Châu và cộng sự, 2018). Tuy nhiên, với sự xuất hiện của dịch bệnh Covid-19, sự tác động này đối với thị trường chứng khoán Việt Nam, cụ thể là thị trường cổ phiếu, sẽ là lớn hơn hay không khi những tín hiệu thực tế cho thấy thị trường chứng khoán Việt Nam có những thay đổi bất ngờ với mức ảnh hưởng mạnh mẽ hơn các khủng hoảng do dịch bệnh trước đây. Mặc dù đã có nhiều nghiên cứu về tác động của đại dịch như SARS hay vi-rút Ebola…, tuy nhiên, đại dịch Covid-19 lại hoàn toàn khác biệt do tính lây lan cao, gây ra nhiều bất ổn trong nền kinh tế thực và thị trường tài chính (Albulescu, 2020). Việc xác định vai trò của dịch bệnh Covid-19 trong mối quan hệ tác động của các yếu tố toàn cầu như hoạt động kinh tế và thị trường tài chính thế giới đến thị trường chứng khoán Việt Nam là một vấn đề quan trọng không những đối với các nhà hoạch định chính sách mà còn đối với các nhà đầu tư trong và ngoài nước.

Bài viết này sẽ nghiên cứu phản ứng của giá cổ phiếu trên thị trường Việt Nam trước những cú sốc liên quan đến yếu tố toàn cầu như hoạt động kinh tế thế giới cũng như chênh lệch lợi suất trái phiếu dài hạn và thị trường chứng khoán thế giới với ảnh hưởng của dịch bệnh Covid-19 trong giai đoạn từ tháng 07/2012 đến tháng 12/2021. Mặc dù các yếu tố kinh tế khu vực và tác động lan truyền giữa các thị trường chứng khoán châu Á cũng sẽ ảnh hưởng đến lợi nhuận của cổ phiếu trên thị trường Việt Nam, bài viết chỉ xem xét các yếu tố toàn cầu trong nghiên cứu này. 

2. Lược khảo các nghiên cứu

Ảnh hưởng của các yếu tố toàn cầu lên thị trường chứng khoán đã nhận được sự quan tâm đáng kể từ các nhà nghiên cứu hàn lâm, các nhà quản lý rủi ro danh mục đầu tư và các nhà hoạch định chính sách. Trong đó, hoạt động kinh tế toàn cầu và các yếu tố thị trường tài chính thế giới luôn là mấu chốt quan trọng. Có nhiều bằng chứng cho thấy mối quan hệ giữa hoạt động kinh tế toàn cầu và thị trường chứng khoán, đặc biệt là thị trường cổ phiếu. Campa và Fernandes (2006) cho rằng, lợi nhuận của quốc gia phản ánh mối quan hệ giữa hoạt động kinh tế quốc gia và hoạt động kinh tế toàn cầu. Bakshi và cộng sự (2010) sử dụng chỉ số BDI (Baltic Dry Index) đại diện cho hoạt động kinh tế toàn cầu và tìm thấy mối quan hệ tích cực và có ý nghĩa thống kê giữa tốc độ tăng trưởng BDI với tỷ suất lợi nhuận cổ phiếu toàn cầu. Graham và cộng sự (2016) cũng cho thấy rằng sự gia tăng trong hoạt động kinh tế toàn cầu làm cho tỷ suất lợi nhuận vốn chủ sở hữu ở thị trường mới nổi cao hơn. Tuy nhiên, tác giả lập luận rằng, những thay đổi trong hoạt động kinh tế toàn cầu sẽ tác động khác biệt đến lợi nhuận vốn chủ sở hữu trong khu vực, tùy thuộc vào độ mở của một quốc gia hoặc khu vực với yếu tố này.

Hoạt động kinh tế toàn cầu có thể được đại diện bởi nhiều biến số khác nhau. Tuy nhiên, đa số các nghiên cứu lựa chọn chỉ số BDI làm đại diện cho biến số này (Isserlis, 1938; Klovland, 2002; Qiu và cộng sự, 2012). Chỉ số BDI được Sở Giao dịch Baltic phát triển vào năm 1985 như một chỉ số chung, bao gồm chủ yếu các mặt hàng thô như ngũ cốc, than đá, quặng sắt, đồng và các nguyên liệu thô khác… Chỉ số BDI được thiết lập dựa trên giá trung bình của 23 tuyến đường vận chuyển khác nhau trên thế giới được tổng hợp hàng ngày. Kể từ khi thành lập, BDI đã trở thành một trong những chỉ số quan trọng nhất về chi phí vận chuyển và một phong vũ biểu quan trọng về khối lượng hoạt động thương mại và sản xuất trên toàn thế giới. 

Các yếu tố toàn cầu khác liên quan đến thị trường tài chính thế giới, đại diện là những tác nhân đến từ quốc gia lớn nhất thế giới – Mỹ, cũng là những yếu tố gây ra ảnh hưởng đến thị trường chứng khoán các nước, đặc biệt là các nền kinh tế mới nổi và các nước đang phát triển. Đầu tiên, phải đề cập tới tác động lan tỏa của thị trường chứng khoán toàn cầu. Mollah và cộng sự (2016) đã kiểm tra các chỉ số hàng ngày của MSCI (Morgan Stanley Capital International) từ 55 thị trường chứng khoán bằng cách sử dụng mô hình DCC-GARCH và phát hiện ra rằng, có sự lây lan từ thị trường chứng khoán Hoa Kỳ sang một số thị trường chứng khoán khác trên thế giới trong các cuộc khủng hoảng tài chính toàn cầu và khu vực đồng Euro. Naser (2016) lại tìm thấy bằng chứng về sự tồn tại của tích hợp ngắn hạn giữa thị trường chứng khoán ở các nước mới nổi và các nước phát triển thông qua mô hình đồng liên kết và sửa lỗi (Dynamic Model Averaging – DMA). Sugimoto và cộng sự (2014) đã áp dụng phương pháp tiếp cận chỉ số lan tỏa và phát hiện ra rằng các thị trường chứng khoán châu Phi bị ảnh hưởng nghiêm trọng nhất bởi sự lan tỏa từ các thị trường chứng khoán toàn cầu.

Richards (2005) cho rằng các nhà đầu tư nước ngoài và các điều kiện bên ngoài có tác động lớn hơn đến các thị trường châu Á mới nổi. Bằng cách sử dụng mô hình BEKK bất đối xứng và mô hình GARCH (Kim và cộng sự, 2015); Li và Giles (2015) cũng cho thấy sự lan tỏa cú sốc và biến động một chiều đáng kể từ thị trường Hoa Kỳ sang các thị trường châu Á mới nổi. Bên cạnh đó, kỳ vọng trong tương lai của nền kinh tế lớn nhất thế giới như Hoa Kỳ cũng ảnh hưởng đáng kể đến thị trường chứng khoán tại các nước đang phát triển. Cụ thể, khi kinh tế Mỹ phục hồi tốt và lãi suất tại Mỹ tăng, dòng vốn đầu tư có thể dịch chuyển về Mỹ và khiến cho thị trường chứng khoán các nước đang phát triển bị ảnh hưởng tiêu cực. Nghiên cứu của Petkova (2006), Chen và cộng sự (1986) cho rằng, chênh lệch lợi suất giữa trái phiếu kỳ hạn 10 năm và lãi suất quỹ liên bang ở Mỹ không chỉ phản ánh phần bù kỳ hạn (giữa lãi suất dài hạn và ngắn hạn) mà còn cả những kỳ vọng trong tương lai trong nền kinh tế Mỹ.

3. Cơ sở dữ liệu và phương pháp nghiên cứu

Bài viết nghiên cứu tác động của các yếu tố toàn cầu đến giá cổ phiếu trên thị trường Việt Nam, có xem xét đến yếu tố ảnh hưởng của dịch bệnh Covid-19 là số ca nhiễm trên phạm vi toàn cầu. Mô hình SVAR với các biến nội sinh và ngoại sinh được xây dựng dựa trên nghiên cứu của Yilmazkuday (2021). Các biến sử dụng trong mô hình bao gồm hoạt động kinh tế toàn cầu (BDI), chênh lệch lợi suất giữa trái phiếu kho bạc kỳ hạn 10 năm và lãi suất quỹ liên bang (SPREAD), giá chứng khoán nước ngoài (SP500), giá chứng khoán Việt Nam (VNINDEX) và số ca nhiễm Covid-19 trên thế giới (COVID19).

Mô hình SVAR của n biến viết rút gọn như sau:

• Y_t: Vector (n x 1) của n biến nội sinh với Y_t = (BDI_t, SPREAD_t, SP500_t, VNINDEX_t)’

• A: Ma trận không suy biến (n x n) hệ số tác động cùng thời điểm của các biến nội sinh;

• β_o: Vector (n x 1) của hệ số chặn; 

• β_i (i = 1, 2, 3…p): Ma trận (n x n) hệ số tác động của các biến nội sinh trễ; 

• Y_t-1: Ma trận (n x n) các biến nội sinh trễ; 

• p: Số bậc trễ;

c_t: ma trận (n x 1) các biến ngoại sinh với 

c_t = COVID19_t

• u_t: Vector (n x 1) sai số

Nhân hai vế của (1) với nghịch đảo của ma trận A (A^a-1), ta được:

Trong đó:

Cấu trúc của mô hình SVAR với ma trận hệ số nhân tác động cấu trúc    có cấu trúc đệ quy, đồng thời thứ tự các biến nội sinh được sử dụng trong ước lượng là . Theo đó, các cú sốc lên SPREAD_t, SP500_t và VNINDEX_t không có tác động đến BDI_t – là biến đại diện cho hoạt động kinh tế toàn cầu, trong khi cú sốc lên BDI_t có tác động đồng thời lên cả SPREAD_t, SP500_t và VNINDEX_t. Vì mục tiêu chính của bài viết là để kiểm tra tác động của các yếu tố bên ngoài đến giá cổ phiếu trên thị trường Việt Nam nên VNINDEXt được xếp thứ tự cuối cùng trong khuôn khổ này.

Nghiên cứu sử dụng dữ liệu hàng ngày trong giai đoạn từ tháng 07/2012 đến tháng 12/2021. Dữ liệu hàng ngày về BDI được lấy từ trang web của Sàn Giao dịch Baltic; dữ liệu hàng ngày về Chỉ số S&P 500 và chênh lệch giữa lợi suất trái phiếu kho bạc kỳ hạn 10 năm và lãi suất quỹ liên bang ở Mỹ được lấy từ dữ liệu kinh tế của Cục Dự trữ Liên bang (FED Chi nhánh St. Louis); dữ liệu về giá chứng khoán Việt Nam hàng ngày được tính bằng cách lấy logarit của chỉ số VN-Index đóng cửa cuối mỗi ngày so với ngày hôm trước từ Sở Giao dịch chứng khoán Thành phố Hồ Chí Minh và dữ liệu hàng ngày về các trường hợp mắc Covid-19 trên thế giới được lấy từ website của WHO, theo đó ca nhiễm đầu tiên được phát hiện là vào ngày 23/01/2020. Với mục đích ước tính, ngoại trừ biến Covid-19 được biểu diễn dưới dạng logarit, các biến còn lại trong mô hình đều được biểu diễn với dạng phần trăm thay đổi hàng ngày để đảm bảo tính dừng.

4. Kết quả nghiên cứu

Bảng 1: Kết quả kiểm định tính dừng theo ADF test

                                                  *** Cho biết ý nghĩa thống kê ở mức 1%

                                                           Nguồn: Tác giả tính toán

Tính dừng của các biến được kiểm tra dựa trên kiểm định Augmented Dickey Fuller (ADF test). Kết quả được trình bày ở Bảng 1, theo đó chỉ có biến SPREAD dừng ở sai phân bậc 1, các biến còn lại trong mô hình đều dừng ở bậc 0. Theo kết quả này, biến SPREAD được sử dụng để ước lượng trong mô hình dưới dạng sai phân bậc 1, các biến khác là BDI, SP500, VNINDEX và COVID19 sẽ được dùng với trạng thái dữ liệu ban đầu.

Mô hình SVAR trong phương trình (2) được ước lượng với độ trễ là 8 dựa trên tiêu chuẩn AIC và SIC, thêm vào đó, với độ trễ này các mô hình đều có tính ổn định cao do giá trị nghịch đảo nghiệm đặc trưng đều nằm trong vòng tròn đơn vị.

Phản ứng của giá cổ phiếu Việt Nam đối với các cú sốc gây ra bởi yếu tố toàn cầu trước và sau khi đại dịch Covid-19 xảy ra được làm rõ thông qua hàm phản ứng đẩy. Cụ thể, tác động của các cú sốc gây ra bởi các biến BDI, SPREAD và SP500 đến biến VNINDEX khi chưa xem xét đến ảnh hưởng của dịch bệnh Covid-19 được trình bày trong Hình 1. Theo đó, kết quả cho thấy rằng giá cổ phiếu trên thị trường Việt Nam đều bị tác động bởi chênh lệch lợi suất trái phiếu và thị trường chứng khoán Mỹ, nhưng không bị ảnh hưởng bởi chi phí vận tải biển. Khi có cú sốc liên quan đến chênh lệch lợi suất giữa trái phiếu kì hạn 10 năm và lãi suất quỹ liên bang sẽ làm cho giá cổ phiếu trên thị trường Việt Nam giảm (khi SPREAD tăng 1% thì VNINDEX giảm 0,0006%), phản ứng nghịch chiều này có ý nghĩa thống kê từ ngày thứ 6 đến ngày thứ 8 sau cú sốc. Kết quả nghiên cứu này là phù hợp với thực tế khi khoảng cách chênh lệch lợi suất giữa các loại trái phiếu dài hạn và lãi suất quỹ liên bang được nới rộng sẽ làm suy yếu sức mua của cổ phiếu, làm giảm sức hấp dẫn của dòng tiền đầu tư vào loại tài sản này. Thêm vào đó, đường cong lợi suất được nới rộng cũng cho thấy kỳ vọng về kinh tế Mỹ tăng trưởng cao hơn, kinh tế Mỹ phục hồi tốt. Điều này khiến dòng vốn đầu tư có thể dịch chuyển về Mỹ để tận dụng lợi thế lãi suất cao, khiến thị trường cổ phiếu Việt Nam có sự sụt giảm nhất định.

Hình 1: Phản ứng của giá cổ phiếu Việt Nam 

trước các cú sốc

Ngoài ra, phản ứng tích lũy của giá cổ phiếu trên thị trường Việt Nam khá mạnh mẽ và cùng chiều dưới tác động của thị trường chứng khoán Mỹ. Cụ thể, khi có 1% mức tăng trên thị trường chứng khoán Mỹ dẫn đến mức tăng tích lũy khoảng 0,0011% chỉ sau 1 ngày và tăng đến 0,0021% sau 9 ngày sau khi cú sốc xảy ra. Điều này cho thấy mối tương quan khá rõ giữa thị trường chứng khoán Việt Nam và thị trường chứng khoán Mỹ. Kết quả nghiên cứu này tương đồng với các nghiên cứu trước (Mollah và cộng sự, 2016; Naser, 2016).

Khi xem xét các cú sốc toàn cầu dưới ảnh hưởng của dịch bệnh Covid-19 đến giá cổ phiếu trên thị trường Việt Nam, kết quả nghiên cứu cho thấy phản ứng mạnh hơn một cách rõ rệt (Hình 2). Cụ thể, giá cổ phiếu Việt Nam bị tác động bởi cả 3 yếu tố đang xem xét trong mô hình là hoạt động kinh thế thế giới, chênh lệch lợi suất trái phiếu và thị trường chứng khoán Mỹ. Thêm vào đó, mức độ tác động mạnh mẽ hơn khi có sự xuất hiện của Covid-19 trên toàn thế giới, biểu hiện thông qua các ca nhiễm ngày một gia tăng.

Hình 2: Phản ứng của giá cổ phiếu Việt Nam 

trước các cú sốc với ảnh hưởng của dịch Covid-19

Hoạt động kinh tế toàn cầu – đại diện bởi chi phí vận tải biển cũng ảnh hưởng đến giá cổ phiếu trên thị trường Việt Nam trong thời kỳ xảy ra đại dịch Covid-19. Khi xảy ra cú sốc về chi phí vận tải biển, giá cổ phiếu trên thị trường Việt Nam có xu hướng tăng nhẹ, phản ứng có ý nghĩa thống kê vào ngày thứ 4 đến ngày thứ 5 sau cú sốc. Cụ thể, với 1% mức tăng trong chi phí vận tải biển làm giá cổ phiếu Việt Nam tăng cao nhất ở mức 0,0017% vào ngày thứ 4 sau khi cú sốc xảy ra. Tuy nhiên, mức tăng là không đáng kể và có khuynh hướng giảm dần. Kết quả này phù hợp với nghiên cứu trước đây (Bakshi và cộng sự, 2010) khi hoạt động kinh tế toàn cầu tăng lên là một tín hiệu tốt cho nền kinh tế thế giới, trong đó có Việt Nam. Mặt khác, phần lớn hoạt động kinh doanh của các doanh nghiệp vận tải biển của Việt Nam tập trung vào hoạt động vận tải hàng rời, thêm vào đó, trong thời kỳ xảy ra Covid-19, các doanh nghiệp này chỉ thực sự chứng kiến xu thế tăng mạnh của giá cước từ quý 1/2021, hơn nữa một số doanh nghiệp tiếp tục ghi nhận các khoản lợi nhuận đột biến từ thanh lý tàu cũ và tái cơ cấu nợ vay tài chính nên chỉ số BDI tăng là một lợi thế phát triển đối với Việt Nam trong thời gian này.

Mức độ tác động của lãi suất và thị trường chứng khoán toàn cầu đến giá cổ phiếu Việt Nam thể hiện mạnh hơn với sự xuất hiện của Covid-19 (Hình 3). Cụ thể, một mức tăng tích lũy 1% của chênh lệch lợi suất làm giá cổ phiếu Việt Nam giảm mạnh nhất vào ngày thứ 7 ở mức 0,0019%, cao gấp 3 lần so với mức giảm 0,006% khi không có Covid-19. Bên cạnh đó, khi giá chứng khoán Mỹ tăng 1% cũng làm thị trường chứng khoán Việt Nam tăng đến 0,0018% ngay sau 1 ngày khi cú sốc xảy ra, đạt mức cao nhất ở ngày thứ 9, tại mức 0,0032% – gấp 1,5 lần so với khi không xem xét tới dịch bệnh Covid-19 trong mô hình. 

Hình 3: So sánh phản ứng của giá cổ phiếu Việt Nam trước các cú sốc

(Ghi chú: Đường kẻ liền thể hiện phản ứng khi có ảnh hưởng của Covid-19)

Tóm lại, mức độ tác động của các biến số trong mô hình cao gấp từ 1,5 đến 3 lần so với khi không xem xét ảnh hưởng của Covid-19, điều này chứng tỏ rằng, trong thời kỳ xảy ra khủng hoảng do dịch bệnh Covid-19 gây ra, các biến số toàn cầu có tác động mạnh mẽ hơn đến thị trường chứng khoán Việt Nam.

5. Kết luận và hàm ý chính sách

Nghiên cứu thực hiện kiểm tra phản ứng của giá cổ phiếu trên thị trường Việt Nam trước các cú sốc toàn cầu trong giai đoạn từ tháng 07/2012 đến tháng 12/2021 dưới ảnh hưởng của biến ngoại sinh là số ca nhiễm Covid-19 trên toàn thế giới. Sử dụng mô hình vector tự hồi quy cấu trúc cho dữ liệu theo ngày, nghiên cứu đã tìm thấy sự phản ứng mạnh mẽ hơn của chỉ số VN-Index trước các cú sốc gây ra bởi hoạt động kinh tế toàn cầu, chênh lệch lợi suất trái phiếu và thị trường chứng khoán Mỹ dưới ảnh hưởng của dịch bệnh Covid-19. Sự xuất hiện của dịch Covid-19 làm mức độ ảnh hưởng của giá cổ phiếu trở nên mạnh hơn khi có các cú sốc bên ngoài xảy ra. Cụ thể, giá cổ phiếu Việt Nam tăng gấp 1,5 lần khi có cú sốc do thị trường chứng khoán Mỹ xảy ra và giảm gấp 3 lần khi xảy ra cú sốc liên quan đến lợi suất trái phiếu trên thị trường này.

Kết quả nghiên cứu này đã gợi mở một số hàm ý chính sách quan trọng đối với các cơ quan quản lý như Ngân hàng Nhà nước Việt Nam (NHNN) và Ủy ban Chứng khoán Nhà nước (UBCKNN), cũng như các nhà đầu tư nói chung. 

Thứ nhất, phản ứng mạnh hơn của VN-Index trước các cú sốc toàn cầu cho thấy thị trường chứng khoán Việt Nam ngày càng trở nên nhạy cảm đối với tình hình kinh tế thế giới, đặc biệt là sau giai đoạn tăng trưởng nóng của thị trường chứng khoán Việt Nam trong bối cảnh nền kinh tế tăng trưởng chậm trong giai đoạn dịch bệnh Covid-19. Chính vì vậy, NHNN cần yêu cầu các ngân hàng thương mại tăng cường tín dụng cho hoạt động sản xuất kinh doanh và tiêu dùng, hạn chế mở rộng tín dụng sang những lĩnh vực tăng trưởng nóng như chứng khoán, bất động sản.

Thứ hai, giá cổ phiếu trên thị trường Việt Nam sẽ bị ảnh hưởng mạnh mẽ khi chênh lệch lợi suất trái phiếu chính phủ Mỹ ghi nhận mức tăng cao, đặc biệt là các loại trái phiếu dài hạn. Gần đây, FED đã dừng chương trình mua tài sản. Hơn nữa, ngày 16/3/2022, FED quyết định tăng lãi suất cơ bản lên 0,25% – 0,5%… để kiềm chế lạm phát. Điều này sẽ ảnh hưởng đến thị trường chứng khoán Việt Nam khi dòng vốn tại đây không còn hấp dẫn, nhà đầu tư nên thận trọng với những tín hiệu trên thị trường chứng khoán Mỹ cũng như chính sách tiền tệ thắt chặt của nước này. Mặt khác, UBCKNN cần đưa ra các khuyến nghị hoặc quy định về hạn mức giao dịch ký quỹ của các cổ phiếu tăng trưởng nóng trên thị trường hiện nay để đảm bảo ổn định cho toàn hệ thống.

Thứ ba, hoạt động kinh tế toàn cầu cũng có ảnh hưởng nhất định đến thị trường chứng khoán Việt Nam với tín hiệu tích cực nhưng mức độ nhỏ và có xu hướng giảm dần. Tuy nhiên, với sự xuất hiện của những biến chủng SARS-CoV-2 mới, các chính sách ngăn chặn như cách ly, cấm nhập cảnh, thông quan, kiểm soát hàng hóa ra vào… vẫn được một số nước trên thế giới áp dụng chặt chẽ hơn khiến chi phí vận tải biển và các chi phí kho bãi tăng. Điều này sẽ là tín hiệu xấu đối với thị trường chứng khoán Việt Nam khi chi phí đầu vào tăng, giá nguyên liệu thô tăng nhưng không phải do nhu cầu tăng mà là do chi phí vận tải. Bên cạnh đó, việc Nga tiến hành “hoạt động quân sự đặc biệt” tại Ukraine từ 24/2/2022 đến nay, gây nguy cơ đứt gãy chuỗi cung ứng một lần nữa, lạm phát thế giới gia tăng nhanh.Với tình hình trên, các nhà đầu tư nên thận trọng hơn khi phân bổ tài sản quá nhiều vào thị trường chứng khoán hiện nay, tránh bị lôi kéo và cuốn theo các luồng thông tin trên mạng xã hội khi mua bán cổ phiếu. Bên cạnh đó, những nhà đầu tư đặc biệt là nhà đầu tư nhỏ lẻ cần phải phân tích và tìm hiểu về thị trường và các doanh nghiệp, nên phân bổ tài sản vào các cổ phiếu của doanh nghiệp có nền tảng hoạt động tốt.

¹ Số liệu của WHO ngày 14/4/2022.

ThS. Nguyễn Thị Mai Huyên 
ThS. Ngô Sỹ Nam 
Khoa Tài chính, Trường Đại học Ngân hàng Thành phố Hồ Chí Minh

Ứng dụng mô hình MIDAS để dự báo tăng trưởng xuất khẩu của Việt Nam

Ứng dụng mô hình MIDAS để dự báo tăng trưởng xuất khẩu của Việt Nam

(Nguồn: https://tapchinganhang.gov.vn/)

óm tắt:

Dự báo tăng trưởng xuất khẩu luôn là mối quan tâm không chỉ của các nhà nghiên cứu mà còn của các nhà hoạch định chính sách mỗi quốc gia trên thế giới. Đã có nhiều công trình nghiên cứu đưa ra các phương pháp khác nhau để dự báo tăng trưởng xuất khẩu, các phương pháp dự báo truyền thống trước đây đều phân tích dựa trên bộ dữ liệu mà trong đó các biến quan sát phải đưa về cùng một tần suất, điều này có thể làm tăng sai số của ước lượng và bỏ sót những yếu tố quan trọng có tác động đến tăng trưởng kinh tế. Vì vậy, trong một vài năm gần đây, việc ứng dụng các mô hình phân tích dữ liệu tần suất hỗn hợp (MIDAS) để dự báo tăng trưởng kinh tế đã được các nhà khoa học trên thế giới rất quan tâm. Ở Việt Nam, chưa có nghiên cứu nào ứng dụng mô hình đó để dự báo xuất khẩu. Do vậy, trong bài viết này, chúng tôi nghiên cứu và ứng dụng mô hình MIDAS để dự báo xuất khẩu của Việt Nam dựa trên bộ số liệu thu thập trong giai đoạn 2006 – 2020. 

Từ khóa: Tăng trưởng xuất khẩu, mô hình MIDAS, Việt Nam.

1. Đặt vấn đề

Trong điều kiện nền kinh tế thế giới nói chung và nền kinh tế Việt Nam nói riêng ngày càng xuất hiện nhiều hơn và thường xuyên hơn các yếu tố bất ổn định thì việc phân tích và dự báo chính xác động thái của các chỉ tiêu kinh tế vĩ mô có ý nghĩa cực kỳ quan trọng trong điều hành chính sách, ổn định kinh tế vĩ mô. Một kết quả phân tích và dự báo tốt sẽ giúp nền kinh tế tránh được các đổ vỡ, hạn chế rủi ro và tận dụng cơ hội để phát triển. Phân tích và dự báo các chỉ tiêu kinh tế vĩ mô nói chung và dự báo kim ngạch xuất khẩu nói riêng luôn là một đòi hỏi cấp thiết, nhất là đối với một quốc gia đang phát triển như Việt Nam, một nền kinh tế mở có quy mô nhỏ nên dễ bị tổn thương với những biến động bất lợi từ bên ngoài. Do đó, việc nghiên cứu, tìm kiếm các phương pháp dự báo thích hợp cho kim ngạch xuất khẩu của Việt Nam là một việc quan trọng. 

Trong hơn 30 năm mở cửa và hội nhập, xuất khẩu của Việt Nam đã phát triển vượt bậc và trở thành một động lực quan trọng thúc đẩy tăng trưởng kinh tế. Tổng kim ngạch xuất khẩu hàng hóa tăng từ 340 triệu USD năm 1986 lên 39,82 tỷ USD năm 2006; 72,2 tỷ USD năm 2010; 162,11 tỷ USD năm 2015 và 282,65 tỷ USD năm 2020 góp phần không nhỏ trong tăng trưởng GDP. Hoạt động xuất khẩu đã có sự tăng trưởng mạnh mẽ, đóng góp to lớn vào sự phát triển của nền kinh tế. Nhìn chung, kim ngạch xuất khẩu có xu hướng tăng, đóng góp ngày càng nhiều vào GDP. 

Tuy nhiên, khi hội nhập quốc tế sâu rộng sẽ khiến nền kinh tế Việt Nam phải hứng chịu biến động mạnh trước các cú sốc trên thị trường quốc tế, điển hình là đại dịch Covid-19. Khi các chuỗi cung ứng toàn cầu đứt gãy sẽ ảnh hưởng không nhỏ đến các điểm kết nối của chuỗi (trong đó có Việt Nam), từ đó, sẽ có những ảnh hưởng và rủi ro nhất định đến hoạt động thương mại nói chung và xuất khẩu nói riêng. Do vậy, dự báo tăng trưởng xuất khẩu luôn là mối quan tâm không chỉ của các nhà nghiên cứu mà còn của các nhà hoạch định chính sách mỗi quốc gia trên thế giới bởi: 

(i) Dưới góc độ kinh tế vĩ mô, xuất khẩu là một trong những bộ phận cấu thành nên GDP, do vậy, dự báo chính xác tốc độ tăng trưởng xuất khẩu sẽ giúp các nhà hoạch định chính sách xây dựng được các kịch bản tăng trưởng kinh tế của quốc gia. 

(ii) Dưới góc độ tài chính – ngân hàng, dự báo đúng tăng trưởng xuất khẩu giúp các quốc gia chủ động hơn trong việc dự trữ ngoại hối của quốc gia mình.

(iii) Việt Nam là một quốc gia tăng trưởng kinh tế dựa vào xuất khẩu nên xuất khẩu có ảnh hưởng lớn đến chu kỳ kinh doanh, vì vậy, việc dự báo đúng và kịp thời về tăng trưởng xuất khẩu cũng giúp dự báo được các cú sốc của nền kinh tế.

Thực tế này đặt ra yêu cầu cấp thiết phải xây dựng thêm các lớp mô hình mới để dự báo tốt hơn các biến động bất thường trong ngắn hạn, đáp ứng kịp thời yêu cầu của công tác điều hành kinh tế vĩ mô. Mô hình MIDAS có ưu điểm lớn là khai thác tối đa các dữ liệu thu thập tần suất cao (ngày, tuần, tháng) để đưa ra dự báo cho biến phụ thuộc có dữ liệu tần suất thấp (quý, năm). Theo nghiên cứu của Kuzin (2011), phương pháp MIDAS cho thấy sự hiệu quả trong dự báo ngắn hạn cho chỉ số kinh tế vĩ mô; theo Yu Jiang và nhóm nghiên cứu (2017), các phương pháp dự báo sử dụng dữ liệu tần suất hỗn hợp có độ chính xác tốt hơn so với các phương pháp dự báo truyền thống. Do đó, trong nghiên cứu này, mô hình MIDAS được ứng dụng nhằm khai thác tốt nhất các dữ liệu đã thu thập được với tần suất khác nhau (ngày, tháng, quý) và từ nhiều hoạt động/khu vực kinh tế khác nhau để dự báo tức thời tốc độ tăng trưởng xuất khẩu của Việt Nam. Kết quả thực nghiệm được kỳ vọng sẽ tạo tiền đề để thúc đẩy hơn nữa việc vận dụng mô hình MIDAS cho công tác dự báo các chỉ tiêu kinh tế vĩ mô quan trọng khác mà các cơ quan Chính phủ cần theo dõi để hoạch định chính sách, đồng thời là căn cứ cho việc tích hợp kỹ thuật hồi quy MIDAS vào hệ thống mô hình phân tích định lượng của các cơ quan hoạch định chính sách nhằm đáp ứng mục tiêu điều hành chính sách kinh tế vĩ mô nói chung và chính sách xuất khẩu nói riêng trong giai đoạn mới của Việt Nam.

2. Tổng quan về mô hình MIDAS

Mô hình MIDAS được đề xuất bởi nhóm tác giả Eric Ghysels, Arthur Sinko & Rossen Valkanov năm 2002. Về cơ bản, mô hình MIDAS là các hồi quy dạng rút gọn được tham số hóa, liên quan đến các quá trình lấy mẫu ở các tần suất khác nhau. Trong đó, các biến giải thích có tần suất khác nhau, bằng hoặc cao hơn tần suất của biến phụ thuộc và đối với các biến giải thích có tần suất cao hơn, các đa thức phân phối trễ được sử dụng để ngăn chặn sự gia tăng về số lượng tham số cũng như các vấn đề liên quan đến lựa chọn thứ tự trễ. 

Mô hình MIDAS cơ bản cho một biến giải thích và bước tiếp theo với h_q = h_m/m được xác định như sau:

Trong đó:

– y là biến phụ thuộc có tần suất thấp; x là biến giải thích có tần suất cao.

– t_q là thời điểm mà y đã có sẵn dữ liệu ở tần suất thấp, t_m là thời điểm mà y đã có sẵn dữ liệu ở tần suất cao và h_q là thời điểm dự báo theo tần suất thấp; h_m là thời điểm dự báo theo tần suất cao.

– m là chỉ số xác định mức độ cao hơn về tần suất của biến độc lập so với biến phụ thuộc. Ví dụ nếu y có tần suất quý và x có tần suất tháng thì m = 3, còn nếu y có tần suất quý còn x có tần suất tuần thì m = 12.

–   là đa thức trễ với L_m là toán tử trễ được xác định bởi:

được lấy mẫu từ biến có tần suất cao 

–  là các tham số của các hệ số độ trễ của mô hình cần được ước lượng.

Một trong các vấn đề chính của phương pháp MIDAS là tìm tham số hóa phù hợp cho các hệ số trễ . Vì  có tần suất cao hơn  , việc mô hình hóa đầy đủ thường yêu cầu nhiều độ trễ trong phương trình hồi quy, điều này có thể dẫn đến tình trạng tham số hóa quá mức. Một số lược đồ trọng số phổ biến để tham số hóa như Almon còn gọi là “Trễ Almon mũ” tương ứng với hàm trễ Almon. Cụ thể lược đồ Almon được biểu diễn như sau:

Với Q là số lượng tham số của θ, hay θ = (θ1,θ2,…,θQ ) là các tham số cần được ước lượng. Hàm này khá linh hoạt và có thể có nhiều hình dạng khác nhau chỉ với vài tham số. Chúng có thể là mô hình tăng dần, giảm dần hoặc lồi lõm. Ghysel, Santa-Clara và Valkanov (2005) đã sử dụng dạng hàm này với hai tham số, cho phép tính linh hoạt cao và xác định có bao nhiêu độ trễ được đưa vào hồi quy. Vì lược đồ trễ Almon được sử dụng phổ biến nhất và có tính linh hoạt cao nên trong nghiên cứu này nhóm tác giả sử dụng lược đồ trễ Almon để xác định các tham số hóa phù hợp cho các hệ số trễ của mô hình.

Mô hình MIDAS được ứng dụng nhiều trong lĩnh vực tài chính; kinh tế vĩ mô và được Ghysels cùng một số tác giả phát triển cho ra các mô hình mở rộng của MIDAS như MIDAS không bị hạn chế hay U-MIDAS (là mô hình MIDAS được bổ sung thêm các hạn chế khác nhau về ảnh hưởng của các biến tần suất cao bằng cách mỗi nhân tố tần suất cao hơn được xác định là một biến giải thích trong hồi quy tần suất thấp, MIDAS trọng số STEP hay STEP-MIDAS (là mô hình U-MIDAS mà các hệ số với dữ liệu tần suất cao bị hạn chế bằng cách sử dụng hàm STEP, mô hình MIDAS trễ đa thức tăng cường hay ADL-MIDAS (trong đó, với mỗi tần suất cao đến k, hệ số hồi quy của các thành phần tần suất cao được mô hình hóa dưới dạng đa thức trễ p- chiều), mô hình MIDAS trọng số Almon mũ hay EAW-MIDAS (là mô hình MIDAS sử dụng trọng số mũ và đa thức trễ bậc 2), mô hình MIDAS trọng số β hay BW-MIDAS (là mô hình MIDAS sử dụng hàm trọng số β) (Andreou, Ghysels, and Kourtellos 2010; Ghysels, Kvedaras, and Zemlys 2016; Kvedaras et al. 2021). Trong đó, các mô hình U-MIDAS, STEP-MIDAS và ADL-MIDAS được ước lượng bằng phương pháp pháp hồi quy tuyến tính bình phương nhỏ nhất (OLS), còn các mô hình EAW-MIDAS và BW-MIDAS được ước lượng bằng phương pháp hồi quy phi tuyến bình phương nhỏ nhất. Ưu điểm của mô hình MIDAS, ngoài việc khắc phục được vấn đề dữ liệu có tần suất hỗn hợp, còn giảm thiểu số lượng tham số ước lượng và làm cho mô hình hồi quy đơn giản hơn. Hàm trọng số được sử dụng để giảm số lượng tham số trong hồi quy MIDAS. Theo các kết quả nghiên cứu đã công bố, mô hình MIDAS thường hiệu quả cho dự báo tức thời và dự báo ngắn hạn. 

3. Dữ liệu nghiên cứu

3.1. Nguồn số liệu

Nghiên cứu được thực hiện trên bộ dữ liệu gồm các chỉ số kinh tế vĩ mô, được thu thập với các tần suất khác nhau (theo quý, tháng, tuần) từ trang web của Tổng cục Thống kê, IMF, WB, ADB, Bloomberg,… trong giai đoạn từ năm 2006 đến năm 2020. Lý do để nhóm tác giả lựa chọn giai đoạn từ năm 2006 – 2020 vì tính từ năm 2006 trở đi, các chỉ tiêu kinh tế vĩ mô của Việt Nam được thu thập và thống kê một cách đầy đủ nhất. Các dữ liệu đã thu thập ban đầu được xử lý trên phần mềm Excel. 

Trong nghiên cứu này, nhóm chúng tôi dự báo tốc độ tăng trưởng xuất khẩu của Việt Nam hàng quý bằng mô hình MIDAS cơ bản. Các phân tích được thực hiện trên phần mềm Eviews 11. Bộ dữ liệu được tách thành 2 giai đoạn: (i) Giai đoạn từ năm 2006 đến năm 2018 dùng để ước lượng các tham số trong các mô hình hồi quy; (ii) Giai đoạn từ năm 2019 đến năm 2020 được dùng để đưa ra các dự báo.

3.2. Các biến đưa vào trong mô hình

Để dự báo tốc độ tăng trưởng xuất khẩu theo quý, nhóm nghiên cứu dựa trên bộ số liệu gồm 22 biến ứng với 19 chỉ số kinh tế (trong đó: 5 biến tần suất quý, 14 biến tần suất tháng) và 3 biến tần suất tuần, được mô tả chi tiết trong Bảng 1, Bảng 2, Bảng 3.

4. Kết quả dự báo tăng trưởng xuất khẩu theo quý của Việt Nam

4.1. Tình hình tăng trưởng xuất khẩu hàng quý của Việt Nam trong giai đoạn từ năm 2006 – 2020

Giai đoạn từ năm 2006 đến năm 2020 là giai đoạn Việt Nam hội nhập kinh tế sâu rộng với sự kiện quan trọng là Việt Nam trở thành thành viên thứ 150 của WTO. Hoạt động xuất khẩu đã có sự tăng trưởng mạnh mẽ, đóng góp to lớn vào sự phát triển của nền kinh tế. Nhìn chung, kim ngạch xuất khẩu có xu hướng tăng, đóng góp ngày càng nhiều vào GDP. Kể từ năm 2012, Việt Nam đã thoát khỏi nhập siêu, đóng góp của xuất khẩu có xu hướng tăng nhiều hơn, cán cân thương mại hàng hóa đã chuyển từ mức thâm hụt cao trong giai đoạn 2000 – 2011 sang mức thặng dư. Cơ cấu xuất khẩu có những chuyển biến tích cực theo hướng giảm hàm lượng xuất khẩu thô, tăng mạnh xuất khẩu sản phẩm chế biến, sản phẩm công nghiệp. Thị trường xuất khẩu ngày càng được mở rộng và đa dạng, nhiều sản phẩm đã dần có chỗ đứng và khả năng cạnh tranh trên nhiều thị trường có yêu cầu cao về chất lượng như EU, Nhật Bản, Hoa Kỳ… Cơ cấu thị trường xuất khẩu chuyển dịch theo hướng giảm dần xuất khẩu sang thị trường châu Á, tăng dần xuất khẩu sang thị trường châu Âu và châu Mỹ. 

Hình 1 cho thấy, mức tăng trưởng xuất khẩu hàng quý của Việt Nam liên tục thay đổi theo thời gian. Đặc biệt, trong giai đoạn 2008 đến năm 2010 xuất khẩu của Việt Nam có nhiều thay đổi, lao dốc mạnh từ quý 1 năm 2008, chạm đáy quý 3 năm 2009 với mức tăng trưởng âm khoảng – 20% và bắt đầu hồi phục ngay sau đó, đến quý 3 năm 2011, tăng trưởng xuất khẩu của Việt Nam đạt mức cao nhất, khoảng 41%. Do ảnh hưởng của dịch Covid-19, quý 2 năm 2020 tăng trưởng xuất khẩu của Việt Nam giảm sút nghiêm trọng với tốc độ tăng trưởng -7%. Tuy nhiên, trung bình của toàn giai đoạn từ năm 2006 đến năm 2020 xuất khẩu bình quân mỗi tháng của nước ta tăng khoảng 17%. 

4.2. Kết quả dự báo tăng trưởng xuất khẩu Việt Nam bằng mô hình MIDAS

Mô hình MIDAS có rất nhiều biến thể khác nhau, trong nghiên cứu này, trước hết, chúng tôi ứng dụng mô hình MIDAS cơ bản với các tham số trong mô hình được chọn lựa như đã trình bày. Nhóm nghiên cứu cũng xem xét ba mô hình, mỗi mô hình gồm 16 biến trong đó có 15 biến độc lập. 

Mô hình MIDAS1: 15 biến độc lập gồm 4 biến tần suất quý và 11 biến tần suất tháng.

Mô hình MIDAS2: 15 biến độc lập gồm 1 biến tần suất quý TTGDP; 14 biến tần suất tháng (11 biến cũ + 3 biến mới: V_M, USD_M, DT_M).

Mô hình MIDAS3: 15 biến độc lập gồm 1 biến tần suất quý, 11 biến tần suất tháng và 3 biến tần suất tuần V_W, USD_W, DT_W.

Kết quả hồi quy: 3 mô hình đều có độ phù hợp cao

Hình 2 chỉ ra rằng, khi so sánh với chuỗi dữ liệu thực tế, ba mô hình MIDAS dự đoán chính xác xu hướng biến động của chuỗi tăng trưởng xuất khẩu của Việt Nam. Hầu hết thời gian, tăng trưởng xuất khẩu dự đoán theo sát tăng trưởng xuất khẩu thực tế, chỉ có một số ngoại lệ, chẳng hạn, như giai đoạn đầu năm 2006 đến giữa năm 2007, hai quý đầu năm 2014 và năm 2015. Phạm vi dao động của ba đường dự báo là rất nhỏ so với giá trị của dòng thực, với sai số tuyệt đối trung bình của ba dòng nằm trong khoảng từ 4% đến 5%. Hơn nữa, các kết quả dự báo theo dõi chặt chẽ các đỉnh và đáy của chu kỳ xuất khẩu. Khi so sánh các đường dự báo của mô hình MIDAS2 và MIDAS3, rõ ràng, hai mô hình cung cấp kết quả dự báo rất tương đồng; trên thực tế, hai dòng thực tế giống hệt nhau.

Kết quả dự báo của mô hình MIDAS2 và MIDAS3 trong giai đoạn 2019 – 2020 khá giống với dữ liệu thực tế khi so sánh với mô hình MIDAS1. Do lợi thế sử dụng dữ liệu tần số cao và đa dạng trong mô hình nên tần suất hỗn hợp mô hình vượt trội hơn các mô hình cổ điển (VAR, SVAR, BVAR, VECM) trong việc nắm bắt những thay đổi nhanh chóng và bất ngờ trong hoạt động xuất khẩu. Mặt khác, các mô hình truyền thống thường bị hạn chế bởi việc sử dụng dữ liệu với tần suất giống nhau (ví dụ: mô hình hàng tháng chỉ sử dụng dữ liệu với tần suất hàng tháng, mô hình hàng quý chỉ sử dụng dữ liệu với tần suất hàng quý), vì vậy, tính linh hoạt của chúng sẽ hạn chế so với mô hình MIDAS.

Đánh giá sai số dự báo

Bảng 4 cho thấy ba mô hình MIDAS được đề xuất với trọng số Almon đưa ra dự báo tốt về tăng trưởng xuất khẩu hàng quý của Việt Nam. Nếu chỉ xét theo mô hình MIDAS, dự báo cho tất cả các quý của năm 2019 là khá tốt với sai số dự báo thấp; kết quả dự báo tốt nhất thuộc về quý 3 với sai số chỉ 0,06%, tiếp theo là quý 1 (3%) và quý 4 (3,89%); tuy nhiên, khi bước sang năm 2020, sai số dự báo có sự chênh lệch khá lớn, các quý đều có mức sai số trên 16%. Đối với mô hình MIDAS2 và MIDAS3, kịch bản tương tự, nhưng sai số dự báo đã được cải thiện đáng kể. Nếu chúng ta chỉ xem xét năm 2019, cụ thể là cả hai mô hình đều có sai số dự báo thấp, khoảng 4%; mô hình MIDAS2 có tới 3/4 kết quả dự đoán dưới 2%, trong khi mô hình MIDAS3 có 3/4 kết quả dự báo dưới 2,2%. Mô hình MIDAS2 và 3 cũng có sai số dự báo nhỏ hơn đáng kể so với mô hình MIDAS1

khi chỉ được tính toán cho năm 2020. Phát hiện này chứng tỏ rằng mô hình MIDAS ưu việt hơn trong dự báo ngắn hạn. Sai số dự báo theo hai tiêu chí MAE và lỗi trung bình phương gốc (RMSE) một lần nữa cho thấy mô hình MIDAS2 và MIDAS3 dự báo tăng trưởng xuất khẩu của Việt Nam tốt hơn so với mô hình MIDAS1 và kết quả dự báo của hai mô hình MIDAS2 và MIDAS3 gần như tốt ngang nhau. Điều này là do mô hình MIDAS2 và MIDAS3 đã sử dụng nhiều biến hơn với dữ liệu tần số cao hơn so với mô hình ban đầu. Cụ thể, ba chỉ số tài chính và tiền tệ hàng quý (tài khoản vốn hóa, cán cân thanh toán và đầu tư trực tiếp ròng) được thay thế bằng ba chỉ số tiền tệ hàng tháng (giá vàng, tỷ giá USD/VND và giá dầu thô) trong mô hình MIDAS2 và 3, chỉ số tiền tệ hàng tuần (giá vàng, tỷ giá USD/VND và giá dầu thô) trong mô hình MIDAS3. Tuy nhiên, bộ chỉ số sinh thái trong mô hình dự báo tăng trưởng xuất khẩu giống nhau ở mô hình MIDAS2 và MIDAS3, ngoại trừ tần suất hàng tháng và hàng tuần, do đó sự khác biệt trong kết quả dự báo là không đáng kể, nhưng mô hình MIDAS3 vẫn vượt trội hơn so với mô hình MIDAS2. 

Kết quả này chứng minh rằng, sự phát triển của các mô hình dự báo này đang đi đúng hướng và dữ liệu đầu vào được lựa chọn phù hợp. Hơn nữa, việc bổ sung dữ liệu tài chính tần số cao vào mô hình hồi quy MIDAS cũng nâng cao độ chính xác của dự đoán, chứng minh rằng dữ liệu tài chính có vai trò quan trọng trong việc dự đoán tăng trưởng xuất khẩu. Phát hiện này ngụ ý rằng để sử dụng đầy đủ khả năng dự báo của các chỉ báo tài chính, chúng phải được kết hợp với dữ liệu kinh tế vĩ mô.

5. Kết luận

Nghiên cứu sử dụng mô hình MIDAS để dự đoán tăng trưởng xuất khẩu của Việt Nam dựa trên bộ số liệu gồm các chỉ số kinh tế vĩ mô thu thập trong giai đoạn 2006 – 2020. Kết quả phân tích cho thấy, với cùng các biến độc lập, dữ liệu được lấy ở tần suất cao hơn, mô hình MIDAS sẽ cho kết quả dự báo tốt hơn. Cũng như một số kết quả nghiên cứu đã được công bố trước đây, kết quả dự báo cho thấy mô hình MIDAS có hiệu quả đối với dự báo trong ngắn hạn. Kết quả nghiên cứu cũng cho thấy rằng, các biến tài chính tần số cao có thể được sử dụng để dự báo tăng trưởng xuất khẩu của Việt Nam. Điều này có thể liên quan đến sự phát triển gần đây của thị trường tài chính Việt Nam.

Từ quan điểm chính sách, phát hiện của chúng tôi ngụ ý rằng, các biến tài chính cần được theo dõi chặt chẽ để dự đoán những biến động trong chu kỳ xuất khẩu. Về mặt mô hình, kết quả chỉ ra tầm quan trọng của việc liên kết các khu vực tài chính và thực tế kinh tế trong các mô hình kinh tế vĩ mô. Vai trò của các biến tài chính trong việc dự đoán tăng trưởng xuất khẩu không chỉ do tính chất hướng tới tương lai của chúng mà còn do sự liên kết chặt chẽ giữa các thị trường tài chính và hoạt động xuất nhập khẩu của một quốc gia.

Trong những năm gần đây, các mô hình phân tích dữ liệu tần suất hỗn hợp đã được quan tâm và ứng dụng nhiều trong các lĩnh vực kinh tế và tài chính, đặc biệt là trong dự báo các chỉ số kinh tế vĩ mô quốc gia. Tuy nhiên, ở Việt Nam hầu như chưa có các nghiên cứu ứng dụng các mô hình này. Vì vậy, việc áp dụng các mô hình với dữ liệu tần số hỗn hợp như MIDAS để dự báo các chỉ số kinh tế vĩ mô của Việt Nam là một hướng nghiên cứu mới đầy hứa hẹn. Những dự báo ngắn hạn về các chỉ tiêu kinh tế vĩ mô sẽ có ý nghĩa quan trọng trong việc hoạch định chính sách và đề ra chiến lược phát triển kinh tế của mỗi quốc gia. Do đó, với mục tiêu đưa ra các dự báo kịp thời và phù hợp trong tương lai, nhóm nghiên cứu sẽ tiếp tục xây dựng và triển khai các mô hình với dữ liệu tần suất khác nhau để dự báo cho các chỉ số kinh tế vĩ mô của Việt Nam. 

TS. Lê Mai Trang, TS. Hoàng Anh Tuấn, 
ThS. Nguyễn Thị Hiên, ThS. Đinh Thị Hà, ThS. Trần Kim Anh 

Trường Đại học Thương mại

Xây dựng mô hình định giá bất động sản tự động hỗ trợ quá trình thẩm định giá trị tài sản bảo đảm

Xây dựng mô hình định giá bất động sản tự động hỗ trợ quá trình thẩm định giá trị tài sản bảo đảm

(Nguồn: https://tapchinganhang.gov.vn/)

Một bất động sản hay một ngôi nhà không chỉ có ý nghĩa tinh thần to lớn đối với một cá nhân vì đó không chỉ là nơi trú ngụ mà còn là một tài sản có giá trị lớn. Đó cũng là lý do đây chính là loại tài sản bảo đảm phổ biến đối với những hợp đồng tín dụng. Tuy nhiên, thị trường bất động sản là một thị trường nhiều biến động và phức tạp, để thẩm định giá trị của một bất động sản, thẩm định viên cần phải có sự hiểu biết sâu sắc về thị trường bất động sản và thông tin của bất động sản. Cho nên thẩm định giá tài sản bảo đảm có thể coi là một “nghệ thuật” kết hợp cùng chiến lược phân tích thông tin, đây quả là một điều khó khăn đối với thẩm định viên. Tuy nhiên, thị trường bất động sản rất sôi động và hàng ngày có hàng ngàn bất động sản được giao bán trên Internet, đây chính là nguồn dữ liệu có thể truy cập cũng như thu thập được. Nghiên cứu này nhằm chứng minh tính khả thi của việc xây dựng một mô hình định giá bất động sản thông minh nhằm hỗ trợ các chuyên viên thẩm định của các tổ chức tài chính thực thi nhiệm vụ định giá tài sản.

1. Giới thiệu

Hoạt động tín dụng là một hoạt động mang lại nhiều lợi nhuận cho các tổ chức tài chính như ngân hàng, tổ chức cho vay tiêu dùng hay các tiệm cầm đồ… Nhưng đây cũng là hoạt động mang lại rủi ro lớn và những rủi ro này rất khó để bù đắp. Trước khi chấp nhận cấp một khoản vay nào đó, các tổ chức tài chính thường thực hiện chấm điểm tín dụng. Khách hàng có mức tín nhiệm càng thấp thì lãi suất trên khoản vay của họ càng lớn, điều này cũng có nghĩa rằng mức độ rủi ro của khoản vay tỷ lệ thuận với lợi nhuận mà tổ chức tài chính có thể thu được trong tương lai. Để dung hòa giữa lợi nhuận và rủi ro thì tài sản thế chấp đóng một vai trò quan trọng trong cam kết tài chính giữa bên vay và bên cho vay. Khi đến kỳ trả nợ, bên vay không thể thực hiện nghĩa vụ tài chính của mình thì bên cho vay có thể bán tài sản thế chấp của bên vay và thu hồi một phần khoản nợ, hoặc trong trường hợp tối ưu có thể thu hồi được toàn bộ số nợ (bao gồm cả nợ gốc và lãi). Bất động sản là một loại hình tài sản thế chấp rất phổ biến trong hoạt động tín dụng bởi chúng có tính bất biến về người sở hữu trong quá trình được thế chấp; ngoài ra, giá trị của bất động sản cũng rất lớn, đủ khả năng cân đối được với khoản vay.

Hoạt động định giá bất động sản được dựa trên rất nhiều cơ sở mặc dù Nhà nước đã ban hành mức giá tiêu chuẩn đối với loại hình và vị trí của bất động sản, tuy nhiên mức giá giao dịch của bất động sản thường cao hơn rất nhiều so với giá tiêu chuẩn này, do đó, giá trị bất động sản thường được định giá dựa trên kinh nghiệm của các nhân viên thẩm định bất động sản. Các nhà thẩm định giá chuyên nghiệp dựa vào kinh nghiệm và kiến thức thị trường địa phương để đưa ra kết luận của riêng mình. Sự thiên lệch khi thẩm định giá bất động sản cũng không phải là việc hi hữu. Những sai lệch trong định giá có thể được giải thích bằng sự không đồng nhất thông tin giữa hai bản đánh giá hoặc sự khác biệt về khung nhìn đối với bất động sản. 

Bất động sản thường là tài sản lớn đối với mỗi cá nhân, việc định giá bất động sản một cách hợp lý sẽ giúp các tổ chức có được một khoản đảm bảo an toàn và cũng giúp người đi vay đề xuất một khoản tiền tương xứng với giá trị tài sản đó. Để định giá chính xác một bất động sản, người ta không chỉ đòi hỏi sự hiểu biết về thị trường bất động sản (có thể nói đây là một thị trường đầy biến động) mà còn phải có hiểu biết sâu sắc về chính bất động sản đó. Kiến thức này thường được nắm giữ bởi các chuyên gia môi giới bất động sản. Nếu các tổ chức tài chính có thể nắm bắt các kiến thức này bằng cách sử dụng các nguồn dữ liệu có thể truy cập mở, thì kiến thức này có thể sẽ được tiếp cận dễ dàng. Các ngân hàng có đủ nguồn lực để xây dựng một hệ thống dữ liệu như vậy sẽ giúp các thẩm định viên làm việc trên một nguồn thông tin chân thực, khách quan với các nhận định của bản thân cũng như các môi giới bất động sản.

Mặt khác, các thẩm định viên có thể dự báo xấp xỉ giá bất động sản dựa trên giá trị trung bình được tính toán một cách tự động bằng các thuật toán học máy trên nguồn dữ liệu có sẵn, những dữ liệu này sẽ cung cấp sự hiểu biết cho mọi người về các yếu tố ảnh hưởng tới giá bất động sản. Mọi người có thể tập trung vào những yếu tố này để làm căn cứ xác định giá trị của bất động sản được đem ra thế chấp.

Những địa bàn hành chính có nguồn tin giao dịch bất động sản dồi dào sẽ trở thành một đối tượng nghiên cứu phù hợp cho bài toán này. Chúng ta có thể tìm được nguồn dữ liệu về giá bất động sản cũng như đặc điểm của bất động sản đó trên các trang đăng tin bất động sản. Ngoài ra thông tin tương quan về vị trí của bất động sản đối với cơ sở hạ tầng, tiện ích xung quanh cũng ảnh hưởng tới giá thành của bất động sản.

Một số nghiên cứu cũng như những nỗ lực để tạo ra những mô hình định giá bất động sản sử dụng hướng tiếp cận học máy. Những nghiên cứu xung quanh định giá nhà ngoại ô ở Boston được coi là một ví dụ điển hình. Những kết quả từ nghiên cứu này được sử dụng làm cơ sở để chúng tôi lựa chọn những thuộc tính trong bộ dữ liệu của chúng tôi. Các tác giả Park, B., & Bae, J.K. (2015) đã khám phá ra sự hiệu quả của mô hình hồi quy tuyến tính,  máy học vector hỗ trợ (Support Vector Machine – SVM) và phương pháp ước lượng bình phương tối thiểu. Điểm đặc biệt từ những nghiên cứu này là những đặc điểm như khoảng cách tới đường quốc lộ, mật độ dân số, khả năng kinh doanh trong vùng cũng như tỷ lệ tội phạm đều ảnh hưởng tới giá nhà. 

Mục tiêu của nghiên cứu này nhằm tạo ra một mô hình định giá bất động sản dựa trên dữ liệu có thể thu thập được trên các nguồn dữ liệu mở dành cho đối tượng nhà ở tại Hà Nội. Dựa trên bộ dữ liệu thu thập được, chúng tôi hy vọng có thể tạo ra một hệ thống giúp các thẩm định viên có thêm một công cụ để đảm bảo tính chính xác về kết quả thẩm định của mình.

2.  Định nghĩa bài toán và mô tả bộ dữ liệu

Nghiên cứu này nhằm xây dựng mô hình dự báo giá nhà ở Hà Nội dựa trên một số các thuộc tính được xác định thông qua tin đăng bất động sản trên mạng Internet. Với nghiên cứu này, chúng tôi tập trung vào địa hình nhà thổ cư, khám phá vai trò của cơ sở hạ tầng thành phố đối với giá nhà. Chúng tôi sử dụng phương pháp hồi quy để xây dựng mô hình định giá bất động sản. Trong bộ dữ liệu mẫu của chúng tôi chứa những thông tin chung của các bất động sản cũng nhưng một vài thông số như có khu vui chơi, có chợ, trường học trong phạm vi 2 km hay không. Những thông tin này được chọn vì với khoảng cách này người dùng có thể dễ dàng di chuyển. Các thuật toán được sử dụng bao gồm: Hồi quy tuyến tính, hồi quy Lasso và giải thuật k-hàng xóm gần nhất.

2.1. Dữ liệu

Thị trường bất động sản với loại hình nhà riêng, không giống như các thị trường truyền thống khác, không có sàn giao dịch, các bên thường giao dịch thông qua các môi giới bất động sản hoặc trực tiếp trao đổi với nhau để đưa ra mức giá hợp lý. Kết quả là thông tin của các bất động sản không tập trung ở bất kỳ nơi nào. Tất cả thông tin của các bất động sản thường được đăng trên các website đăng tin giao bán bất động sản khi chủ sở hữu có nhu cầu, chúng ta có thể dễ dàng tìm thấy tin đăng về nhu cầu bán bất động sản. Thông tin của hơn 10 nghìn bất động sản đã được thu thập trên trang website dành riêng cho thị trường nhà thổ cư tại Hà Nội, chứa thông tin những tin đăng từ tháng 6/2021 đến tháng 12/2021. Tổng số lượng bản ghi thu được ban đầu là hơn 30 nghìn bản ghi. Những đặc điểm được thu thập bao gồm: Diện tích, chiều dài, mặt tiền, diện tích, số tầng, số phòng ngủ, địa chỉ, độ rộng đường trước nhà, số lượng phòng tắm, hướng, các đặc điểm nổi trổi: Nhà hai mặt tiền, có thể kinh doanh được… ngoài  ra, chúng tôi còn thu thập các thông tin khác thông qua địa chỉ như: Tọa độ địa lý: Vĩ độ (lat), kinh độ (long), tiện ích khu dân cư: Gần chợ, gần trường học, bệnh viện, có khu vui chơi trẻ em… Có tất cả gần 20 thuộc tính được thu thập. (Hình 1)

Hình 1: Ví dụ thông tin về bất động sản được rao bán trên website

Dữ liệu thô được lấy từ trang web trên mạng Internet, điều này có thể dễ dàng thực hiện được bằng cách phân tích mã của ngôn ngữ đánh dấu siêu văn bản (HyperTex Markup Language – HTML) của các tin đăng bất động sản, tọa độ lat, long của bất động sản được lấy thông qua Google API, ngoài ra các thông tin về cơ sở hạ tầng cũng được lấy qua Google API như khoảng cách tới bệnh viện, trường học, khu vui chơi… gần nhất.

2.2. Xử lý dữ liệu khuyết thiếu

Vì dữ liệu của chúng tôi có được từ các tin đăng trên Internet, do đó có rất nhiều thông tin bị khuyết thiếu. Các website đã để sẵn một số đặc trưng mà người mua cần biết về căn nhà. Tất nhiên, không phải tất cả những đặc trưng này đều cần thiết cho mô hình của chúng tôi. Hình 2 biểu diễn số lượng những khuyết thiếu của mỗi đặc trưng. Một cách trực giác, những đặc trưng đều ảnh hưởng tới giá trị dự báo của căn nhà, ví dụ một ngôi nhà có số tầng nhiều hơn thì sẽ có giá trị cao hơn một ngôi nhà tương tự có số tầng thấp hơn. 

Hình 2: Tỷ lệ % giá trị khuyết thiếu của các thuộc tính

Thuật toán chúng tôi lựa chọn không được áp dụng trên dữ liệu khuyết thiếu. Cả hai phương pháp hồi quy tuyến tính và k-hàng xóm gần nhất đều cần phải có đầy đủ thông tin của các đặc trưng được đưa vào mô hình. Một cách đơn giản có thể thay thế giá trị khuyết thiếu bằng 0 hoặc giá trị trung bình, việc này giúp mô hình hoạt động nhưng cũng có thể khiến tạo thêm nhiễu dữ liệu. Chúng tôi không mong muốn xóa bỏ các đặc trưng có chứa giá trị khuyết thiếu ra khỏi mô hình bởi nó sẽ ảnh hưởng tới sự giàu thông tin của bộ dữ liệu cũng như khả năng dự đoán.

Nghiên cứu quyết định sử dụng 3 hướng tiếp cận để xử lý với dữ liệu khuyết thiếu đối với những thuộc tính nhận giá trị số thực như độ rộng đường, mặt tiền, số tầng: Loại bỏ những mẫu chứa dữ liệu khuyết thiếu, dự đoán giá trị khuyết thiếu bằng phương pháp cực đại kỳ vọng (Expectation Maximum – EM) và dự đoán giá trị khuyết thiếu bằng giá trị trung bình của các đặc trưng. Đối với những thuộc tính như: Có thang máy, hai mặt tiền thì chúng tôi sẽ coi như nếu khách hàng không nhắc đến thuộc tính này thì nhà của họ không có các đặc điểm trên và những đặc trưng này nhận giá trị mặc định là 0. Với những bản ghi không có thông tin lat, long thì chúng tôi sẽ tiến hành xóa bỏ những bản ghi này.

Phương pháp đơn giản nhất là thay thế giá trị khuyết thiếu bằng giá trị trung bình của mỗi đặc trưng. Mặc dù phương pháp này giúp chúng tôi giữ được rất nhiều bản ghi, nhưng có thể tạo ra hiệu ứng không cân bằng dữ liệu. Điều này có thể gây ảnh hưởng tới sức mạnh dự báo của mô hình. Cuối cùng, chúng tôi quyết định thử ước lượng giá trị khuyết thiếu theo hướng EM. Mỗi giá trị khuyết thiếu được gán một giá trị mặc định là giá trị trung bình của các đặc trưng. Sau đó chúng tôi lặp lại việc thử huấn luyện một mô hình xác suất và ước lượng giá trị khuyết thiếu tới khi thấy nó hội tụ. Trong khi cài đặt phương pháp này, chúng tôi sử dụng mô hình MultinomialNB trong thư viện Scikit-learn để ước lượng giá trị khuyết thiếu. Mỗi đặc trưng chứa dữ liệu khuyết thiếu, một mô hình được xây dựng để sử dụng các đặc trưng còn lại để dự báo giá trị khuyết thiếu của đặc trưng này. Sau đó, chúng tôi sử dụng mô hình này để ước lượng lại giá trị khuyết thiếu. 

Lưu ý rằng các hạn chế chính từ mô hình này phát sinh từ các giả định của thuật toán Naive Bayes. Để phương pháp này có hiệu quả, giả định về tính độc lập có điều kiện phải được duy trì và các đặc trưng khác phải đủ phong phú để dự đoán giá trị của các đặc trưng khuyết thiếu.

3. Xây dựng mô hình

Do có một lượng lớn dữ liệu khuyết thiếu, chúng tôi không chỉ xem xét cả hiệu suất thuật toán mà còn cả các phương pháp xử lý dữ liệu khuyết thiếu. Mỗi thuật toán được chạy với mỗi phương pháp để xử lý dữ liệu khuyết thiếu. Các thuật toán đã được tối ưu hóa để có kết quả tốt hơn trên các tập huấn luyện và một tập kiểm tra đã được sử dụng để đánh giá cuối cùng. Để chọn phương pháp tốt nhất xử lý dữ liệu bị thiếu và điều chỉnh các siêu tham số, xác thực chéo 5 lần đã được sử dụng. Khi việc nhập dữ liệu bị thiếu yêu cầu thống kê từ dữ liệu (EM và truyền dữ liệu trung bình), mô hình chỉ được tạo trên dữ liệu huấn luyện và sau đó được sử dụng để đưa ra các giá trị của dữ liệu thử nghiệm.

Bảng 1: % sai số trung bình tuyệt đối của phương pháp hồi quy Lasso 

khi sử dụng các phương pháp xử lý giá trị khuyết thiếu khác nhau và hiệu chỉnh tham số

3.1. Lựa chọn đặc trưng

Các đặc trưng được chia làm hai nhóm lớn, nhóm định tính và nhóm định lượng. Những biến định tính như: Hướng nhà, hướng ban công, có thang máy, có hai mặt tiền có thể sử dụng các giá trị nguyên để mã hóa. Với những đặc trưng định tính nhận nhiều giá trị, chúng tôi sử dụng kỹ thuật One-hot encoding sẽ tốt hơn cho việc xây dựng mô hình vì sẽ tránh được việc vô tình tạo ra các mối tương quan tuyến tính giữa các thuộc tính.  

Lựa chọn đặc trưng đã được thực hiện trong các thuật toán hồi quy tuyến tính hay hồi quy Lasso. Điều này cho phép những thuộc tính không ảnh hưởng tới mô hình được loại bỏ trong quá trình xây dựng mô hình.

Hình 3: Tỷ lệ % sai số trung bình của thuật toán hồi quy tuyến tính

3.2. Lựa chọn thuật toán

Dưới đây là mô tả ngắn gọn về các thuật toán được xem xét. Chúng được chọn từ một loạt các thuật toán vì trong quá trình thử nghiệm ban đầu, chúng có kết quả tốt nhất và cho thấy nhiều hứa hẹn.

Phần này sẽ mô tả những thuật toán được xem xét để xây dựng mô hình, những thuật toán này được lựa chọn vì tính hiệu quả của chúng đối với những bài toán dự báo trên tập dữ liệu có cấu trúc.

Hồi quy tuyến tính

Hồi quy tuyến tính là một phương pháp đơn giản và kinh điển, thuật toán sẽ xây dựng một đường/siêu phẳng trong không gian của các đặc trưng nhằm biểu diễn mối liên hệ giữa giá trị căn nhà và các đặc trưng liên quan dưới dạng một biểu thức tuyến tính: 

Trong đó: m là số lượng đặc trưng được đưa vào mô hình, f(x^j)  là giá nhà dự báo dành cho căn nhà có các đặc điểm tài chính được biểu diễn bằng vector có độ dài m tương ứng với m đặc trưng, β_i là trọng số của đặc trưng thứ i trong mô hình, biểu diễn đặc trưng thứ i của vector x_j.  Có nhiều hướng tiếp cận khác nhau để tìm giá trị của các trọng số β_i. Cách thức cài đặt trong thư viện Scikit-learn sử dụng phương pháp bình phương tối thiểu sao cho bộ trọng số β_i tìm được làm cho hàm số sau đạt giá trị tối thiểu.

Trong đó, y_j là giá trị của căn nhà thứ j trong bộ dữ liệu và 

là vector đặc trưng của căn nhà thứ j trong bộ dữ liệu, n là tổng số quan sát. 

Ngoài ra, sử dụng phương pháp suy giảm độ dốc (Gradient descent) cũng là một hướng tiếp cận để tìm ra các trọng số này. Hồi quy tuyến tính được chúng tôi quan tâm không chỉ vì nó là một phương pháp phổ biến mà còn bởi tính giải thích trực quan của mô hình. Dựa vào độ lớn của các trọng số, chúng ta có thể biết đặc trưng nào ảnh hưởng nhiều nhất đến giá của một ngôi nhà và liệu có mối tương quan thuận hay nghịch không. Đây cũng là mục tiêu của nghiên cứu này.

Hồi quy Lasso

Hồi quy Lasso về bản chất tương tự như hồi quy tuyến tính nhưng có một số cải tiến. Đó là đưa thêm một số ràng buộc vào mô hình nhằm ngăn chặn hiện tượng không mong muốn (Overfitting) của mô hình. Trong hồi quy Lasso, giá trị các trọng số bị giới hạn giá trị qua một biểu thức phạt. Điều này buộc các đặc trưng ít quan trọng hơn phải có trọng số nhỏ hơn hoặc thậm chí bằng 0 và ngầm loại bỏ các đặc trưng vô dụng trong quá trình này. Bởi ngay cả các nhà môi giới bất động sản cũng có rất nhiều ý kiến trái chiều về ảnh hưởng của các đặc trưng tới giá thành của bất động sản. Do đó, trong một miền ý kiến phức tạp như vậy, thuật toán này sẽ giúp chúng tôi loại bỏ các đặc trưng không liên quan. 

Trọng số của các đặc trưng sẽ là nghiệm của bài toán tối ưu sau:

K – hàng xóm gần nhất (KNN)

KNN có cách tiếp cận khác. Giả định cốt lõi của hướng tiếp cận này là các mẫu vector có đặc trưng giống nhau thì sẽ cho kết quả tương tự. Các vùng lân cận của một điểm dữ liệu sẽ được dùng làm căn cứ đánh giá chứ không phải các điểm ở xa. Trong một tác vụ hồi quy, khi các lân cận đã được định vị, giá trị trung bình của chúng (hoặc giá trị trung bình có trọng số) được lấy để gán cho điểm truy vấn. Với bài toán định giá bất động sản thì có thể nói thuật toán này cũng là một ứng cử viên tốt vì giá của các bất động sản tương đương.  

KNN có một sự phụ thuộc vào bộ dữ liệu. Có nghĩa là khi chúng ta xử lý dữ liệu khuyết thiếu, nếu vô tình tạo ra một sự thiên lệch nào đó thì sẽ khiến cho chất lượng mô hình bị kém đi vì những bất động sản có thể có đặc điểm khác nhau nhưng lại vô tình được kéo lại gần nhau. Để tính khoảng cách giữa các quan sát, chúng tôi sử dụng khoảng cách Euclid: 

Trong đó: a = (a₁, a₂, …,a_m) và b = (b₁,b₂, …, b_m) là 2 vector có độ dài m.

4. Kết quả thực nghiệm

4.1. Phương pháp hồi quy tuyến tính

Hình 3 so sánh hiệu quả của mô hình hồi quy tuyến tính thông qua ba bộ dữ liệu sau khi đã xử lý dữ liệu khuyết thiếu. Kết quả dự báo khi loại bỏ hết các dữ liệu khuyết thiếu đang là tốt nhất, với giá trị trung bình tỷ lệ sai số tuyệt đối là 21,6%.

4.2. Hồi quy Lasso

Với hồi quy Lasso, với các phương pháp xử lý giá trị khuyết thiếu chúng tôi cũng tối ưu giá trị tham số. Tuy nhiên, hiệu suất dường như chỉ bị ảnh hưởng nhẹ. Bảng 1 một lần nữa cho thấy rằng việc loại bỏ dữ liệu bị thiếu là hiệu quả nhất, phần trăm sai số tuyệt đối trung bình tốt nhất là 6%. Giá trị  bằng 100 đang cho kết quả tốt nhất.

4.3. KNN

Giá trị k=5 cho kết quả tối ưu như trong Hình 4. Một lần nữa kết quả cho thấy, việc xóa bỏ hết các quan sát chứa giá trị khuyết thiếu cho kết quả tốt hơn. (Hình 4)

Hình 4: % sai số trung bình của mô hình xây dựng bằng thuật toán KNN 

kết hợp với các cách xử lý dữ liệu khuyết thiếu

4.4. Các đặc trưng được lựa chọn

Phương pháp hồi quy tuyến tính và hồi quy Lasso đã xử lý các đặc trưng được thu thập trực tiếp từ trang web và các thông tin liên quan tới cơ sở hạ tầng qua Google API, khi phân tích mô hình, chúng tôi nhận thấy rằng, các thông số liên quan tới cơ sở hạ tầng có trọng số rất thấp trong mô hình. Tuy nhiên, trọng số của hai tham số lat, long lại có đối trọng rất lớn, có thể vì ý nghĩa giải thích của các tham số đó đã được hàm chứa trong các tham số tọa độ.

5. Kết luận

Nghiên cứu này của chúng tôi đã đề xuất phương pháp giúp các tổ chức tín dụng thu thập dữ liệu về giá của bất động sản trên thị trường theo thời gian thực, từ đó có một nguồn dữ liệu dồi dào  làm căn cứ khách quan để thẩm định giá trị của các bất động sản dựa trên thông tin của các bất động sản tương đồng. Từ đó, hạn chế được những sai lầm hay sự thiếu minh bạch trong quá trình thẩm định tài sản thế chấp, qua đó, các tổ chức tín dụng cũng gia tăng  năng suất và tỷ lệ cấp phát những khoản vay an toàn.

Hai phương pháp hồi quy tuyến tính và hồi quy Lasso được sử dụng trong nghiên cứu đã giúp chúng tôi tìm ra được mức độ quan trọng của các đặc trưng tới giá trị của một căn nhà. Các đặc trưng liên quan tới cơ sở hạ tầng không chứng minh được vai trò của nó đối với giá trị của một căn nhà. Những đặc trưng có giá trị khuyết thiếu nhiều không có ý nghĩa trong việc xây dựng mô hình. Các đặc trưng ảnh hưởng nhiều nhất tới mô hình dự báo giá trị của căn nhà bao gồm: Diện tích, mặt tiền, vị trí của căn nhà (tọa độ lat, long), số lượng tầng, độ rộng đường trước nhà. Mô hình được chúng tôi xây dựng có sai số trung bình thấp nhất khoảng 20% với phương pháp KNN, đây không phải là một kết quả được chúng tôi kỳ vọng nhưng nghiên cứu này cũng là một minh chứng cho tính khả thi của việc xây dựng hệ thống hỗ trợ thẩm định giá tự động dựa trên các kỹ thuật trí tuệ nhân tạo, hỗ trợ nhân viên thẩm định chọn lọc và đánh giá thông tin của bất động sản trong quá trình thẩm định.

Tài liệu tham khảo:

1. Olinsky, Alan, Shaw Chen, and Lisa Harlow. “The comparative efficacy of imputation methods for missing data in structural equation modeling”. European Journal of Operational Research 151.1 (2003): 53-79

2. Park, B., & Bae, J.K. (2015). Using machine learning algorithms for housing price prediction: The case ofFairfax County, Virginia housing data. Expert Systems with Applications,

42(6), 2928 – 2934. [3] Yu, C.Y., Lam, K.C. & Runeson, G. (2008). SVM and entropy based decision support system for property valuation. Proc., 11th Eleventh East Asia-Pacific Conf. on Structural Engine. & Construction.

ThS. Trần Thị Huế

ThS. Nguyễn Thanh Thụy

Khoa Hệ thống Thông tin Quản lý – Học viện Ngân hàng

Ứng dụng của tài chính định lượng

Ứng dụng của tài chính định lượng

(Nguồn: http://tapchicongthuong.vn/)

ThS. Lê Thị Ngọc Hạnh (Bộ môn Toán – Thống kê, Khoa Kinh tế – Luật, Trường Đại học Tài chính – Marketing)

• Cơ hội việc làm của sinh viên chuyên ngành tài chính định lượng

TÓM TẮT :

Tài chính định lượng là việc sử dụng những công cụ của khoa học tự nhiên vào ngành Tài chính, giúp đưa ra các quyết định tài chính dựa trên những con số cụ thể. Người làm trong lĩnh vực tài chính định lượng cần có kiến thức rộng, hiểu rõ cơ chế của thị trường và khả năng ứng dụng của các công cụ định lượng, đặc biệt là các kiến thức về xác suất, thống kê cơ bản và những kỹ thuật trong xử lý dữ liệu. Bài viết giới thiệu khái niệm về tài chính định lượng, đồng thời nêu rõ những ứng dụng của tài chính định lượng trong thị trường tài chính và chứng khoán cũng như ứng dụng của mô hình định lượng trong cuộc sống.

Từ khóa: tài chính, tài chính định lượng, mô hình định lượng ứng dụng.

1. Đặt vấn đề

Những năm gần đây, tài chính định lượng được xem như một chuyên ngành mới trong lý thuyết, cũng như thực tiễn ở Việt Nam. Về mặt lý thuyết,  nhiều trường đại học mở các chuyên ngành đào tạo tài chính định lượng, các cơ sở nghiên cứu cũng tham gia vào lĩnh vực này. Về mặt thực tiễn, nhiều ngân hàng, quỹ đầu tư, các công ty tài chính, bảo hiểm,… bắt đầu tuyển các nhân viên thành thạo về kỹ thuật tài chính định lượng.

Tài chính định lượng là một chuyên ngành mới trên thế giới, chỉ bắt đầu từ hơn 30 năm và thực sự phát triển từ 15 năm trở lại đây. Ban đầu, tài chính định lượng được nhắc đến như là ứng dụng của toán học trong việc định giá những sản phẩm phái sinh rất phức tạp, đó cũng là ứng dụng lớn nhất của tài chính định lượng. Tuy nhiên càng về sau, tài chính định càng có nhiều ứng dụng khác trong cuộc sống, sản xuất – kinh doanh, quản trị, quân sự, xây dựng, giao thông, công nghệ thông tin, marketing, trong khoa học và cả trong kinh tế. Những công cụ của  tài chính định lượng cũng rất đa dạng, từ những kiến thức cơ bản đến kiến thức nâng cao. Như vậy, tài chính định lượng là việc sử dụng những công cụ của khoa học Tự nhiên được ứng dụng trong ngành Tài chính giúp chúng ta đưa ra các quyết định tài chính dựa trên những con số cụ thể.

2. Nội dung

2.1. Giới thiệu về tài chính định lượng

Tài chính định lượng là sử dụng công cụ toán học nhằm mục đích dự báo, định giá giá trị sàn chứng khoán, quản trị hạng mục góp vốn đầu tư, mô hình hóa các sản phẩm, giao dịch trong thị trường tài chính,… đồng thời phân tích, triển khai và vận hành các mô hình này sao cho hoạt động đầu tư đạt lợi nhuận như mong muốn với rủi ro có thể kiểm soát được.

Chữ “định lượng” ở đây phân biệt ngành này với các ngành khác trong kinh tế, tài chính. Chuyên viên tài chính định lượng là những người sử dụng các công cụ toán học để giải quyết các bài toán đặt ra trong đầu tư tài chính. Các chuyên viên phân tích định lượng đang được nhiều công ty tuyển dụng “săn đón”, vì thị trường chứng khoán của Việt Nam đang phát triển theo hướng đa dạng hóa và phức tạp hơn. Các công ty chứng khoán và quỹ đầu tư đang tìm kiếm những chuyên viên phân tích với khả năng giải quyết các vấn đề phức tạp trong hoạt động tư vấn và đầu tư, nhằm tối ưu hóa việc ra quyết định và quản lý danh mục đầu tư. Để đảm nhiệm các vị trí này, các chuyên viên phân tích thường được yêu cầu phải thông thạo nhiều kỹ năng khác nhau, như: thống kê, phân tích cơ bản, phân tích kỹ thuật, lập trình mô phỏng và phân tích định lượng. Trong bối cảnh sinh viên ngành Tài chính, Quản trị kinh doanh ra trường hầu như không có kiến thức lập trình và thống kê, phải đào tạo lại để đáp ứng yêu cầu công việc, thì lĩnh vực phân tích định lượng đang có lợi thế rất lớn khi cung cấp nền tảng vững chắc về các nguyên tắc tài chính.

Việc áp dụng toán học và xác suất thống kê dựa trên các số liệu được lưu trữ, đo lường các biến số, các yếu tố ảnh hưởng đến một biến kết quả, một sự kiện đang được nghiên cứu cho chúng ta các mô hình định lượng. Từ đó giúp giải quyết các bài toán dự báo, tối ưu nguồn lực, quản trị rủi ro, các chiến lược tối ưu để tạo ra lợi ích và lợi nhuận bằng các con số cụ thể kèm theo một mức độ tin cậy xác suất nhất định.

Xu hướng trên thị trường lao động ở các nước có thị trường chứng khoán sôi động cho thấy, các công ty tài chính khi tuyển chuyên viên tài chính thường yêu cầu nhân sự phải có 3 khối kiến thức và kỹ năng, đó là: toán – thống kê, tài chính, và kỹ năng lập trình. Nghề này yêu cầu khá cao về độ phức tạp về mặt kỹ thuật và xử lý số liệu nên vị trí kỹ sư tài chính đòi hỏi cần phải có sự đào tạo bài bản. Đây là nền tảng quan trọng để tạo dựng nghề nghiệp vững chắc cho tương lai. Tại Việt Nam nói chung và TP. Hồ Chí Minh nói riêng, với các bạn trẻ yêu thích toán học và mong muốn nắm bắt những cơ hội nghề nghiệp hấp dẫn với vị trí chuyên viên phân tích định lượng hoặc kỹ sư tài chính thì ngành Tài chính định lượng là một sự lựa chọn đúng đắn.

2.2. Các ứng dụng của ngành Tài chính định lượng

2.2.1. Ứng dụng của Tài chính định lượng trong thị trường tài chính và chứng khoán

Thứ nhất, định giá sản phẩm phái sinh. Chứng khoán phái sinh là công cụ tài chính có giá trị phụ thuộc vào các tài sản cơ sở. Bản thân chứng khoán phái sinh không có giá trị nội tại. Tài sản cơ sở của chứng khoán phái sinh có thể được chia thành 2 dạng chính: Hàng hóa như thực phẩm, nông sản hoặc công cụ tài chính như lãi suất, cổ phiếu, trái phiếu. Sản phẩm chứng khoán phái sinh là sản phẩm giao dịch, dựa vào đó nhằm phòng ngừa rủi ro hoặc tìm kiếm thêm lợi nhuận dựa trên giá trị của tài sản cơ sở. Dựa vào loại sản phẩm chứng khoán phái sinh, các nhà đầu tư sẽ có các hoạt động giao dịch khác nhau để gia tăng hiệu quả đầu tư. Định giá là một công việc vô cùng quan trọng trong ngành Tài chính ngân hàng, đặc biệt trong lĩnh vực chứng khoán. Kết quả của định giá có liên quan trực tiếp tới chiến lược, mục tiêu, quyết định đầu tư. Do đó, định giá chính xác giá trị thực của các loại chứng khoán có vai trò quyết định kết quả của việc đầu tư. Nghiên cứu tài chính định lượng với những công cụ và mô hình mạnh mẽ đã được sử dụng để định giá chứng khoán, đặc biệt là chứng khoán phái sinh. Tài chính định lượng cũng có thể thiết kế các thuật toán, sử dụng các phương pháp số nhằm tạo ra các sản phẩm phái sinh phức tạp, đa dạng hóa sản phẩm phái sinh nhằm tìm kiếm lợi nhuận. Nền tảng cơ bản của định giá chứng khoán là các công cụ toán học như giải tích ngẫu nhiên, giải tích học kết hợp với toán tài chính để thiết kế các mô hình định giá cũng như tính toán rủi ro của sản phẩm.

Thứ hai, quản trị danh mục đầu tư. Quản lý danh mục đầu tư định lượng là lựa chọn các chứng khoán bao gồm danh mục đầu tư của mình dựa trên dữ liệu thống kê và phương pháp số học. Dữ liệu này sau đó được đưa vào các mô hình dựa trên dữ liệu quá khứ và xác suất thống kê để xác định lựa chọn đầu tư và thời gian mua bán tốt nhất. Các nhà phân tích danh mục đầu tư định lượng, hay còn được gọi là quants, cũng đánh giá mức độ rủi ro gắn liền với mỗi cơ hội đầu tư nhằm giảm thiểu rủi ro thua lỗ của danh mục. Ngoài ra, phân tích định lượng giúp loại trừ vấn đề tâm lý của con người trong việc lựa chọn danh mục đầu tư, nhất là khi thị trường xảy ra thay đổi bất ngờ. Lý thuyết được sử dụng để quản lý danh mục như kinh tế tài chính, kế toán, tài chính hành vi và đi kèm các mô hình, công cụ toán học là một đặc thù không thể thiếu của mảng định lượng. Yếu tố thường được sử dụng để định lượng như là giá, động lượng hay rủi ro. Các mô hình của quản trị danh mục đầu tư tập trung vào việc dự báo lợi nhuận, mô hình tối ưu đa yếu tố, mô hình phi tuyến, mô hình dựa trên yếu tố thời gian và điều khiển quay vòng danh mục hay định giá Monte Carlo giá trị doanh nghiệp.

Thứ ba, thống kê tài chính. Sử dụng các phương pháp định lượng như thống kê, kinh tế lượng, nghiên cứu các vấn đề chung hoặc các hành vi nổi bật trong thị trường tài chính, nền kinh tế. Mô phỏng cơ chế thị trường tài chính hay nền kinh tế bằng các mô hình phi tuyến tính.

Thứ tư, quản trị rủi ro định lượng. Việc xác định các mức độ thua lỗ tối đa của một danh mục hoặc một số cổ phiếu trong một khoảng thời gian là quản trị rủi ro danh mục đầu tư. Rủi ro tài chính là những rủi ro có liên quan đến sự giảm giá tài chính và rủi ro từ việc thực hiện các quyết định tài chính làm ảnh hưởng đến lợi nhuận của doanh nghiệp. Rủi ro cùng với lợi nhuận là hai biến số quan trọng nhất trong ngành Tài chính ngân hàng. Nếu như trước đây rủi ro được các nhà quản trị nhìn nhận ở vị thế bị động chính là một mối đe dọa và nhiệm vụ của họ là giảm thiểu đến mức tối đa tác động của nó, thì ngày nay, rủi ro vừa là một đe dọa vừa là một cơ hội để kinh doanh, rủi ro được nhìn nhận tích cực và chủ động hơn. Công cụ để hiểu và quản trị rủi ro tốt nhất là toán học và ứng dụng của tin học được các nhà quản trị tài chính sử dụng. Điều đó đã hình thành xu hướng phát triển của ngành Tài chính định lượng với 2 nhiệm vụ chính là phân tích định lượng và mô hình hóa rủi ro. Các mô hình và công cụ mạnh mẽ nhất như mô phỏng Monte Carlo, các mô hình dự báo, phân tích hồi quy và chuỗi thời gian, tối ưu hóa,…

Thứ năm, định giá các hợp đồng tương lai, chứng quyền. Các sản phẩm phái sinh dựa trên một tài sản cơ sở được sử dụng các mô hình toán học để xác định giá của một loại tài sản phái sinh, hợp đồng tương lai, chứng quyền, quyền chọn. Khác với các cổ phiếu trên thị trường chứng khoán, phương pháp định giá các loại tài sản này hoàn toàn phụ thuộc vào các mô hình định lượng, mô hình toán.

Thứ sáu, xác định giá đấu hợp lý. Việc thu thập thông tin trong các hoạt động đấu giá lịch sử để thực hiện dự báo giá đấu cho các kỳ đấu giá tiếp theo là một tiếp cận của mô hình định lượng. Sử dụng lý thuyết cân bằng Nash giải quyết bài toán tối ưu đấu giá với nhiều đối thủ là bình đẳng và người chơi hoàn toàn hiểu được các phương pháp tốt nhất mà các đối thủ còn lại chọn, xác định mức giá hợp lý tương ứng với một mức xác suất xác định.

2.2.2. Ứng dụng của mô hình định lượng trong đời sống

Thứ nhất, về lĩnh vực thiên văn học. Mô tả hình thành vũ trụ dựa trên sự thu thập số liệu nghiên cứu chuyển động của các ngôi sao, hành tinh, thiên hà và bức xạ nền của vũ trụ.

Thứ hai, về lĩnh vực khoa học Trái đất. Mô phỏng các hiện tượng tự nhiên thông qua số liệu đo đạc thực hiện dự báo cường độ, mức độ ảnh hưởng đến các sự kiện diễn ra trên bề mặt Trái đất; Tính toán các yếu tố chu kỳ động đất, sóng thần, núi lửa hoạt động,…

Thứ ba,về lĩnh vực y học. Dựa trên việc thu thập mẫu máu và kết quả xét nghiệm của tập dữ liệu hàng triệu bệnh nhân, từ đó dự báo khả năng ung thư sớm của bệnh nhân.

Thứ tư, về lĩnh vực nhân chủng học, khảo cổ. Thu thập cơ sở dữ liệu xác định niên đại của các mẫu vật, mô phỏng quá trình tiến hóa của các giống loài.

Thứ năm, về lĩnh vực công nghệ thông tin. Sử dụng các bài toán tối ưu để tối ưu hóa đường truyền, cải thiện tối ưu các thiết bị vi xử lý, tối ưu hóa việc sắp xếp lưu trữ dữ liệu.

Thứ sáu, về lĩnh vực công nghiệp. Thông qua việc lưu trữ cơ sở dữ liệu các yếu tố chi phí quá khứ, từ đó giải quyết bài toán tối ưu, giảm tối thiểu chi phí sản xuất.

Thứ bảy, về lĩnh vực giao thông. Từ các bài toán tối ưu hóa đường đi, giảm chi phí vận chuyển, đo lường mật độ giao thông sẽ đưa ra dự báo thời gian di chuyển trên một cung đường trong các thời điểm.

Thứ tám, về lĩnh vực marketing. Điều tra hành vi khách hàng, sử dụng các số liệu hành vi, từ đó dự báo nhu cầu mua sắm của khách hàng và khả năng chấp nhận các sản phẩm mới.

Thứ chín, về lĩnh vực du lịch. Chúng ta thường mất khá nhiều thời gian cho việc hành khách phải chờ đợi, xếp hàng và tìm chỗ ngồi trên mỗi chuyến bay. Việc sử dụng các bài toán mô phỏng ngẫu nhiên cho kết quả rút ngắn thời gian chờ đợi trước mỗi chuyến bay.

Thứ mười, về lĩnh vực hành chính. Việc số hóa thông tin các thành phố, tiến đến việc quản lý các thành phố thông minh, thực hiện tối ưu hóa các nguồn lực xã hội. Quản lý số liệu mật độ dân cư nhằm thực hiện dự báo các nguồn lực phúc lợi, an ninh trật tự và đầu tư phát triển mới.

3. Kết luận

Tài chính định lượng là một ngành mới mẻ ở các nền kinh tế mới nổi, mặc dù nó đã có lịch sử hơn 30 năm ở Mỹ. Ngành này cũng mới xuất hiện ở Việt Nam thời gian gần đây, do nhu cầu của thị trường đang đòi hỏi nguồn nhân lực có trình độ phân tích, dự báo, đánh giá và xây dựng các mô hình tài chính. Đây là một ngành đòi hỏi sự đam mê, kỹ năng tư duy về toán học tốt, cũng như nhiều kỹ năng khác thiên về tính kỹ thuật. Cử nhân ngành Tài chính định lượng có khả năng làm việc ở các cơ quan, viện nghiên cứu liên quan đến tài chính, như: ngân hàng, công ty chứng khoán, quỹ đầu tư tài chính, công ty bảo hiểm, các tổ chức hoạt động kinh doanh độc lập chuyên phân tích và quản lý rủi ro tài chính,…

TÀI LIỆU THAM KHẢO:

1. Giới thiệu ngành Tài chính định lượng. Truy cập tại: https://scue.vn/gioi-thieu-nganh-tai-chinh-dinh-luong/
2. vn (2014). Tài chính định lượng – Nghề phối hợp giữa toán học và tài chính. Báo Tuổi trẻ, https://tuoitre.vn/tai-chinh-dinh-luong—nghe-phoi-hop-giua-toan-hoc-va-tai-chinh-629659.htm

THE APPLICATIONS OF QUANTITATIVE FINANCE

Le Thi Ngoc Hanh

Department of Mathematics – Statistics, Faculty of Economics – Law

 University of Finance – Marketing

ABSTRACT:

Quantitative finance is the use of natural scientific tools to make financial decisions based on specific numbers. It is necessary for people working in the quantitative financial sector to have a broad knowledge, clearly understand the market mechanism and smoothly use quantitative tools, especially probability, basic statistics and data processing techniques. This paper presents the concept of quantitative finance, highlights the applications of quantitative finance in the financial market and stock market, and also the applications of quantitative models in life.

Keywords: finance, quantitative finance, quantitative model.

[Tạp chí Công Thương – Các kết quả nghiên cứu khoa học và ứng dụng công nghệ, Số 10, tháng 5 năm 2022]

Tối ưu quy hoạch nhà máy điện mặt trời bằng phương pháp phân tích thứ bậc

Tối ưu quy hoạch nhà máy điện mặt trời bằng phương pháp phân tích thứ bậc

(Nguồn: http://tapchicongthuong.vn/)

TS. NGUYỄN HUỲNH PHƯỚC (Giảng viên, Trường Đại học Nguyễn Tất Thành) – TS. TRẦN VĂN TẤN (Ban Quản lý các khu công nghiệp tỉnh Hậu Giang)

TÓM TẮT:

Năng lượng mặt trời là một dạng năng lượng tái tạo được lắp đặt nhiều nhất trong năm 2020 cả trên thế giới và tại Việt Nam. Tuy nhiên, để phát triển bền vững và an toàn cho lưới điện địa phương và khu vực, cần phải có quy hoạch cụ thể cho từng vị trí về quy mô công suất và diện tích. Bài báo này nghiên cứu tối ưu quy hoạch các nhà máy điện mặt trời tại tỉnh Hậu Giang bằng phương pháp phân tích thứ bậc (Analytic Hierarchy Process-AHP). Kết quả chỉ ra rằng, khi phân tích 6 tiêu chí để so sánh lựa chọn địa điểm quy hoạch và tối ưu quy hoạch, tiêu chí khoảng cách đường giao thông và khoảng cách đường điện quan trọng nhất. Từ đó, lựa chọn được thứ tự ưu tiên đầu tư là dự án Nhà máy Điện mặt trời Hỏa Lựu, kế đến là dự án Hồ nước Ngọt và sau cùng là dự án Long Phú.

Từ khóa: tối ưu quy hoạch, điện mặt trời tại tỉnh Hậu Giang, thuật toán AHP.

1. Đặt vấn đề

Năng lượng tái tạo là nguồn năng lượng thân thiện môi trường và là nguồn năng lượng cho sự phát triển bền vững. Năm 2020, với tổng công suất lắp đặt trên toàn cầu là 256 GW đã nâng tổng công suất lũy kế lên 2,839 GW. Trong đó, nguồn năng lượng mặt trời được quan tâm nhiều nhất với 139 GW đầu tư mới, chiếm 53% tổng công suất của các nguồn năng lượng tái tạo đầu tư mới năm 2020. Việt Nam vươn lên vị trí thứ ba trên thế giới, với công suất lắp đặt mới 11.1 GW từ vị trí thứ 5, với 4,8 GW năm 2019. Điều đó cho thấy, Chính phủ Việt Nam đã tạo điều kiện thuận lợi cho năng lượng tái tạo phát triển nói chung và năng lượng mặt trời nói riêng [1].

Việt Nam là quốc gia có tiềm năng phát triển nguồn năng lượng mặt trời với công suất phát điện mặt trời từ 2.5 kWh/kWp đến 4.6 kWh/kWp, khu vực có tiềm năng lớn nhất là khu vực Nam Trung bộ, khu vực Tây nguyên và vùng đồng bằng sông Cửu Long [2] với tiềm năng kỹ thuật lên đến 1,568 GW [3]. Hậu Giang là tỉnh có tiềm năng lớn để phát triển nguồn năng lượng mặt trời với 4.6 – 4.8 kWh/m²/day tương ứng với tiềm năng kỹ thuật là  5.1 GW [2].

Trong những năm gần đây, có rất nhiều nghiên cứu về tiềm năng năng lượng mặt trời. Nghiên cứu [4] cho rằng, việc giảm phát thải khí carbon toàn cầu vốn đang là vấn đề lớn về môi trường, xã hội và kinh tế toàn cầu trong những năm gần đây. Ví dụ, có 696,544 tấn khí thải CO₂ đã được giảm thông qua việc lắp đặt 113,533 điện mặt trời áp mái ở California, Hoa Kỳ [5]. Do đó, việc sử dụng năng lượng mặt trời sẽ giảm thiểu đáng kể và giảm bớt các vấn đề liên quan đến an ninh năng lượng, biến đổi khí hậu, thất nghiệp,… Các nhà nghiên cứu cũng dự đoán, việc sử dụng năng lượng mặt trời sẽ đóng một vai trò quan trọng trong lĩnh vực giao thông vận tải trong tương lai, vì nó không sử dụng nhiên liệu cho quá trình vận hành.

Tại Việt Nam cũng có nhiều nghiên cứu về nguồn năng lượng này. Năm 2010, Phạm Khánh Toàn và cộng sự đã cung cấp thông tin cơ bản về hiện trạng và xu hướng sử dụng năng lượng tại Việt Nam, cũng như dự báo về nhu cầu năng lượng và cung cấp năng lượng trong những thập kỷ tới [6]. Năm 2011, một nghiên cứu khác [7] đã nêu ra vấn đề về an ninh của cung cấp năng lượng và hậu quả kinh tế, môi trường, xã hội và chính trị trong ngành Năng lượng Việt Nam. Năm 2015, bài tổng luận về “Tiềm năng phát triển năng lượng tái tạo ở Việt Nam” đã biên tập để trình bày các tiềm năng cũng như những thuận lợi và khó khăn trong sự phát triển năng lượng tái tạo ở Việt Nam [8]. Năm 2018, bài thuyết trình [9] đã trình bày các phương pháp luận cho việc đánh giá năng lượng PV.

Nghiên cứu này phân tích quy hoạch các nhà máy điện mặt trời tỉnh Hậu Giang đến năm 2030 và sử thuật toán AHP để tối ưu quy hoạch các nhà máy điện mặt trời. Mục tiêu của nghiên cứu là quy hoạch các nhà máy điện mặt trời tại các vị trí cụ thể (về công suất, diện tích và vị trí) dựa vào tiềm năng lý thuyết, tiềm năng kỹ thuật và lựa chọn thứ tự ưu tiên đầu tư các nhà máy điện mặt trời.

2. Đối tượng và phương pháp nghiên cứu

2.1. Đối tượng nghiên cứu

Đối tượng nghiên cứu là nguồn điện mặt trời trên địa bàn tỉnh Hậu Giang, hệ thống điện tỉnh Hậu Giang, quy hoạch sử dụng đất, quy hoạch giao thông, quy hoạch các khu đô thị và các khu công nghiệp, tình hình xâm nhập mặn, tình hình nước biển dâng trên địa bàn tỉnh.

2.2. Phương pháp nghiên cứu

2.2.1. Các bước thực hiện

Trong quá trình nghiên cứu có kế thừa kết quả của các nghiên cứu liên quan trước đó và có vận dụng theo, phù hợp với hoàn cảnh đặc thù của tỉnh. Nghiên cứu thực hiện các bước sau:

Bước 1: Thu thập tài liệu, số liệu.

Thu thập tài liệu, số liệu liên quan đến phát triển kinh tế – xã hội, quy hoạch sử dụng đất, quy hoạch phát triển các khu công nghiệp, quy hoạch giao thông và các quy hoạch có liên quan. Thu thập về tình hình xâm nhập mặn, nước biển dâng trên địa bàn tỉnh.

Bước 2: Quy hoạch điện mặt trời tỉnh.

Từ Bản đồ hiện trạng sử dụng đất, quy hoạch khu kinh tế, khu công nghiệp, cụm công nghiệp, bản đồ xâm nhập mặn, bản đồ nước biển dâng,… kết hợp bản đồ tiềm năng điện mặt trời lý thuyết xây dựng bản đồ tiềm năng điện mặt trời kỹ thuật.

Khảo sát thực địa, thu thập các dữ liệu quy hoạch liên quan để xác định vùng loại trừ. Chồng xếp bản đồ vùng loại trừ với bản đồ tiềm năng điện mặt trời kỹ thuật để tạo bản đồ tiềm năng điện mặt trời kỹ thuật và xác định vị trí quy hoạch việc lập quy hoạch.

Bước 3: Tối ưu quy hoạch nhà máy điện mặt trời bằng thuật toán AHP.

Căn cứ vào quy hoạch các nhà máy điện mặt trời ở bước 2, nghiên cứu sử dụng thuật toán AHP để phân tích tối ưu quy hoạch các nhà máy theo các tiêu chí đặc trưng của tỉnh.

2.2.2. Sơ lược về phương pháp phân tích thứ bậc

Phương pháp AHP dựa trên việc áp dụng so sánh theo từng cặp để định hướng các trọng số cho các phương án. Thông thường, để thể hiện tầm quan trọng của các yếu tố, 9 điểm với các giá trị từ 1 đến 9 được sử dụng như trong Bảng 1.

Bảng 1. Thang đo trọng số AHP [10]

Trong đó, a_ij là mức độ đánh giá giữa chỉ tiêu thứ i so với thứ j.

A_ij > 0, a_ij = 1/a_ij, a_ii = 1

Ví dụ: A1 quan trọng hơn A2 được thể hiện bằng a₁₂ > 1 (ví dụ a₁₂ = 3 ) và quan hệ của A2 với A1 là nghịch đảo của nó (a₁₂ = 1/3). Trọng số càng cao, mức độ quan trọng của tiêu chí tương ứng càng cao. Ngoài ra, có thể đưa ra quyết định bằng phân tích độ nhạy và kết quả tổng hợp. Để hình dung khu vực phù hợp, phương pháp AHP chủ yếu được sử dụng kết hợp với GIS. Trọng số của tiêu chí và lựa chọn thay thế có thể được định nghĩa là ma trận A.

        (1)

Để đánh giá việc đo lường sự nhất quán của các đánh giá chuyên gia, so sánh theo cặp được xác minh bằng tỉ số nhất quán (CR) được tính bằng phương trình:

Tỉ số nhất quán:       (2)

Trong đó: CR là tỉ số nhất quán; CI là chỉ số nhất quán; RI là chỉ số ngẫu nhiên.

Trường hợp giá trị CR thể hiện tính đúng của quy trình phải dưới 10%. Mặt khác, nếu giá trị lớn hơn 10%, cần phải sửa đổi trong quá trình tính trọng số RI đề cập đến chỉ số ngẫu nhiên.

Giá trị RI cho biết độ lệch trung bình từ các ma trận được tạo ngẫu nhiên có kích thước khác nhau như đã thể hiện trong Bảng 2.

Bảng 2. Chỉ số nhất quán ngẫu nhiên [10]

CI được tính như phương trình 3:

Trong đó: lmax là giá trị riêng của ma trận so sánh, n là số nhân tố, Wi là trọng số của ma trận tiêu chí.

3. Kết quả và diễn giải phân tích kết quả

3.1. Quy hoạch Nhà máy Điện mặt trời tỉnh Hậu Giang

Trên cơ sở phân tích điều kiện và thực trạng dự án, các chuyên gia đã đưa ra các tiêu chí lựa chọn phương án. Có rất nhiều tiêu chí có thể được đề xuất, tùy thuộc vào điều kiện thực tế của dự án và các điều kiện đặc thù của tỉnh Hậu Giang, nghiên cứu này chọn 6 tiêu chí để xác định vị trí quy hoạch các nhà máy điện mặt trời cụ thể như sau:

– Tiêu chí 1 (C1): Cường độ bức xạ mặt trời (GHI).

– Tiêu chí 2 (C2): Nước biển dâng.

– Tiêu chí 3 (C3): Xâm nhập mặn trên địa bàn tỉnh.

– Tiêu chí 4 (C4): Sử dụng đất.

– Tiêu chí 5 (C5): Khoảng cách đấu nối tới đường điện gần nhất (km).

– Tiêu chí 6 (C6): Khoảng cách tới đường giao thông gần nhất (km).

Dựa theo ý kiến phân tích của chuyên gia và kết quả có được từ khảo sát nghiên cứu lập ma trận trọng số của các tiêu chí được thể hiện trong Bảng 3.

Bảng 3. So sánh cặp các tiêu chí

Ta tiến hành tính toán các dữ liệu của bài toán theo phương pháp AHP. Trọng số cho các tiêu chí được thể hiện trong Bảng 4.

Bảng 4. Trọng số các tiêu chí khi so sánh cặp

Với số tiêu chí là 6 thì RI = 1,24, ta xác định được giá trị riêng của ma trận so sánh và tỉ số nhất quán CR, cụ thể như sau: λ_max = 6,153; CI = 0,031 và giá trị tỉ số nhất quán CR = 0,025 = 2,3% < 10%, đạt yêu cầu.

Từ trọng số của các tiêu chí nghiên cứu đã khảo sát, kết hợp với tiêu chí loại trừ xác định được 3 vị trí quy hoạch nhà máy điện mặt trời tỉnh Hậu Giang là: Nhà máy Điện mặt trời Hồ Nước Ngọt; Nhà máy Điện mặt trời Long Phú và Nhà máy Điện mặt trời Hỏa Lựu với quy mô diện tích là 50 ha được thể hiện trong Hình 1.

Hình 1: Bảng đồ quy hoạch các Nhà máy điện mặt trời tỉnh Hậu Giang

3.2. Tối ưu quy hoạch Nhà máy điện mặt trời tỉnh Hậu Giang

Để xác định được thứ tự ưu tiên đầu tư các dự án, chúng ta sử dụng thuật toán AHP để phân tích cho từng vị trí cụ thể.

Theo tiêu chí so sánh thì mỗi vị trí được gọi là phương án cụ thể: dự án Nhà máy Điện Hồ nước ngọt là phương án 1; dự án Nhà máy Điện Long Phú là phương án 2 và dự án Nhà máy điện Hỏa Lựu là phương án 3. Do mỗi phương án có 6 tiêu chí nên cần tính toán 6 ma trận để đánh giá trọng số của từng tiêu chí cho từng phương án.

Số liệu tính toán thu được từ so sánh các phương án (PA) theo cặp ma trận tính toán cho tiêu chí C1 như Bảng 5. Theo đó, PA1 có bức xạ là tốt nhất, kế đến là phương án PA2 và PA3 có cường độ bức xạ bằng nhau.

Bảng 5. Trọng số tiêu chí C1

Kết quả trọng số phương án CR = 0,5% < 5% đạt yêu cầu. Tính toán tương tự cho 5 tiêu chí còn lại, kết quả thể hiện trong các Bảng từ 6 đến 10.

Bảng 6. Trọng số tiêu chí C2

Bảng 7. Trọng số tiêu chí C3

Bảng 8. Trọng số tiêu chí C4 

Bảng 9. Trọng số tiêu chí C5

Bảng 10. Trọng số tiêu chí C6

Để lựa chọn phương án tối ưu ta nhân ma trận P(3×6) với ma trận các tiêu chí C(6×1) Kết quả ta có được ma trận trọng số của 3 phương án.

Bảng 11. Ma trận trọng số các phương án

Bảng 12. Ma trận trọng số từng tiêu chí

Bảng 13. Ma trận trọng số của các PA

Ma trận kết quả sẽ cho biết phương án tốt nhất nên chọn, là phương án có giá trị kết quả cao nhất. Như vậy, dự án Nhà máy Điện Hỏa Lựu là phương án lựa chọn tốt nhất cho đầu tư ưu tiên kế đến là dự án Hồ Nước ngọt và cuối cùng là dự án Long Phú.

4. Kết luận

Trước tình hình phát triển bùng nổ về điện mặt trời hiện nay, việc quy hoạch các nhà máy điện mặt trời là cần thiết và cấp bách. Bài báo tối ưu quy hoạch Nhà máy Điện mặt trời tại tỉnh Hậu Giang bằng phương pháp phân tích thứ bậc xác đinh được tiêu chí khoảng cách tới đường giao thông có trọng số 40% là quan trọng nhất, kế đến là tiêu chí khoảng cách tới đường điện với trọng số 26%. Xác định được thứ tự ưu tiên đầu tư dự án Hỏa Lựu với trọng số 37%, dự án Hồ Nước ngọt trọng số 34% và dự án Long Phú 29%. Tuy nhiên, để đầu tư hiệu quả và mang lại khả thi, cần nghiên cứu thêm về khả năng tiếp nhận công suất của các dự án vào hệ thống điện tỉnh và hệ thống điện Quốc gia.

Yếu tố vĩ mô có tác động biến động dài hạn của thị trường chứng khoán Việt Nam

Yếu tố vĩ mô có tác động biến động dài hạn của thị trường chứng khoán Việt Nam

(Nguồn: https://novicards.com/)

Tổng quan nghiên cứu các yếu tố vĩ mô tác động đến thị trường chứng khoán

Độ biến động (volatility) là một đại lượng phản ánh độ rủi ro của tài sản tài chính và danh mục đầu tư. Trong phần lớn các tình huống, độ biến động càng cao thể hiện rủi ro của tài sản càng lớn. Độ rủi ro của một tài sản hoặc danh mục có vai trò quan trọng trong việc ra quyết định đầu tư và hoạt động quản trị rủi ro. Trên thị trường chứng khoán, độ biến động của chỉ số thị trường còn thể hiện sự ổn định của thị trường.

Nhiều nghiên cứu đã đề xuất mô hình để ước lượng và dự báo độ biến động, đo bởi phương sai hoặc độ lệch chuẩn.

Đầu tiên phải kể đến nghiên cứu của Engle (1982), người đặt nền móng cơ sở lý thuyết đo lường phương sai có điều kiện thay đổi – mô hình ARCH (Autoregressive Conditional Heteroskedastic) với phương sai không điều kiện là hàm của các sai số trễ trong quá khứ. Sau đó, Bollerslev (1986) đã mở rộng mô hình ARCH tổng quát, gọi là mô hình GARCH. Phân tích thực nghiệm cho thấy GARCH đã trở thành mô hình quan trọng và hữu ích trong ước lượng và dự báo độ biến động (Engle, 2001). Tuy nhiên mô hình GARCH và các biến thể của nó thường yêu cầu các biến trong mô hình là có cùng tần suất, do đó việc sử dụng GARCH trong phân tích và dự báo độ biến động có những hạn chế nhất định.

Mặt khác, độ biến động của thị trường chứng khoán còn phụ thuộc vào yếu tố cơ bản của nền kinh tế được khẳng định bởi một số học giả, trong đó yếu tố kinh tế vĩ mô bên ngoài có vai trò quan trọng, ảnh hưởng tới lợi nhuận và sự ổn định của thị trường trong ngắn hạn và dài hạn. Chang & Rajput (2018) đã nghiên cứu về mối quan hệ của các biến vĩ mô tới thay đổi giá chỉ số chứng khoán và tác động của khủng hoảng tới thị trường Pakistan như lạm phát, chỉ số sản xuất công nghiệp, lãi suất và tỷ giá thực. Phân tích dựa trên dữ liệu giai đoạn 2004-2016 cho thấy có mối quan hệ giữa các biến số kinh tế vĩ mô và mức thay đổi của chỉ số thị trường trong ngắn hạn và dài hạn. Đồng thời, ước lượng giai đoạn trước và sau khủng hoảng cho thấy ảnh hưởng dài hạn bởi các cú sốc tiêu cực của các biến số kinh tế.

Diebold & Yilmaz (2008) cho rằng các biến động cơ bản trong nền kinh tế, ở cấp độ vi mô, liên quan đến các đặc điểm của vốn chủ sở hữu, như thu nhập thực tế hoặc cổ tức từ cổ phiếu; và ở cấp độ vĩ mô, các biến động cơ bản tương ứng với sự biến động của thu nhập của nền kinh tế, như GDP thực tế hoặc tiêu dùng trong nền kinh tế. Hai tác giả thực hiện nghiên cứu số liệu trên 40 quốc gia khác nhau; được phân thành ba nhóm: các nước công nghiệp phát triển (industrial countries), các nước đang phát triển (developing countries) và các nước có nền kinh tế đang chuyển đổi (transition economies). Kết quả phản ánh sự tương quan dương giữa độ biến động của cổ phiếu và biến động của thu nhập GDP thực tế, và mối tương quan dương này càng tăng mạnh hơn đối với các nước đang phát triển có thu nhập thấp, như Ấn độ, Philippines.

Mối quan hệ của các yếu tố vĩ mô tới độ biến động của lợi suất cổ phiếu cũng được chỉ ra trong nghiên cứu của Omorokunwa & Ikponmwosa (2014) tại Nigeria hay Khalid & Khan (2017) tại thị trường Pakistan về mối tác động tiêu cực của lãi suất tới biến động của lợi suất cổ phiếu trong ngắn hạn và dài hạn. Điều này chỉ ra các chính sách vĩ mô tại thị trường đang phát triển đóng vai trò đặc biệt quan trọng cho sự ổn định dài hạn của thị trường chứng khoán.

Do các biến vĩ mô thường có tần suất thấp, rất khác biệt với tần số cao của dữ liệu chứng khoán, nên việc lựa chọn mô hình vào nghiên cứu tác động của các biến này tới độ biến động của thị trường chứng khoán rất quan trọng và được quan tâm bởi các nhà nghiên cứu. Mô hình GARCH-MIDAS (Generalized Autoregressive Conditional Heteroskedasticity Mixed – Data Sampling) được đề xuất bởi Engle & cộng sự (2013) dựa trên ý tưởng của Ghysels & cộng sự (2007) đã giúp giải quyết được bài toán dữ liệu đa tần suất và khắc phục được hạn chế của lớp mô hình GARCH cơ bản.

Mô hình GARCH-MIDAS được đánh giá là có khả năng dự báo vượt trội cho độ biến động của cổ phiếu (Asgharian & cộng sự, 2013; Girardin & Joyeux, 2013). Ưu điểm đáng chú ý của GARCH-MIDAS so với mô hình GARCH truyền thống là phân tách phương sai có điều kiện thành biến động ngắn hạn (short–term volatility) với tần số cao, được ghi lại bởi mô hình GARCH, và biến động dài hạn (long–term volatility) với tần số thấp, ước lượng bởi hồi quy MIDAS. Do ưu điểm này, mô hình GARCH-MIDAS được sử dụng rộng rãi trong các nghiên cứu thực nghiệm.

Chẳng hạn, nghiên cứu ứng dụng GARCH-MIDAS của Engle & cộng sự (2013) về tác động của yếu tố vĩ mô tới độ biến động và tầm quan trọng tới mô hình dự báo độ biến động trên thị trường Mỹ. Với dữ liệu giao dịch cổ phiếu theo ngày giai đoạn từ năm 1890 đến 2004, nghiên cứu cho thấy lạm phát và tăng trưởng sản xuất công nghiệp đóng vai trò quan trọng trong phân tích và dự báo độ biến động dài hạn. Kết quả này cũng tương đồng với kiểm chứng của Stock & Watson (2002) trên thị trường Mỹ về sự giảm đi của độ biến động chứng khoán khi có sự tăng trưởng của việc làm, tiêu dùng, GDP và lạm phát trong nước, nhưng ngược lại với nghiên cứu của Schwert (1989) về vai trò của sản xuất công nghiệp tại thị trường Mỹ trong giai đoạn trước đó. Mặt khác, Asgharian & cộng sự (2015) cũng cho thấy mối quan hệ tác động biến số vĩ mô tới độ biến động tài sản. Các nghiên cứu điển hình khác của mô hình GARCH-MIDAS cũng được thực hiện tại các thị trường Mỹ như Conrad & Kleen (2020); Fang & cộng sự (2018); Fang & cộng sự (2020).

Các yếu tố vĩ mô cũng được tìm thấy có tác động đáng kể đến độ biến động dài hạn của thị trường chứng khoán tại các quốc gia đang phát triển. Chẳng hạn nghiên cứu của Girardin & Joyeux (2013) đã đánh giá mối quan hệ của chỉ số giá tiêu dùng, tốc độ tăng trưởng sản xuất công nghiệp, tăng trưởng tín dụng, lợi suất đồng CNY/USD tới độ biến động dài hạn tại Trung Quốc. Nghiên cứu cho thấy vai trò quan trọng của các biến vĩ mô ảnh hưởng tới độ biến động dài hạn. Đặc biệt, chỉ số sản xuất công nghiệp thể hiện tăng trưởng sản xuất thực tế lại không có tác động tới độ biến động dài hạn tại thị trường này, ngược lại với kết quả của Engle & cộng sự (2013) trên thị trường Mỹ. Tương tự, nghiên cứu ứng dụng của mô hình GARCH-MIDAS cũng được thực hiện bởi Zhou & cộng sự (2020) tại thị trường Trung Quốc và khẳng định hiệu quả dự báo tốt hơn của mô hình GARCH-MIDAS so với các mô hình GARCH truyền thống.

Các nghiên cứu trên đã chỉ ra rằng các biến số vĩ mô có vai trò quan trọng trong giải thích sự thay đổi độ biến động của thị trường chứng khoán và mức tác động có thể khác nhau, tùy thuộc vào các giai đoạn và điều kiện phát triển của thị trường. Việt Nam đang phát triển nhanh và hội nhập sâu rộng với kinh tế thế giới nên chính sách kinh tế vĩ mô có thể có những tác động đáng kể đến biến động thị trường chứng khoán. Hiện tại, Việt Nam đang phát triển mạnh với hai sở giao dịch, gồm sở giao dịch chứng khoán Thành Phố Hồ Chí Minh – HOSE (thành lập vào năm 2000) và sở giao dịch chứng khoán Hà Nội – HNX (thành lập vào năm 2005).

Tuy nhiên, hai sàn giao dịch này được quy định với biên độ biến động giá khác nhau, tương ứng 7% và 10% cho hai sàn HOSE và HNX, do đó, có thể tạo ra rủi ro khác nhau và ảnh hưởng bởi các chính sách vĩ mô cũng có thể khác nhau. Tuy nhiên, ở Việt Nam lại hầu như chưa có nghiên cứu định lượng nào về vai trò của các biến vĩ mô tới thị trường chứng khoán. Thêm vào đó, các nghiên cứu hầu như chỉ sử dụng các mô hình để phân tích độ biến động chung, trong đó các biến số là cùng tần suất (Hoàng Đức Mạnh, 2014; Hồ Thủy Tiên & cộng sự, 2017; Trần Thị Tuấn Anh, 2020), do đó không phân tách được độ biến động ngắn hạn và dài hạn.

Bài viết này tập trung vào phân tách độ biến động ngắn hạn và dài hạn của chỉ số thị trường chứng khoán. Việt Nam là thị trường đang phát triển, do đó chính sách vĩ mô đóng vai trò quan trọng cho sự ổn định dài hạn và đáng được quan tâm của các thành phần tham gia vào thị trường chứng khoán. Mục tiêu bài viết này sẽ tập trung vào phân tích những tác động của biến động kinh tế vĩ mô tới độ biến động dài hạn thị trường chứng khoán.

Nghiên cứu sử dụng mô hình GARCH – MIDAS đa tần suất, kiểm chứng những vấn đề sau:

(i) Vai trò của các yếu tố vĩ mô lên độ biến động trên thị trường chứng khoán Việt Nam dài hạn;
(ii) Nghiên cứu sự khác biệt của tác động này trong hai giai đoạn khác nhau của thị trường: giai đoạn bình thường và giai đoạn Việt Nam chịu ảnh hưởng của khủng hoảng tài chính thế giới;
(iii) Sự khác biệt của tác động giữa hai thị trường chứng khoán Việt Nam, là thị trường HOSE và HNX.

Mục đích của bài viết là sử dụng nghiên cứu định lượng kiểm chứng mối quan hệ này. Nghiên cứu này khác biệt với các nghiên cứu sẵn có khác ở một số điểm: (1) nghiên cứu quan tâm đến vai trò của biến vĩ mô trong mối quan hệ so sánh giữa hai thị trường chứng khoán tại Việt Nam, là hai thị trường có một số đặc trưng khá khác biệt với nhau; (2) nghiên cứu quan tâm đến việc so sánh vai trò của biến vĩ mô trước, trong và sau giai đoạn khủng hoảng cho mỗi thị trường, sẽ cho phép tìm hiểu kỹ hơn vai trò của biến vĩ mô trong từng bối cảnh của nền kinh tế; và (3) sử dụng tiếp cận vấn đề bằng mô hình GARCH-MIDAS, là một cách tiếp cận còn ít có ở Việt Nam.

Do đó các tác giả hy vọng nghiên cứu sẽ góp phần ý nghĩa trong bài toán phân tích rủi ro cho các nhà đầu tư và chính sách điều tiết của các nhà quản lý tại thị trường chứng khoán Việt Nam.

Kết quả nghiên cứu

Nghiên cứu này quan tâm thành phần độ biến động dài hạn, thể hiện tính ổn định lâu dài của thị trường chứng khoán, là yếu tố bị ảnh hưởng tới các chính sách quản lý thị trường tiền tệ và chính sách điều tiết vĩ mô. Kết quả thực nghiệm mô hình GARCH-MIDAS với biến vĩ mô cho thấy các biến vĩ mô có tác động đáng kể đến độ biến động dài hạn của thị trường chứng khoán Việt Nam. Khi thị trường hoạt động bình thường, sự tăng lên của lãi suất làm tăng biến động dài hạn trong khi tăng trưởng sản xuất công nghiệp có tác động tích cực giúp ổn định thị trường chứng khoán trong dài hạn. Quy luật này phù hợp với nghiên cứu của Omorokunwa & Ikponmwosa (2014), Engle & cộng sự (2013), Stock & Watson (2002) Conrad & Kleen (2020), Fang & cộng sự (2020) nhưng ngược lại với nghiên cứu của Girardin & Joyeux (2013). Kết quả thực nghiệm thể hiện vai trò ổn định thị trường chứng khoán bởi chính sách ổn định lãi suất của ngân hàng nhà nước cũng như các chính sách khuyến khích tăng trưởng trong nền kinh tế Việt Nam. Kết quả này cũng chỉ ra các nhà đầu tư cần tính đến sự thay đổi của các chính sách vĩ mô trong dự báo biến động rủi ro của chứng khoán trong dài hạn tại thị trường Việt Nam.

Đặc biệt, kết quả cho thấy vai trò của các biến vĩ mô trong thời kỳ khủng hoảng kinh tế thế giới, ảnh hưởng thấp hơn rất nhiều so với thời kỳ khác. Ước lượng trong thời kỳ khủng hoảng cho thấy vai trò của các biến vĩ mô là không có ý nghĩa thống kê, chỉ ra việc áp dụng các chính sách vĩ mô sẽ không tác động đáng kể tới thị trường chứng khoán trong giai đoạn có khủng hoảng. Kết quả này chỉ ra trong trường hợp theo đuổi mục tiêu ổn định thị trường, các nhà hoạch định quản lý nên đưa ra các dự báo cho thị trường chứng khoán cũng như các chỉ báo kinh tế vĩ mô trong dài hạn. Mặt khác, thống kê độ biến động của cả hai thị trường trong giai đoạn khủng khoảng đều rất lớn, và do đó các nhà đầu tư cần cẩn trọng trong điều kiện thị trường bất ổn và phần bù rủi ro thị trường yêu cầu phải lớn hơn khi định giá chứng khoán. Đối với các doanh nghiệp niêm yết, để khuyến khích đầu tư và ổn định cổ phiếu, họ cần đưa các chính sách phát triển kinh doanh, công bố báo cáo tài chính ổn định và chính sách cổ tức để thu hút các nhà đầu tư. Đồng thời, các nhà quản lý thị trường chứng khoán nên đưa ra các chính sách cắt giảm các loại phí và giá dịch vụ trong giao dịch chứng khoán để hỗ trợ các nhà đầu tư giảm chi phí và bù đắp rủi ro do biến động thị trường.

Nghiên cứu cũng cho thấy vai trò của các biến vĩ mô đối với VN-Index và HNX-Index cũng khá khác nhau, trong đó lãi suất có ảnh hưởng mạnh hơn trong khi tăng trưởng có tác động dài hơn tới độ biến động của hai chỉ số thị trường. Kết quả thực nghiệm phản ánh lãi suất tăng mạnh trong tháng sẽ tác động nhanh chóng tới độ biến động dài hạn chỉ số thị trường trong tháng tiếp theo nhưng ảnh hưởng này cũng nhanh chóng giảm đi trong các tháng kế tiếp. Điều này có thể được giải thích bởi lãi suất liên ngân hàng có ảnh hưởng trực tiếp tới chi phí vốn và quyết định lãi suất chiết khấu trong đầu tư, và do đó thông tin về lãi suất sẽ có tác động nhanh tới thị trường chứng khoán. Mặt khác, công bố tăng trưởng ổn định và kế hoạch khuyến khích tăng trưởng của các doanh nghiệp sở hữu có thể tác động lâu dài tới quyết định đầu tư, tạo ra hiệu ứng tác động tới độ biến động dài hạn. Kết quả này cho thấy ngân hàng nhà nước nên thận trọng trong việc ban hành các quyết định thay đổi lãi suất do có thể sẽ gây tác động mạnh tới biến động trên thị trường chứng khoán.

Kết quả cũng cho thấy tác động của biến vĩ mô tới độ biến động của sàn HNX lớn hơn so với sàn HOSE. Kết quả này xảy ra do các doanh nghiệp niêm yết có vốn hóa nhỏ hơn trên sàn HNX, và do đó nhạy cảm hơn với chính sách lãi suất và tăng trưởng so với các doanh nghiệp trên sàn HOSE. Từ đó, Ngân hàng Nhà nước và các nhà hoạch định chính sách cần thận trọng về sự tác động khác nhau giữa hai sàn giao dịch chứng khoán khi ban hành các chính sách vĩ mô tại thị trường Việt Nam.

Giải Nobel kinh tế 2021: Thí nghiệm tự nhiên giúp trả lời những câu hỏi quan trọng của xã hội – David Card, Joshua Angrist & Guido Imbens

Nobel kinh tế 2021: Thí nghiệm tự nhiên giúp trả lời những câu hỏi quan trọng của xã hội

(Nguồn: https://tiasang.com.vn/)

Một nửa giải Nobel kinh tế năm nay được trao cho David Card vì những đóng góp thực nghiệm cho kinh tế lao động, một nửa giải còn lại được trao cho Joshua Angrist và Guido Imbens vì đóng góp của họ vào việc phát triển phương pháp luận phân tích các mối quan hệ nhân quả dựa vào “thí nghiệm tự nhiên”.

Cách tiếp cận của ba nhà khoa học đã trở thành nền tảng, tạo ảnh hưởng rộng rãi sang các lĩnh vực khác và cách mạng hóa nghiên cứu thực nghiệm.

Từ trái sang: David Card, Joshua D. Angrist, Guido W. Imbens.

Nhiều câu hỏi lớn trong khoa học xã hội cần phải trả lời bằng việc chỉ ra mối quan hệ nhân – quả. Di cư ảnh hưởng đến mức lương và việc làm ở nơi đến như thế nào? Học vấn ảnh hưởng như thế nào đến thu nhập trong tương lai của một người? Những câu hỏi này rất quan trọng đối với việc đưa ra các khuyến nghị chính sách cho các nhà quản lý nhưng rất khó trả lời chính xác vì chúng ta không có được nhóm đối chứng hoàn hảo như trong nghiên cứu thí nghiệm. Chúng ta không biết điều gì sẽ xảy ra nếu có ít người nhập cư hơn hoặc một người không tiếp tục học.

Từ những năm 1980, David Card chỉ ra rằng có thể trả lời những câu hỏi đó và những câu hỏi tương tự bằng thí nghiệm tự nhiên (natural experiments) là một đóng góp nền tảng trong nghiên cứu kinh tế học để giải quyết các vấn đề xã hội: giáo dục, lao động nhập cư, bất bình đẳng. David Card sử dụng phương pháp thực nghiệm để phân tích các tác động của mức lương tối thiểu, người nhập cư và giáo dục đến thị trường lao động để đưa ra các phân tích mới. Ví dụ ông chứng minh bằng thực nghiệm cho các tranh cãi về việc tăng lương tối thiểu có dẫn tới hệ quả là giảm việc làm hay không, cũng như vai trò của lao động nhập cư. Hoặc là nhờ các chứng minh quan hệ nhân quả đó bằng thực nghiệm mà chúng ta nhận thấy rằng các nguồn lực cho giáo dục quan trọng với việc tham gia thị trường lao động sau này lớn hơn so với những gì chúng ta nghĩ trước đây.

Thực ra để đánh giá tác động với các dữ liệu thực nghiệm là rất khó. Ví dụ, việc kéo dài thời gian giáo dục bắt buộc thêm một năm đối với một nhóm học sinh này (chứ không phải nhóm học sinh khác) sẽ không ảnh hưởng đến tất cả mọi học sinh theo cùng một cách. Dù sao đi nữa, một số học sinh vẫn tiếp tục học tập và đối với họ, giá trị của giáo dục thường không mang tính đại diện cho toàn bộ nhóm. Vậy có thể rút ra kết luận nào về tác dụng của một năm học thêm ở trường? Vào giữa những năm 1990, Joshua Angrist và Guido Imbens đã phát triển thêm các phương pháp ước lượng trong kinh tế lượng, nhấn mạnh tính nhân quả của nó, làm sáng tỏ về ước lượng biến công cụ (instrumental variable) trong đánh giá tác động của các nhân tố và chính sách trong kinh tế. 

“Các nghiên cứu của Card về các câu hỏi cốt lõi đối với xã hội, còn những đóng góp về phương pháp luận của Angrist và Imbens đã chỉ ra rằng các thí nghiệm tự nhiên là một nguồn kiến thức phong phú. Nghiên cứu của họ đã cải thiện đáng kể khả năng của chúng ta trong việc trả lời các câu hỏi quan trọng về nhân quả, mang lại lợi ích to lớn cho xã hội”, Peter Fredriksson, Chủ tịch Ủy ban Giải thưởng Kinh tế cho biết.  

David Card sinh năm 1956 tại Guelph, Canada. Ông lấy bằng tiến sĩ năm 1983 tại đại học Princeton Đại học và hiện nay là giáo sư kinh tế học tại Đại học California, Berkeley, Hoa Kỳ.
Joshua D. Angrist sinh năm 1960 tại Columbus, Ohio, Hoa Kỳ. Ông lấy bằng tiến sĩ tại Đại học Princeton và hiện nay là giáo sư kinh tế học tại Viện Công nghệ Massachusetts, Cambridge, Hoa Kỳ.
Guido W. Imbens sinh năm 1963 tại Hà Lan. Ông lấy bằng tiến sĩ năm 1991 tại Đại học Brown, Providence và là giáo sư kinh tế lượng tại Đại học Stanford, Hoa Kỳ.

Bảo Như dịch

TS Nguyễn Việt Cường hiệu đính

Nguồn bài và ảnh: https://www.nobelprize.org/prizes/economic-sciences/2021/press-release/

---

Các thí nghiệm tự nhiên giúp trả lời những câu hỏi quan trọng

(Nguồn: http://www.phantichkinhte123.com/)

Những người được giải năm nay – David Card, Joshua Angrist và Guido Imbens – đã cho thấy rằng các thí nghiệm tự nhiên có thể được sử dụng để trả lời những câu hỏi trọng tâm về xã hội, chẳng hạn như mức lương tối thiểu và tình trạng di cư ảnh hưởng như thế nào đến thị trường lao động. Họ cũng đã làm rõ một cách chính xác những kết luận về nhân và quả có thể được rút ra bằng cách sử dụng cách tiếp cận nghiên cứu này. Cùng nhau, họ đã cách mạng hóa nghiên cứu thực nghiệm trong các khoa học kinh tế.

Nếu muốn đưa ra được những quyết định đúng đắn, chúng ta phải hiểu hệ quả của những sự lựa chọn của mình. Điều này áp dụng cho các cá nhân cũng như các nhà hoạch định chính sách công: những người trẻ đang đưa ra những sự lựa chọn về giáo dục muốn biết những sự lựa chọn này ảnh hưởng như thế nào đến thu nhập tương lai của họ; ví dụ, các chính trị gia đang cân nhắc một loạt những cải cách muốn biết những cải cách này ảnh hưởng ra sao đến việc làm và phân phối thu nhập. Tuy nhiên, việc trả lời những câu hỏi rộng lớn về nhân và quả không phải là dễ dàng, bởi vì chúng ta sẽ chẳng bao giờ biết được điều gì sẽ diễn ra nếu như chúng ta đưa ra một sự lựa chọn khác.

Một cách thức để thiết lập quan hệ nhân quả là sử dụng những thí nghiệm ngẫu nhiên, trong đó các nhà nghiên cứu phân bổ các cá nhân vào các nhóm được can thiệp bằng một cuộc rút thăm ngẫu nhiên. Phương pháp này được sử dụng để nghiên cứu tính hiệu quả của các loại thuốc mới, cùng với những thứ khác, nhưng không thích hợp để nghiên cứu nhiều vấn đề xã hội – ví dụ, chúng ta không thể làm một thí nghiệm ngẫu nhiên để xác định ai được đi học trung học phổ thông và ai thì không.

David Card (1956-)

Bất chấp những thách thức này, những người được giải đã chứng minh rằng nhiều câu hỏi lớn của xã hội có thể được trả lời. Giải pháp của họ là sử dụng các thí nghiệm tự nhiên – các tình huống phát sinh trong đời sống thực mà giống với các thí nghiệm ngẫu nhiên. Các thí nghiệm tự nhiên này có thể là do các biến thể ngẫu nhiên tự nhiên, các quy tắc thể chế hoặc các thay đổi chính sách tạo ra. Trong công trình mang tính tiên phong từ đầu những năm 1990, David Card đã phân tích một số vấn đề trọng tâm trong kinh tế học lao động – chẳng hạn như những tác động của mức lương tối thiểu, tình trạng di cư và giáo dục – sử dụng cách tiếp cận này. Kết quả của những nghiên cứu này đã thách thức sự hiểu biết thông thường và dẫn đến nghiên cứu mới, nghiên cứu mà Card tiếp tục có những đóng góp quan trọng. Nhìn chung, giờ đây chúng ta có một sự hiểu biết tốt hơn đáng kể về cách thị trường lao động vận hành so với cách đây 30 năm.

Các thí nghiệm tự nhiên khác với các thử nghiệm lâm sàng ở một cách thức quan trọng – trong một thử nghiệm lâm sàng, nhà nghiên cứu có toàn quyền kiểm soát đối với việc người nào được cung cấp một sự can thiệp và cuối cùng sẽ nhận được nó (nhóm được can thiệp) và người nào không được cung cấp một sự can thiệp và do đó không nhận được nó (nhóm đối chứng). Trong một thí nghiệm tự nhiên, nhà nghiên cứu cũng có quyền truy cập vào dữ liệu của các nhóm được can thiệp và nhóm đối chứng, thế nhưng, không giống như một thử nghiệm lâm sàng, các cá nhân có thể tự mình lựa chọn xem họ có muốn tham gia vào sự can thiệp đang được cung cấp hay không. Điều này khiến cho việc kiến giải các kết quả của một thí nghiệm tự nhiên trở nên khó khăn hơn nhiều. Trong một nghiên cứu cải tiến từ năm 1994, Joshua Angrist và Guido Imbens đã cho thấy những kết luận về quan hệ nhân quả có thể được rút ra từ các thí nghiệm tự nhiên, trong đó mọi người không thể bị ép buộc tham gia vào chương trình đang được nghiên cứu (cũng như không bị cấm làm như vậy). Khuôn khổ mà các tác giả này tạo ra đã thay đổi triệt để cách mà các nhà nghiên cứu tiếp cận các vấn đề thực nghiệm bằng cách sử dụng dữ liệu từ các thí nghiệm tự nhiên hoặc các thí nghiệm hiện trường ngẫu nhiên.

Một ví dụ về thí nghiệm tự nhiên

Chúng tôi sử dụng một ví dụ cụ thể để minh họa một thí nghiệm tự nhiên hoạt động như thế nào. Một câu hỏi có liên quan đến cả xã hội lẫn những người trẻ đang cân nhắc về tương lai của họ, đó là bạn sẽ kiếm được bao nhiêu tiền nếu bạn lựa chọn học tập lâu dài hơn. Một nỗ lực đầu tiên để trả lời câu hỏi này có thể liên quan đến việc xem xét dữ liệu về cách mà số tiền kiếm được từ lao động của con người có liên quan đến trình độ học vấn của họ. Trong mỗi bối cảnh có thể hình dung được, những người có số năm học tập nhiều hơn thì có các mức thu nhập cao hơn. Ví dụ, đối với nam giới sinh ra ở Hoa Kỳ trong những năm 1930, trung bình, cứ thêm một năm học tập thì số tiền kiếm được từ lao động sẽ cao hơn 7%.

Hình sử dụng dữ liệu của Angrist và Krueger (1991). Những người có 12 năm học tập có thu nhập cao hơn 12% so với những người có 11 năm học tập. Những người có 16 năm học tập có thu nhập cao hơn 65% so với những người có 11 năm học tập.

Như vậy, chúng ta có thể kết luận rằng cứ thêm một năm học tập thì sẽ làm tăng thêm 7% thu nhập của bạn hay không? Câu trả lời cho câu hỏi này là không – những người lựa chọn việc học tập dài hạn khác với những người lựa chọn việc học tập ngắn hạn, theo cách này hay cách khác. Ví dụ, một số người có thể tài giỏi trong học tập và trong làm việc. Những người này có khả năng sẽ tiếp tục học tập, nhưng họ vẫn có thể có thu nhập cao ngay cả khi họ không hề học tập. Tùy theo từng trường hợp, có những người lại lựa chọn học tập lâu dài hơn vì họ kỳ vọng việc học tập sẽ được tưởng thưởng.

Các vấn đề tương tự cũng xuất hiện nếu bạn muốn nghiên cứu xem thu nhập ảnh hưởng đến tuổi thọ như thế nào. Dữ liệu cho thấy rằng những người có thu nhập cao hơn thì sống lâu hơn – nhưng điều này có thực sự là do thu nhập của họ cao hơn không, hay là những người này có các thuộc tính khác mà những thuộc tính này có nghĩa là họ vừa sống lâu hơn vừa kiếm được nhiều tiền hơn? Thật dễ dàng để nghĩ ra nhiều ví dụ hơn nữa mà trong đó có lý do để đặt câu hỏi liệu rằng mối tương quan có thực sự hàm ý về một quan hệ nhân quả đích thực hay không.

Alan Krueger (1960-2019)

Như vậy, làm thế nào chúng ta có thể sử dụng một thí nghiệm tự nhiên để kiểm tra xem liệu số năm học tập tăng thêm có ảnh hưởng đến thu nhập trong tương lai hay không? Joshua Angrist và người cộng sự của ông, Alan Krueger (hiện đã qua đời) cho thấy điều này có thể được thực hiện như thế nào trong một bài báo mang tính bước ngoặt. Ở Hoa Kỳ, trẻ em có thể nghỉ học khi đủ 16 hoặc 17 tuổi, tùy thuộc vào tiểu bang nơi chúng học tập. Vì tất cả trẻ em sinh trong một năm dương lịch cụ thể đều bắt đầu đi học vào cùng một ngày, trẻ em sinh sớm hơn có thể nghỉ học sớm hơn trẻ em sinh muộn hơn trong cùng năm. Khi Angrist và Krueger so sánh những người sinh trong quý 1 và quý 4 của cùng một năm, họ thấy rằng nhóm đầu tiên, trung bình, dành ít thời gian hơn cho việc học tập. Những người sinh vào quý 1 cũng có thu nhập thấp hơn những người sinh vào quý 4. Khi trưởng thành, họ vừa ít học tập hơn vừa có thu nhập kém hơn những người sinh vào cuối năm.

Bởi vì số phận quyết định chính xác khi nào một người được sinh ra, Angrist và Krueger đã có thể sử dụng thí nghiệm tự nhiên này để thiết lập một mối quan hệ nhân quả cho thấy rằng học tập nhiều hơn dẫn đến số tiền kiếm được từ lao động sẽ cao hơn: tác động của thêm một năm học tập đối với thu nhập là 9%. Điều đáng ngạc nhiên là tác động này mạnh mẽ hơn mối liên hệ giữa giáo dục và thu nhập, vốn được tính là 7%. Nếu những người có khát vọng và thông minh có cả trình độ học vấn cao và thu nhập cao (bất kể giáo dục) thì kết quả lẽ ra phải ngược lại; mối tương quan lẽ ra phải mạnh hơn mối quan hệ nhân quả. Quan sát này đã đặt ra những câu hỏi mới về việc làm thế nào để giải thích kết quả của các thí nghiệm tự nhiên – những câu hỏi sau đó đã được Joshua Angrist và Guido Imbens trả lời.

Người ta có thể dễ dàng tin rằng những tình huống cho phép có được các thí nghiệm tự nhiên là rất bất thường, đặc biệt là những tình huống có thể được sử dụng để trả lời các câu hỏi quan trọng. Nghiên cứu được thực hiện trong hơn 30 năm qua đã chỉ ra rằng điều đấy không phải là những gì đã diễn ra: các thí nghiệm tự nhiên thường xuyên xuất hiện. Ví dụ, chúng có thể phát sinh do những thay đổi về chính sách ở một số vùng của một quốc gia, chỉ tiêu nhập học trong giáo dục đại học hoặc ngưỡng thu nhập trong hệ thống thuế và phúc lợi, có nghĩa là một số cá nhân bị can thiệp trong khi những cá nhân khác, cũng tương tự như vậy, thì không. Do đó, có sự ngẫu nhiên không được định trước chia con người thành các nhóm được can thiệp và nhóm đối chứng, tạo những cơ hội cho các nhà nghiên cứu khám phá các mối quan hệ nhân quả.

Hiểu về các thị trường lao động

Những tác động của một mức lương tối thiểu

Vào đầu những năm 1990, sự hiểu biết thông thường của các nhà kinh tế là tiền lương tối thiểu cao hơn dẫn đến việc làm thấp hơn vì việc tăng mức lương tối thiểu làm tăng chi phí tiền lương cho các doanh nghiệp. Tuy nhiên, bằng chứng bổ trợ cho kết luận này lại không hoàn toàn có tính thuyết phục; thực sự là đã có nhiều nghiên cứu chỉ ra một mối tương quan nghịch giữa mức lương tối thiểu và việc làm, nhưng điều này có thực sự có nghĩa là mức lương tối thiểu cao hơn dẫn đến thất nghiệp cao hơn hay không? Mối quan hệ nhân quả ngược thậm chí có thể là một vấn đề: khi thất nghiệp gia tăng, người sử dụng lao động có thể đặt ra mức lương thấp hơn, điều này, đến lượt nó, có thể dẫn đến các yêu cầu gia tăng mức lương tối thiểu.

Để nghiên cứu mức lương tối thiểu tăng lên ảnh hưởng như thế nào đến việc làm, Card và Krueger đã sử dụng một thí nghiệm tự nhiên. Vào đầu những năm 1990, mức lương tối thiểu theo giờ ở New Jersey đã được nâng từ 4,25 đô la lên 5,05 đô la. Chỉ nghiên cứu những gì đã xảy ra ở New Jersey sau sự gia tăng này không đưa ra được câu trả lời đáng tin cậy cho câu hỏi, vì nhiều nhân tố khác có thể ảnh hưởng đến chuyện tỷ suất có việc làm thay đổi như thế nào theo thời gian. Giống như trường hợp của các thí nghiệm ngẫu nhiên, cần có một nhóm đối chứng, tức là một nhóm mà mức lương không thay đổi nhưng tất cả các nhân tố khác đều giống như vậy.

Card và Krueger lưu ý rằng không có sự gia tăng [về mức lương tối thiểu] nào ở vùng lân cận, Pennsylvania. Tất nhiên, có sự khác biệt giữa hai bang, nhưng có khả năng là các thị trường lao động sẽ phát triển tương tự gần biên giới. Vì vậy, họ đã nghiên cứu những ảnh hưởng đến việc làm ở hai vùng lân cận – New Jersey và đông Pennsylvania – có thị trường lao động tương tự, nhưng mức lương tối thiểu đã gia tăng ở bên này của biên giới nhưng bên kia thì không. Chẳng có lý do rõ ràng nào để tin rằng bất kỳ nhân tố nào (chẳng hạn như tình hình kinh tế) ngoài việc tăng mức lương tối thiểu sẽ ảnh hưởng theo cách khác nhau đến những xu hướng việc làm ở hai bên biên giới. Do đó, nếu có một sự thay đổi về số lượng người có việc làm ở New Jersey và thay đổi này là khác biệt với bất kỳ sự thay đổi nào ở bên kia biên giới, thì có một lý do tốt để kiến giải điều này như là một tác động của việc gia tăng mức lương tối thiểu.

Card và Krueger tập trung vào việc làm trong các nhà hàng thức ăn nhanh, một ngành mà việc trả mức lương thấp và lương tối thiểu là vấn đề quan trọng. Trái với nghiên cứu trước đó, họ phát hiện ra rằng việc tăng mức lương tối thiểu không ảnh hưởng đến số lượng người có việc làm. David Card đã đi đến kết luận tương tự trong một vài nghiên cứu vào đầu những năm 1990. Nghiên cứu mang tính tiên phong này đã dẫn đến một số lượng lớn các nghiên cứu theo sau. Kết luận chung là những tác động tiêu cực của việc tăng mức lương tối thiểu là nhỏ, và nhỏ hơn đáng kể so với những tác động từng được tin vào 30 năm trước.

Công trình do Card thực hiện vào đầu những năm 1990 cũng dẫn đến một nghiên cứu mới, nghiên cứu này nỗ lực để giải thích việc không có những tác động tiêu cực đến việc làm. Một cách giải thích khả dĩ là các công ty có thể chuyển các chi phí gia tăng sang cho người tiêu dùng dưới hình thức của các mức giá cả cao hơn mà không có sự cắt giảm đáng kể trong lượng cầu. Một cách giải thích khác là các công ty thống trị thị trường lao động địa phương của họ có thể giữ mức lương thấp; do đó, một mức lương tối thiểu tăng lên có nghĩa là có nhiều người muốn làm việc hơn, dẫn đến gia tăng việc làm. Khi các công ty có quyền lực như vậy đối với thị trường, chúng ta không thể xác định trước là việc làm sẽ bị ảnh hưởng như thế nào bởi những thay đổi của mức lương tối thiểu. Nhiều nghiên cứu lấy cảm hứng từ công trình của Card và Krueger đã cải thiện đáng kể sự hiểu biết của chúng ta về thị trường lao động.

Nghiên cứu về tình trạng di cư và giáo dục

Fidel Castro (1926-2016)

Một vấn đề quan trọng khác là thị trường lao động chịu ảnh hưởng như thế nào bởi tình trạng di cư. Để trả lời câu hỏi này, chúng ta cần biết điều gì sẽ diễn ra nếu không có bất kỳ cuộc di cư nào. Bởi vì những người di cư có xu hướng định cư ở các vùng có thị trường lao động đang tăng trưởng, chỉ đơn giản so sánh các vùng có và không có nhiều người di cư là không đủ để thiết lập một mối quan hệ nhân quả. Một sự kiện độc đáo trong lịch sử của Hoa Kỳ đã làm phát sinh một thí nghiệm tự nhiên, thí nghiệm mà David Card đã sử dụng để nghiên cứu xem tình trạng di cư ảnh hưởng như thế nào đến thị trường lao động. Vào tháng 4 năm 1980, Fidel Castro bất ngờ cho phép tất cả những người Cuba muốn rời khỏi đất nước được làm điều đó. Từ tháng 5 đến tháng 9, 125.000 người Cuba đã di cư sang Hoa Kỳ. Nhiều người trong số họ định cư ở Miami, kéo theo sự gia tăng lực lượng lao động ở Miami vào khoảng 7%. Để kiểm tra xem dòng chảy lao động khổng lồ này ảnh hưởng như thế nào đến thị trường lao động ở Miami, David Card đã so sánh những xu hướng về mức lương và việc làm ở Miami với sự phát triển của mức lương và việc làm ở bốn thành phố được đối chiếu.

Mặc dù nguồn cung lao động tăng mạnh, Card không tìm thấy những tác động tiêu cực nào đối với những cư dân Miami có trình độ học vấn thấp. Mức lương không giảm và thất nghiệp không tăng so với các thành phố khác. Nghiên cứu này đã tạo ra một lượng lớn công trình thực nghiệm mới, và giờ đây chúng ta đã hiểu rõ hơn về những tác động của tình trạng di cư. Ví dụ, các nghiên cứu theo sau đã chỉ ra rằng tình trạng di cư gia tăng có một tác động tích cực đến thu nhập đối với nhiều nhóm người sinh ra trong nước, trong khi những người di cư sớm hơn lại chịu ảnh hưởng tiêu cực. Một sự giải thích cho điều này là người bản xứ chuyển sang những công việc đòi hỏi kỹ năng sử dụng ngôn ngữ bản địa tốt, và ở những nơi mà họ không phải cạnh tranh về việc làm với những người di cư.

Card cũng đã có những đóng góp quan trọng liên quan đến tác động của các nguồn lực từ nhà trường đối với sự thành công trong tương lai của học sinh trên thị trường lao động. Một lần nữa, kết quả của ông đặt ra câu hỏi về sự hiểu biết thông thường – nghiên cứu trước đây đề xuất rằng mối quan hệ giữa các nguồn lực gia tăng và hiệu quả hoạt động của nhà trường, cũng như các cơ hội trên thị trường lao động sau này trong cuộc sống, là rất yếu. Tuy nhiên, một vấn đề đó là công trình trước đây đã không xem xét khả năng phân bổ nguồn lực bù đắp. Ví dụ, có khả năng những người ra quyết định sẽ đầu tư nhiều hơn vào chất lượng giáo dục ở những trường mà thành tích học tập của học sinh thấp.

Để kiểm tra xem liệu các nguồn lực của nhà trường có tác động đến sự thành công trên thị trường lao động trong tương lai của học sinh hay không, David Card và Alan Krueger đã so sánh lợi tức từ giáo dục đối với những người sống trong cùng một bang ở Hoa Kỳ, nhưng trước đó đã lớn lên ở các bang khác nhau – ví dụ: những người đã lớn lên ở Alabama hoặc Iowa, nhưng hiện sống ở California. Ý tưởng là có thể so sánh được những người đã chuyển đến California và có cùng trình độ học vấn. Nếu lợi tức của họ từ giáo dục là khác nhau, điều này có thể là do Alabama và Iowa đã đầu tư khác nhau vào hệ thống giáo dục của mỗi bang. Card và Krueger nhận thấy rằng các nguồn lực là rất quan trọng: lợi tức từ giáo dục tăng lên cùng với mật độ giáo viên tại các bang mà các cá nhân đã lớn lên.

Nghiên cứu này cũng truyền cảm hứng cho nhiều nghiên cứu mới. Hiện nay đã có những hỗ trợ thực nghiệm tương đối mạnh mẽ cho thấy rằng các khoản đầu tư vào giáo dục ảnh hưởng đến sự thành công sau này của học sinh trên thị trường lao động. Tác động này đặc biệt mạnh mẽ đối với các học sinh có hoàn cảnh khó khăn.

Một khuôn khổ mới cho các nghiên cứu về những mối quan hệ nhân quả

Trong tất cả các tình huống thực tiễn, tác động của một sự can thiệp – ví dụ, tác động của sự giáo dục tăng thêm ở nhà trường đối với số tiền kiếm được từ lao động – là khác nhau giữa mọi người. Hơn nữa, các cá nhân chịu ảnh hưởng khác nhau bởi một thí nghiệm tự nhiên. Cơ hội để rời khỏi nhà trường năm 16 tuổi sẽ hầu như không ảnh hưởng đến những người đã có kế hoạch học đại học. Các vấn đề tương tự phát sinh trong các nghiên cứu dựa trên các thí nghiệm thực tế, bởi vì chúng ta thường không thể buộc các cá nhân tham gia vào một sự can thiệp. Nhóm nhỏ những người mà đến cuối cùng lựa chọn tham gia [vào sự can thiệp] có lẽ bao gồm những cá nhân tin rằng họ sẽ được hưởng lợi từ các can thiệp. Tuy nhiên, một nhà nghiên cứu phân tích dữ liệu chỉ biết được ai đã tham gia chứ không biết tại sao – không có thông tin về những người đã tham gia chỉ đơn thuần bởi vì họ được cung cấp cơ hội, nhờ vào thí nghiệm tự nhiên (hoặc thí nghiệm ngẫu nhiên), và những ai dù sao đi nữa cũng tham gia. Làm thế nào có thể thiết lập mối quan hệ nhân quả giữa giáo dục và thu nhập?

Joshua Angrist (1960-)

Guido W. Imbens (1963-)

Joshua Angrist và Guido Imbens đã giải quyết vấn đề này trong một nghiên cứu có tầm ảnh hưởng từ giữa những năm 1990. Cụ thể hơn, họ đã đặt ra câu hỏi sau: Trong điều kiện nào chúng ta có thể sử dụng một thí nghiệm tự nhiên để ước tính những tác động của một can thiệp cụ thể, chẳng hạn như một khóa học máy tính, khi các tác động là khác nhau giữa các cá nhân và chúng ta không hoàn toàn kiểm soát được ai là người tham gia? Làm thế nào chúng ta có thể ước tính tác động này và nó nên được kiến giải như thế nào?

Đơn giản hơn một chút, chúng ta có thể hình dung một thí nghiệm tự nhiên như thể nó chia ngẫu nhiên các cá nhân thành một nhóm được can thiệp và một nhóm đối chứng. Nhóm được can thiệp có quyền tham gia vào một chương trình trong khi nhóm đối chứng thì không. Angrist và Imbens chỉ ra rằng việc ước tính tác động của chương trình là khả dĩ bằng cách áp dụng quy trình hai bước (được gọi là phương pháp biến công cụ). Bước đầu tiên là nghiên cứu thí nghiệm tự nhiên ảnh hưởng như thế nào đến xác suất tham gia chương trình. Bước thứ hai sau đó là xem xét xác suất này khi đánh giá tác động của chương trình thực tế. Đưa ra một số ít giả định, mà Imbens và Angrist đã xây dựng và thảo luận chi tiết, nhờ đó, các nhà nghiên cứu có thể ước tính tác động của chương trình, ngay cả khi không có thông tin về việc những ai thực sự chịu ảnh hưởng bởi thí nghiệm tự nhiên. Một kết luận quan trọng là chỉ có thể ước tính tác động trên những người đã thay đổi hành vi của họ như một kết quả của thí nghiệm tự nhiên. Điều này hàm ý rằng kết luận của Angrist và Krueger về tác động đối với thu nhập của một năm học tập tăng thêm – mà họ ước tính là 9% – chỉ áp dụng được cho những người thực sự đã lựa chọn nghỉ học khi có cơ hội. Việc xác định những cá nhân nào được bao gồm trong nhóm này là điều không thể, thế nhưng chúng ta có thể xác định kích cỡ của nó. Tác động đối với nhóm này được đặt tên là tác động can thiệp trung bình cục bộ (local average treatment effect – LATE). 

Do đó, Joshua Angrist và Guido Imbens đã cho thấy chính xác những kết luận nào về nhân và quả có thể được rút ra từ các thí nghiệm tự nhiên. Phân tích của họ cũng phù hợp với các thí nghiệm ngẫu nhiên mà chúng ta không có toàn quyền kiểm soát đối với những ai tham gia vào sự can thiệp, đây là trường hợp của hầu hết các thí nghiệm hiện trường. Khuôn khổ do Angrist và Imbens phát triển đã được các nhà nghiên cứu làm việc với dữ liệu quan sát áp dụng rộng rãi. Bằng cách làm rõ các giả định cần thiết để thiết lập một mối quan hệ nhân quả, khuôn khổ của họ cũng đã làm tăng tính minh bạch – và do đó là tính đáng tin cậy – của nghiên cứu thực nghiệm.

Một cuộc cách mạng trong nghiên cứu thực nghiệm

Những đóng góp của những người được giải từ đầu những năm 1990 chứng minh rằng có thể trả lời các câu hỏi quan trọng về nhân và quả bằng cách sử dụng các thí nghiệm tự nhiên. Những đóng góp của họ bổ sung và củng cố lẫn nhau: những hiểu biết thấu đáo về phương pháp luận của Angrist và Imbens về các thí nghiệm tự nhiên và những ứng dụng của Card về cách tiếp cận này đối với những vấn đề quan trọng đã dẫn đường cho các nhà nghiên cứu khác. Giờ đây chúng ta có một khuôn khổ chặt chẽ mà, cùng với những khuôn khổ khác, có nghĩa là chúng ta biết được kết quả của những nghiên cứu như vậy nên được kiến giải như thế nào. Công trình của những người đạt giải đã cách mạng hóa nghiên cứu thực nghiệm trong các khoa học xã hội và cải thiện đáng kể năng lực của cộng đồng nghiên cứu trong việc trả lời những câu hỏi có tầm quan trọng lớn đối với tất cả chúng ta.

Phần đọc thêmThông tin bổ sung về giải thưởng năm nay, bao gồm nền tảng khoa học bằng tiếng Anh, có sẵn trên trang web của Viện Hàn lâm Khoa học Hoàng gia Thụy Điển, www.kva.se, và tại www.nobelprize.org, nơi bạn có thể xem các đoạn phim của các buổi họp báo, các Bài giảng Nobel và nhiều thứ khác. Thông tin về các cuộc triển lãm và hoạt động liên quan đến Giải Nobel và Giải thưởng cho Khoa học Kinh tế có tại www.nobelprizemuseum.se

Viện Hàn lâm Khoa học Hoàng gia Thụy Điển đã quyết định trao Giải thưởng của ngân hàng Thụy Điển cho Khoa học Kinh tế để tưởng nhớ Alfred Nobel năm 2021

với một nửa giải thưởng đề tặng cho

DAVID CARD

Sinh năm 1956 tại Guelph, Canada. Lấy bằng tiến sĩ năm 1983 từ Đại học Princeton, Hoa Kỳ. Giáo sư Kinh tế, Đại học California, Berkeley, Hoa Kỳ.

“Vì những đóng góp thực nghiệm của ông cho kinh tế học lao động”

và đồng đề tặng cho

JOSHUA D. ANGRIST

Sinh năm 1960 tại Columbus, Ohio, Hoa Kỳ. Lấy bằng tiến sĩ năm 1989 từ Đại học Princeton, Hoa Kỳ. Giáo sư Kinh tế, Viện Công nghệ Massachusetts, Cambridge, Hoa Kỳ.

GUIDO W. IMBENS

Sinh năm 1963 tại Eindhoven, Hà Lan, lấy bằng Tiến sĩ năm 1991 từ Đại học Brown, Providence, Hoa Kỳ. Giáo sư Kinh trắc học Ứng dụng và Giáo sư Kinh tế, Đại học Stanford, Mỹ.

“Vì những đóng góp về phương pháp luận của họ trong việc phân tích các mối quan hệ nhân quả”

Các tác giả bài báo

Biên tập viên Khoa học: Peter Fredriksson, Eva Mörk và Jakob Svensson, Ủy ban Giải thưởng Khoa học Kinh tế tưởng nhớ Alfred Nobel

Dịch giả: Clare Barnes

Hình minh họa: © Johan Jarnestad / Viện Hàn lâm Khoa học Hoàng gia Thụy Điển

Biên tập: Eva Nevelius

© Viện Hàn lâm Khoa học Hoàng gia Thụy Điển

Nguyễn Thị Thanh Trúc dịch

Nguồn: Natural experiments help answer important questions, The Nobel Prize, ngày 11 tháng 10 năm 2021

Phân tích hiệu ứng bất cân xứng của tin tức trên thị trường chứng khoán Việt Nam

Phân tích hiệu ứng bất cân xứng của tin tức trên thị trường chứng khoán Việt Nam

(Nguồn: http://tapchicongthuong.vn/)

PHẠM TUẤN ANH (Giảng viên Khoa Tài chính – Ngân hàng, Trường Đại học Văn Lang)

TÓM TẮT:

Bài nghiên cứu kiểm tra hiệu ứng bất cân xứng của đòn bẩy tài chính trên thị trường tài chính cận biên của Việt Nam. Thông qua việc áp dụng mô hình kinh tế lượng EGARCH và TARCH, bài nghiên cứu đã xác nhận sự tồn tại của hiệu ứng bất cân xứng của tin tức đến mức độ rủi ro trên thị trường chứng khoán Việt Nam. Cụ thể, tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai. Ngoài ra, mô hình TARCH có sự phù hợp hơn so với mô hình EGARCH dựa trên sự kiểm tra chỉ tiêu tiêu chuẩn thông tin Akaike (AIC) và tiêu chuẩn thông tin Bayesian (BIC).

Từ khóa: hiệu ứng bất cân xứng tin tức, lợi nhuận của cổ phiếu, rủi ro, thị trường chứng khoán Việt Nam, EGARCH, TARCH.

1. Đặt vấn đề

Hiệu ứng đòn bẩy tài chính là chủ đề nghiên cứu kinh điển trong tài chính. Black (1976) và Christie (1982) cung cấp khung lý thuyết về mối quan hệ nghịch biến giữa tỷ suất lợi nhuận của tài sản tài chính trong hiện tại và mức độ rủi ro của các loại tài sản này. Mở rộng hướng nghiên cứu trên, một số bài nghiên cứu áp dụng các mô hình kinh tế lượng đa dạng để kiểm tra hiệu ứng bất cân xứng của tin tức tác động đến mức độ rủi ro của các loại tài sản tài chính. Cụ thể, Nelson (1991), Rabemananjara & Zakoian (1993) và Glosten, Jagannathan & Runkle (1993) lần lượt áp dụng các mô hình kinh tế lượng EGARCH, TARCH và GARCH-M để khám phá ra tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Mỹ. Bên cạnh đó, Engel & Ng (1993), Yu (2005), Corsi & Reno (2012) và Choi & Richardson (2016) cũng cung cấp các bằng chứng thực nghiệm về sự tồn tại của hiệu ứng bất cân xứng tin tức trên nhiều thị trường tài chính khác nhau.

Bài nghiên cứu kiểm tra hiệu ứng bất cân xứng của tin tức tác động đến sự biến động giá cả của tài sản tài chính trên thị trường chứng khoán cận biên điển hình là Việt Nam. Mặc dù là quốc gia đang phát triển, Việt Nam có tốc độ tăng trưởng kinh tế vượt bậc kể từ sau giai đoạn Đổi Mới năm 1986. Song hành với sự phát triển chung của nền kinh tế, thị trường chứng khoán Việt Nam cũng có sự phát triển nhanh cả về số lượng lẫn chất lượng. Trong những ngày đầu sơ khai vào năm 2000, thị trường chứng khoán Việt Nam chỉ có 2 cổ phiếu niêm yết. Tính đến cuối năm 2020, thị trường chứng khoán Việt Nam đã có 745 cổ phiếu được niêm yết với tổng vốn hóa thị trường xấp xỉ 230 tỷ USD, tương đương với 84,1% GDP (Nguồn: Ủy ban Chứng khoán Việt Nam, 2021).

Bài nghiên cứu có đóng góp quan trọng vào nền học thuật thông qua việc cung cấp cái nhìn toàn diện về hiệu ứng bất cân xứng của tin tức trên thị trường chứng khoán Việt Nam. Mặc dù có rất nhiều bài báo nghiên cứu hiệu ứng bất cân xứng của tin tức trên các thị trường chứng khoán phát triển và mới nổi, nhưng các bài báo nghiên cứu một cách toàn diện hiệu ứng này trên thị trường chứng khoán cận biên như Việt Nam là rất hạn chế.

Một cách cụ thể, bài nghiên cứu sử dụng 2 mô hình kinh tế lượng EGARCH (Nelson, 1991) và TARCH (Rabemananjara & Zakoian, 1993) để xác nhận hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam. Điều này ngụ ý rằng tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Việt Nam. Kết quả này hoàn toàn phù hợp với các bài nghiên cứu cùng chủ đề này về các thị trường chứng khoán phát triển (Nelson, 1991; Rabemananjara & Zakoian, 1993; Glosten, Jagannathan & Runkle, 1993; Engel & Ng, 1993 và Choi & Richardson, 2016).

2. Cơ sở lý luận

Khái niệm nguyên thủy của hiệu ứng đòn bẩy tài chính được phát triển bởi Black (1976) và Christie (1982). Các bài báo này đã chỉ ra cơ chế của mối quan hệ nghịch biến giữa tỷ suất lợi nhuận hiện hành của tài sản tài chính và mức độ rủi ro trong tương lai. Cụ thể, sự giảm giá của cổ phiếu khiến giá trị của vốn cổ phần của doanh nghiệp trong tương quan với nợ cũng suy giảm, tức là đòn bẩy tài chính được đo lường bởi tỷ số tài chính nợ trên vốn chủ sở hữu sẽ tăng. Vì vậy, các nhà đầu tư cổ phiếu phải đối mặt với rủi ro cao hơn khi nắm giữ cổ phiếu do đòn bẩy tài chính của doanh nghiệp tăng. Mở rộng hướng nghiên cứu, một số bài nghiên cứu áp dụng các mô hình kinh tế lượng đa dạng để kiểm tra hiệu ứng bất cân xứng của tin tức tác động đến mức độ rủi ro của các loại tài sản tài chính. Cụ thể, Nelson (1991), Rabemananjara & Zakoian (1993) và Glosten, Jagannathan & Runkle (1993) lần lượt áp dụng các mô hình kinh tế lượng EGARCH, TARCH và GARCH-M để khám phá ra tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Mỹ. Ngoài ra, Engel & Ng (1993) áp dụng đa dạng các mô hình kinh tế lượng để xác nhận về sự tồn tại của hiệu ứng bất cân xứng tin tức xảy ra tại thị trường chứng khoán Nhật Bản. Yu (2005) và Corsi & Reno (2012) cũng áp dụng mô hình bất cân xứng này thông qua sự xem xét sự biến động giá tài sản tài chính theo khoảng thời gian liên tục và rời rạc. Các bài nghiên cứu này đã chỉ ra rằng lợi nhuận âm của các tài sản tài chính có sự tương quan cao với mức độ rủi ro của các loại tài sản đó trong hiện tại, đặc biệt tác động trên vẫn duy trì trong khoảng thời gian dài.

Các bài nghiên cứu trong thời gian gần đây mở rộng giả thuyết về hiệu ứng bất cân xứng tin tức trong cả xem xét về sự biến động của tổng tài sản công ty. Cụ thể, Choi và Richardson (2016) sử dụng dữ liệu từ thị trường chứng khoán Mỹ để khám phá ra tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực không những đến sự biến động giá cổ phiếu của công ty mà còn đến sự biến động giá trị tổng tài sản của công ty đó. Tuy nhiên, thông qua việc sử dụng mô hình kinh tế lượng bất cân xứng VECH-GJR, Chen và Anh (2020) tìm ra sự không tồn tại hiệu ứng bất cân xứng tin tức đến sự biến động của giá cổ phiếu và của giá trị tổng tài sản công ty trong trường hợp của Đài Loan.

Một số bài nghiên cứu trong nước đã xem xét hiệu ứng bất cân xứng của tin tức trong bối cảnh của thị trường chứng khoán Việt Nam. Ở giai đoạn thị trường chứng khoán Việt Nam còn sơ khai, Hoàng (2004) đã phân tích hiệu ứng GARCH trên lợi suất thị trường chứng khoán Việt Nam giai đoạn 2000-2003. Bài nghiên cứu đã đưa ra được những kết quả tương đối đồng nhất với bằng chứng từ các nước phát triển. Cụ thể, thị trường chứng khoán Việt Nam ở giai đoạn sơ khai cũng bị ảnh hưởng mạnh mẽ bởi các tin tức thị trường, đặc biệt tin xấu ảnh hưởng nhanh, mạnh và trực tiếp hơn tin tốt. Xét trong giai đoạn 2005-2016, Tiên, Hoài & Toàn (2017) ứng dụng các mô hình GARCH cân xứng và bất cân xứng để khám phá ra hiệu ứng bất đối xứng tồn tại khi áp dụng mô hình EGARCH(1,1), nhưng hiệu ứng này không tồn tại khi áp dụng mô hình TARCH(1,1). Bài nghiên cứu đã sử dụng tiêu chí giá trị AIC và SIC để lựa chọn mô hình EGARCH(1,1) là tốt nhất.   

3. Dữ liệu, thống kê mô tả và phương pháp nghiên cứu

Bài nghiên cứu thu thập dữ liệu về chỉ số VN-Index hàng ngày từ ngày 28/7/2000 đến ngày 31/12/2020. Mẫu dữ liệu có tổng cộng 4.931 quan sát. Nguồn thu thập dữ liệu từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh.

Để kiểm tra hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam, bài nghiên cứu sử dụng biến phụ thuộc là tỷ suất lợi nhuận của các cổ phiếu giao dịch trên thị trường (R_t). Chỉ số VN-Index là chỉ số đại diện đáng tin cậy cho thị trường chứng khoán Việt Nam, nên biến phụ thuộc R_t được đo lường bởi phần trăm thay đổi của chỉ số VN-Index trong ngày giao dịch hiện hành so với ngày giao dịch liền kề trước đó. Cụ thể:

R_t = ln (P_t / P_t-1)    (1)

R_t là tỷ suất lợi nhuận của các cổ phiếu vào thời điểm t ; P_t , P_t-1 lần lượt là điểm của chỉ số VN-Index vào thời điểm t và t – 1.

Bảng 1 trình bày kết quả về thống kê mô tả của tỷ suất lợi nhuận các cổ phiếu giao dịch trên thị trường chứng khoán Việt Nam.

Bảng 1. Thống kê mô tả

Chỉ báo thống kê	Tỷ suất lợi nhuận cổ phiếu (Rt)
Trung bình	0.0487%
Độ lệch chuẩn	1.4859%
Giá trị nhỏ nhất	-7.6557%
Giá trị lớn nhất	7.7414%

         Nguồn: Kết quả tính toán trên Stata

Tỷ suất lợi nhuận trung bình của cổ phiếu trên thị trường chứng khoán Việt Nam khá thấp xấp xỉ 0% trong giai đoạn 2000-2020. Ngoài ra, thị trường chứng khoán Việt Nam mang đặc điểm của thị trường chứng khoán cận biên với mức độ rủi ro cao. Cụ thể, tỷ suất lợi nhuận của cổ phiếu hàng ngày dao động khá mạnh từ -7.65% đến 7,74% với độ lệch chuẩn cao 1,48%.

Bài nghiên cứu kiểm tra hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam thông qua 3 bước. Bước đầu tiên là xem xét kiểm định đơn vị để kiểm tra tính dừng của dữ liệu và kiểm định Larange để xem xét phần sai số ngẫu nhiên có tồn tại hiện tượng phương sai thay đổi. Sau khi đáp ứng các điều kiện trong 2 kiểm định trên; bước thứ 2 là áp dụng mô hình EGARCH(1,1) và TARCH(1,1) để kiểm tra sự tồn tại của hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam. Cuối cùng, chỉ tiêu tiêu chuẩn thông tin Akaike (AIC) và tiêu chuẩn thông tin Bayesian (BIC) được sử dụng để lựa chọn mô hình tốt hơn giữa EGARCH(1,1) và TARCH(1,1).

4. Kết quả nghiên cứu và thảo luận

4.1. Kiểm định đơn vị và kiểm định hiện tượng phương sai thay đổi

Biến tỷ suất lợi nhuận cổ phiếu (R_t) phải có tính dừng và phần sai số ngẫu nhiên phải đảm bảo tồn tại hiện tượng phương sai thay đổi thì các mô hình EGARCH(1,1) và TARCH(1,1) mới có đầy đủ hiệu lực. Vì vậy, Bảng 2 trình bày các kết quả kiểm định đơn vị để kiểm tra tính dừng của dữ liệu và kiểm định Larange để xem xét phần sai số ngẫu nhiên có tồn tại hiện tượng phương sai thay đổi.

Bảng 2. Kiểm định đơn vị (ADF) và hiện tượng phương sai thay đổi (Lagrange)

	Kiểm định ADF tại bậc 0	Kiểm định Lagrange với độ trễ là 3
t-statistic	p-value	ARCH-LM F statistic	p-value
Giá trị	-54.09	0.0000	373.29	0.0000

                                                             Nguồn: Kết quả tính toán trên Stata

Kết quả từ Bảng 2 cho thấy biến tỷ suất lợi nhuận cổ phiếu (R_t) có tính dừng và phần sai số ngẫu nhiên tồn tại hiện tượng phương sai thay đổi. Vì vậy, 2 mô hình GARCH bất cân xứng EGARCH(1,1) và TARCH(1,1) là phù hợp để kiểm tra hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam.

4.2. Các mô hình GARCH bất cân xứng

Bảng 3. Kết quả mô hình EGARCH(1,1)

Biến	Hệ số	Sai số chuẩn	p-value
C	0.00049***	0.00017	0.003
Phương trình phương sai
α	965.4751***	55.8558	0.0000
β	-412.9876***	85.8679	0.0000
λ	1.0579***	0.0505	0.0000

***, **, * lần lượt có ý nghĩa thống kê ở mức 1%, 5% và 10%

                                                      Nguồn: Kết quả tính toán trên Stata  

Kết quả từ mô hình EGARCH(1,1) cho thấy không tồn tại hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam do hệ số bất cân xứng (λ) > 0.

Thứ hai, phương trình của mô hình TARCH (1,1) (Rabemananjara and Zakoian, 1993) được trình bày như sau:

R_t = β₀ + u_t     (3a)

h_t = γ₀ + α * u_t-1²  + β * h_t-1 + λ * D_t-1 * u_t-1²    (3b)

Trong đó: u_t tuân theo phân phối chuẩn với giá trị trung bình bằng 0 và phương sai h_t, α, β và λ lần lượt là hệ số ARCH, GARCH và bất cân xứng. Hiệu ứng bất cân xứng sẽ tồn tại khi λ > 0. Bảng 4 thể hiện kết quả của mô hình TARCH (1,1).

Bảng 4. Kết quả mô hình TARCH(1,1)

Biến	Hệ số	Sai số chuẩn	p-value
C	0.00078***	0.00016	0.0000
Phương trình phương sai
α	0.4721***	0.0372	0.0000
β	0.3391***	0.0179	0.0000
λ	0.2843***	0.0384	0.0000

***, **, * lần lượt có ý nghĩa thống kê ở mức 1%, 5% và 10%

                                                     Nguồn: Kết quả tính toán trên Stata

Kết quả từ mô hình TARCH(1,1) lại cho thấy có sự tồn tại hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam do hệ số bất cân xứng (λ) > 0.

4.3. Lựa chọn mô hình

Để lựa chọn mô hình phù hợp hơn giữa 2 mô hình EGARCH(1,1) và TARCH(1,1), bài nghiên cứu sử dụng 2 chỉ tiêu tiêu chuẩn thông tin Akaike (AIC) và tiêu chuẩn thông tin Bayesian (BIC) làm thước đo để so sánh 2 mô hình GARCH bất cân xứng trên. Cụ thể, mô hình sẽ phù hợp hơn khi giá trị AIC và BIC của mô hình đó nhỏ hơn mô hình còn lại. Bảng 5 trình bày giá trị AIC và BIC của mô hình EGARCH (1,1), TARCH(1,1)

Bảng 5. Giá trị AIC và BIC của mô hình EGARCH (1,1), TARCH(1,1)

Mô hình	AIC	BIC
EGARCH(1,1)	-28.490,69	-28.458,18
TARCH(1,1)	-28.803,54	-28.771,02

 Nguồn: Kết quả tính toán trên Stata           

Giá trị AIC và BIC của mô hình TARCH(1,1) đều nhỏ hơn các giá trị tương ứng của mô hình EGARCH(1,1). Vì vậy, mô hình TARCH(1,1) phù hợp hơn mô hình EGARCH(1,1) trong việc kiểm tra hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam.

4.4. Thảo luận kết quả nghiên cứu

Mặc dù 2 mô hình ra kết quả khác nhau khi kết quả mô hình EGARCH(1,1) chỉ ra rằng không tồn tại hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam, nhưng mô hình TARCH(1,1) lại cho ra kết quả ngược lại. Mô hình TARCH(1,1) phù hợp hơn mô hình EGARCH(1,1) thông qua việc áp dụng tiêu chuẩn thông tin Akaike (AIC) và tiêu chuẩn thông tin Bayesian (BIC). Như vậy, bài nghiên cứu kết luận được mô hình TARCH(1,1) đáng tin cậy hơn, từ đó xác nhận sự tồn tại của hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam. Điều này ngụ ý rằng tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Việt Nam. Kết quả này hoàn toàn phù hợp với các bài nghiên cứu cùng chủ đề này về các thị trường chứng khoán phát triển (Nelson, 1991; Rabemananjara & Zakoian, 1993; Glosten, Jagannathan & Runkle, 1993; Engel & Ng, 1993 và Choi & Richardson, 2016).

Hoàng (2004) đã phân tích thị trường chứng khoán Việt Nam giai đoạn còn sơ khai 2000-2003 cũng bị ảnh hưởng mạnh mẽ bởi các tin tức thị trường, đặc biệt tin xấu ảnh hưởng nhanh, mạnh và trực tiếp hơn tin tốt. Xét trong giai đoạn 2005-2016, Tiên, Hoài & Toàn (2017) khám phá ra hiệu ứng bất đối xứng tồn tại khi áp dụng mô hình EGARCH(1,1), nhưng hiệu ứng này không tồn tại khi áp dụng mô hình TARCH(1,1). Bài nghiên cứu đã sử dụng tiêu chí giá trị AIC và SIC để lựa chọn mô hình EGARCH(1,1) là tốt nhất. Bằng cách mở rộng khoảng thời gian quan sát từ 2000-2020, bài nghiên cứu này đã đưa ra kết quả ngược lại với kết quả của Tiên, Hoài & Toàn (2017) khi hiệu ứng bất đối xứng tồn tại đối với mô hình TARCH(1,1) nhưng không tồn tại đối với mô hình EGARCH(1,1). Tuy nhiên, bài nghiên cứu này có điểm tương đồng với bài nghiên cứu của Tiên, Hoài & Toàn (2017) khi so sánh 2 mô hình thì mô hình tồn tại hiệu ứng bất cân xứng tin tức là mô hình tốt hơn. Như vậy, kết quả của bài nghiên cứu này cung cấp thêm một bằng chứng thực nghiệm đáng tin cậy về hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam.  

5. Kết luận và khuyến nghị

Bài nghiên cứu áp dụng 2 mô hình GARCH bất cân xứng EGRACH và TARCH để xác nhận sự tồn tại của hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam khi áp dụng mô hình TARCH(1,1), nhưng kết quả là ngược lại khi sử dụng mô hình EGARCH(1,1). Tuy nhiên, mô hình TARCH(1,1) đáng tin cậy hơn thông qua sự so sánh các giá trị AIC và BIC giữa 2 mô hình, từ đó xác nhận sự tồn tại của hiệu ứng bất cân xứng tin tức trên thị trường chứng khoán Việt Nam. Điều này ngụ ý rằng tin tức tiêu cực có tác động mạnh hơn so với tin tức tích cực đến sự biến động của giá tài sản trong tương lai trên thị trường chứng khoán Việt Nam.

Thị trường chứng khoán Việt Nam mang đặc điểm của thị trường chứng khoán cận biên với mức độ rủi ro cao đi kèm sự xuất hiện của các cú sốc và tin xấu trong nhiều thời điểm. Kết quả của bài nghiên cứu là một gợi ý quan trọng cho các nhà đầu tư phải cẩn trọng trong các thời điểm nền kinh tế và thị trường tài chính xuất hiện nhiều tin xấu. Ngoài ra, bài nghiên cứu cũng cung cấp hàm ý chính sách cho các cơ quan quản lý nhà nước trong việc cải thiện môi trường kinh doanh, nâng cao sự minh bạch trên thị trường chứng khoán để tạo nên hành lang pháp lý và môi trường đầu tư vững chắc nhằm bảo vệ nhà đầu tư trong và ngoài nước.

Lời cảm ơn: Tác giả xin chân thành cảm ơn sự hỗ trợ của các bạn sinh viên trong đề án nâng cao khả năng nghiên cứu khoa học của sinh viên Trường Đại học Văn Lang.

10 nhà đầu tư “thông minh nhất thế giới” mách nước cách xây dựng danh mục hoàn hảo

10 nhà đầu tư “thông minh nhất thế giới” mách nước cách xây dựng danh mục hoàn hảo

(Nguồn: https://cafef.vn/)

Điểm mấu chốt là nhà đầu tư cần tìm được tài sản có độ tương quan thấp so với tài sản khác, để khi 1 tài sản biến động không nhất thiết kéo theo tài sản khác cũng biến động mạnh.

Liệu có tồn tại thứ gọi là “danh mục hoàn hảo” cho nhà đầu tư?

Tờ MarketWatch đã đặt ra câu hỏi này cho 10 nhân vật nổi tiếng có thể nói là được kính trọng nhất trong cộng đồng đầu tư hiện nay. 6 người đã từng đạt giải Nobel Kinh tế: Harry Markowitz, cha đẻ của Lý thuyết danh mục hiện đại; William Sharrpe, người tạo ra mô hình định giá tài sản CAPM và chỉ số beta đã làm thay đổi cách chúng ta suy nghĩ về rủi ro và phần thưởng trên thị trường tài chính; Eugene Fama, người đã phát triển Lý thuyết thị trường hiệu quả; Myron Scholes và Robert Merton, 2 nhân vật đồng sáng tạo ra mô hình định giá quyền chọn Black-Scholes/Merton và Robert Shiller, nhà kinh tế học hành vi đã thay đổi quan điểm của chúng ta về thị trường hiệu quả.

4 nhân vật còn lại là các nhà quản lý, nhà đầu tư nổi tiếng và tác giả những cuốn sách đã bán được hàng triệu bản. Đó là Jack Bogle, nhà sáng lập quỹ Vanguard; huyền thoại trái phiếu Marty Leibowizt; “người đàn ông thông thái nhất phố Wall” Charles Ellis và “phù thủy Wharton” Jeremy Siegel.

Không có gì đáng ngạc nhiên, câu trả lời của họ không hề đồng thuận. Dựa trên nền tảng và kinh nghiệm khác nhau của mỗi người, góc nhìn của họ cũng khác nhau và điều đó cũng phản ánh sự phức tạp của công việc quản lý danh mục đầu tư. Không có hình mẫu nào vừa vặn với tất cả mọi người.

Theo Markowitz, điều đầu tiên và quan trọng nhất là cần đa dạng hóa danh mục. Chỉ tập trung vào danh mục gồm những tài sản được dự đoán sẽ đem lại mức lợi suất cao nhất trên một mức rủi ro đã xác định trước. Tôn chỉ này cũng áp dụng với các tài sản khác như trái phiếu, bất động sản và hàng hóa.

Điểm mấu chốt là nhà đầu tư cần tìm được tài sản có độ tương quan thấp so với tài sản khác, để khi 1 tài sản biến động không nhất thiết kéo theo tài sản khác cũng biến động mạnh.

Trong khi đó danh mục hoàn hảo của Sharpe giống như những gì ông đã đưa ra trong mô hình CAPM: hãy đầu tư vào những thứ như quỹ chỉ số để cover toàn bộ thị trường.

Fama đã phát triển 1 mô hình lấy CAPM làm cơ sở và thêm vào 2 yếu tố. Thứ nhất là sự khác biệt về lợi suất giữa cổ phiếu giá trị và cổ phiếu tăng trưởng, thứ hai là sự khác biệt giữa nhóm vốn hóa nhỏ và các cổ phiếu có giá trị vốn hóa lớn. Theo Fama, 1 danh mục đầu tư đa dạng nên hướng về các cổ phiếu giá trị và các công ty có giá trị vốn hóa nhỏ. Cả 2 loại này đều có xu hướng diễn biến tốt trong dài hạn.

Trên cương vị là người tạo ra quỹ tương hỗ chỉ số đầu tiên trên thế giới, đương nhiên danh mục hoàn hảo của Bogle tập trung vào các quỹ chỉ số, ví dụ như quỹ ETF theo dõi chỉ số S&P 500 của Vanguard. Tôn chỉ của ông là hãy hạ thấp chi phí bằng cách sử dụng quỹ chỉ số và không thực hiện những hành động có thể phá hủy giá trị. Đôi lúc tất cả những gì bạn cần làm là “Không làm gì cả, đứng yên ở đó!”.

Còn đối với Scholes, 1 danh mục hoàn hảo cần chú trọng đến việc quản lý rủi ro. Thành công sẽ phụ thuộc nhiều nhất vào việc bạn tránh được “rủi ro đuôi” (tail risk) – là những sự kiện hiếm khi xảy ra nhưng sẽ khiến thị trường sụt giảm nghiêm trọng như khủng hoảng tài chính 2008 hay đại dịch Covid-

Để làm được điều này, cần chú ý đến các chỉ số đo lường mức độ biến động của thị trường như chỉ số VIX. Ví dụ, khi VIX ở dưới mức trung bình lịch sử, bạn sẽ cảm thấy thoải mái hơn khi tăng tỷ trọng đầu tư vào những cổ phiếu rủi ro.

Merton cho rằng trước tiên 1 danh mục hoàn hảo phải bao gồm những tài sản phi rủi ro, ví dụ như trái phiếu chính phủ được bảo vệ trước lạm phát. Đối với mục tiêu kiếm tiền cho thời kỳ hưu trí, lý tưởng nhất là bạn nên tiết kiệm dần dần và mua những loại như bảo hiểm để có dòng thu nhập đều đặn hàng năm.

Đối với Leibowitz, danh mục hoàn hảo chính là mức độ rủi ro mà bản thân bạn có thể chịu đựng. Hãy xem xét đến mọi trường hợp có thể xảy ra (bao gồm cả những sự kiện quan trọng trong đời) và cả các khoản thuế. Ngoài cổ phiếu, nên đầu tư cả trái phiếu để giảm mức độ biến động của danh mục. Cần có 1 kế hoạch dự phòng khẩn cấp để đối phó với những sự kiện bất ngờ nhưng nghiêm trọng và có thể đảo ngược tất cả.

Shiller đặc biệt coi trọng tính đa dạng của danh mục, không chỉ đa dạng bằng nhiều loại tài sản khác nhau mà còn đa dạng về địa lý, có cả tài sản trong nước và tài sản quốc tế.

Ellis, một trong những người đi tiên phong của trường phái đầu tư bị động, cho rằng danh mục hoàn hảo tất nhiên phải có quỹ chỉ số, đặc biệt nếu bạn muốn có cơ hội lọt top 20% quỹ có hiệu suất cao nhất trong 20 năm tới. Bạn nên đầu tư vào các quỹ chỉ số trái phiếu và quỹ chỉ số quốc tế có chi phí thấp, ví dụ như MSCI EAFE (châu Âu, Australia và viễn Đông). Ngoài ra cần chú ý đến số thuế cần phải nộp.

Siegel khuyến khích nhà đầu tư đưa ra mức kỳ vọng hợp lý dựa trên lịch sử tài chính của bản thân. Càng đầu tư dài hạn thì tỷ trọng cổ phiếu trong danh mục sẽ càng lớn. Nên xem xét đến cổ phiếu ở các nước đang phát triển. Đối với trái phiếu, trái phiếu chính phủ có bảo vệ trước lạm phát là lựa chọn hợp lý.

Cuối cùng, hãy chú ý tới mức độ chấp nhận rủi ro, thu nhập hiện tại, mong ước của bản thân về tài sản trong tương lai và dự kiến những nhu cầu tài chính của bản thân ở cả hiện tại và tương lai.

Tham khảo Marketwatch

Kiểm định mối quan hệ giữa phát triển tài chính và giảm nghèo bằng mô hình FMOLS

Kiểm định mối quan hệ giữa phát triển tài chính và giảm nghèo bằng mô hình FMOLS

(Nguồn: http://tapchicongthuong.vn/)

ThS. PHẠM BÍCH HỒNG (Giảng viên, Trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh)

TÓM TẮT:

Nghiên cứu được thực hiện nhằm kiểm định mối quan hệ giữa phát triển tài chính và giảm nghèo với dữ liệu bảng gồm 49 quốc gia có thu nhập trung bình và thấp trên thế giới. Kết quả chỉ ra rằng, phát triển tài chính làm gia tăng thu nhập bình quân đầu người và giúp giảm tỷ lệ nghèo ở các quốc gia này.

Từ khóa: phát triển tài chính, giảm nghèo, quốc gia có thu nhập trung bình và thấp, mô hình FMOLS, hiện tượng đồng liên kết.

1. Giới thiệu

Phát triển tài chính luôn được xem là thước đo đo lường sự phát triển của một nền kinh tế, đồng thời khi một nền kinh tế phát triển, đời sống của người dân cũng sẽ được nâng cao. Đã có rất nhiều nghiên cứu xem xét mối quan hệ giữa phát triển tài chính và phát triển kinh tế, tuy nhiên những nghiên cứu về mối quan hệ giữa phát triển tài chính và giảm nghèo lại ít được thực hiện và có những kết quả không đồng nhất. Điển hình như nghiên cứu của Quartey (2005) cho rằng phát triển tài chính có tác động làm giảm nghèo nhưng lại không đáng kể hay nghiên cứu của Odhiambo (2009) lại chỉ ra rằng giảm nghèo sẽ tác động làm tăng phát triển tài chính.

Mục tiêu của bài nghiên cứu là xem xét mối quan hệ giữa phát triển tài chính và giảm nghèo để trả lời cho câu hỏi “Liệu phát triển tài chính có thực sự giúp giảm nghèo hay không?” với những bằng chứng thực nghiệm rõ ràng.

2. Cơ sở lý thuyết và kết quả các nghiên cứu trước đây

Nghèo là một vấn đề nan giải mà rất nhiều quốc gia có thu nhập trung bình và thấp đang phải đối mặt khi mức sống của người dân ở mức thấp, họ bị thiếu những nhu cầu cơ bản như lương thực, quần áo, nước sạch,… Ngân hàng Thế giới (1990) đã định nghĩa nghèo là tình trạng không có khả năng để sống ở mức sống tối thiểu.

Ngoài ra, Đinh Phi Hổ (2009) đã đưa ra khái niệm nghèo là tình trạng bị thiếu thốn về nhiều phương diện như thu nhập thấp do thiếu cơ hội tạo thu nhập, thiếu những nhu cầu cơ bản hằng ngày của cuộc sống, thiếu tài sản để tiêu dùng lúc bất trắc xảy ra và dễ bị tổn thương trước những mất mát.

Mối quan hệ giữa phát triển tài chính và giảm nghèo được hình thành và xây dựng dựa trên những nền tảng lý thuyết kinh tế. Điển hình là mô hình tăng trưởng Harrod – Domar chứng minh rằng phát triển tài chính sẽ thúc đẩy phát triển kinh tế. Bên cạnh đó, phát triển kinh tế lại giúp thu nhập của người dân tăng lên. Khi thu nhập tăng lên thì hàm tiêu dùng của Keynes đã cho thấy chi tiêu tiêu dùng của người dân cũng sẽ cao hơn. Khi người dân có đủ tiền để trang trải cho những nhu cầu thiết yếu của cuộc sống như lương thực thực phẩm thì họ đã giảm nghèo. Bên cạnh tác động gián tiếp này, phát triển tài chính lại có tác động trực tiếp giúp giảm nghèo do phát triển tài chính giúp người nghèo có thể tiếp cận các khoản vay dễ dàng hơn và phá vỡ vòng xoáy nghèo của chính họ.

Bên cạnh đó, theo nghiên cứu của Sehrawat và Giri (2016), người nghèo có thể được hưởng lợi một cách trực tiếp từ phát triển tài chính bằng nhiều hình thức.

Thứ nhất, người nghèo có thể hưởng lợi từ việc giảm chi phí tiếp cận vốn vay. Ở các nước đang phát triển, chi phí vay vốn thường khá cao do sự bất hoàn hảo của thị trường tài chính. Hơn nữa, hiện tượng thông tin bất cân xứng giữa người cho vay và người đi vay khiến các ngân hàng gặp khó khăn trong việc xác định mức độ rủi ro tín dụng đối với các đối tượng khác nhau và do đó, ngân hàng có thể giảm lượng tiền cho vay. Đôi khi, các ngân hàng thiết lập các chi phí sàng lọc để xác định rủi ro của các dự án khác nhau và khả năng trả nợ của người đi vay, thế nhưng điều này lại làm gia tăng chi phí liên quan đến việc đi vay. Bên cạnh đó, các ngân hàng cũng thiết lập các điều khoản về tài sản thế chấp để phòng ngừa rủi ro khách hàng không thể trả được nợ. Thế nhưng, người nghèo thường không có đủ tiền hoặc tài sản cho việc thế chấp, nên họ thường gặp khó khăn trong việc tiếp cận các khoản vay. Vì vậy, mặc dù người nghèo có những dự án có khả năng sinh lợi, họ vẫn không thể tiếp cận các khoản vay để thực hiện dự án của mình. Bên cạnh đó, người nghèo cũng không có đủ tiền hoặc không thể vay mượn để nâng cao trình độ học vấn hay mua bảo hiểm để phòng ngừa những rủi ro khi có những cú sốc kinh tế tiêu cực bất ngờ xảy ra.

Thứ hai, người nghèo sẽ nhận được lợi ích từ phát triển tài chính do có nhiều tiền hơn được lưu thông trong nền kinh tế. Thay vì trao đổi hàng hóa thực cho nhau, người nghèo có nhiều cơ hội hơn để sử dụng tiền như là phương tiện lưu thông. Điều này sẽ giúp giảm chi phí trong việc tìm kiếm đối tác kinh doanh, lưu trữ và vận chuyển hàng hóa nông nghiệp bởi tiền là phương tiện thanh toán dễ dàng phân chia, không tốn kém trong vận chuyển. Song song đó, gia tăng tính khả dụng của tiền cũng thúc đẩy thương mại giữa các vùng miền. Khi có nhiều tiền được lưu thông trong nền kinh tế, chi phí giao dịch có thể giảm xuống.

Bên cạnh đó, người nghèo có thể hưởng lợi từ phát triển tài chính do tăng các cơ hội tiết kiệm. McKinnon (1973) cho rằng, nếu người nghèo có thể gửi tiết kiệm, họ sẽ nhận được thu nhập từ tiền lãi và dần dần tích lũy tài sản. Do tín dụng khan hiếm ở những nước đang phát triển, người nghèo cần phải tiết kiệm trước khi có thể đầu tư. McKinnon tin rằng, người nghèo có thể tích lũy các khoản tiết kiệm và hưởng lợi khi họ tài trợ cho chính những dự án đầu tư của mình. Nếu người nghèo không thể tiết kiệm, họ sẽ không thể tích lũy tài sản và thoát khỏi cảnh nghèo. Do đó, phát triển tài chính có thể giúp người nghèo tích lũy tài sản bằng cách khiến việc mở tài khoản tiết kiệm ở các tổ chức tài chính dễ dàng thực hiện hơn.

Tuy nhiên, kết quả nghiên cứu của Odhiambo (2009) lại chỉ ra rằng, giảm nghèo sẽ tác động làm tăng phát triển tài chính bằng việc phân tích mối quan hệ nhân quả giữa phát triển tài chính và giảm nghèo ở Zambia với dữ liệu hàng năm từ 1969 đến 2006 bằng phương pháp ARDL. Mặt khác, Quartey (2005) cho thấy rằng phát triển tài chính có tác động làm giảm nghèo nhưng không đáng kể  khi xem xét mối quan hệ giữa phát triển tài chính, huy động tiết kiệm và giảm nghèo ở Ghana trong giai đoạn 1970-2001.

3. Phương pháp nghiên cứu

3.1. Dữ liệu nghiên cứu

Bài nghiên cứu sử dụng dữ liệu bảng của 49 quốc gia có thu nhập trung bình và thấp theo phân loại của Ngân hàng Thế giới (World Bank) trong giai đoạn 1995-2015 để xem xét tác động của phát triển tài chính lên giảm nghèo (trong đó có Việt Nam).

3.2. Các biến nghiên cứu

Bảng 1. Các biến được sử dụng trong nghiên cứu

3.3. Phương pháp ước lượng

Phương pháp FMOLS dành cho dữ liệu bảng: Do có hiện tượng đồng liên kết, phương pháp FMOLS được áp dụng nhằm xem xét mối quan hệ cân bằng dài hạn. Phương pháp ước lượng bình phương nhỏ nhất có điều chỉnh (FMOLS) sẽ giải thích cho hiệu ứng tương quan chuỗi và hiện tượng nội sinh trong mô hình do có sự tồn tại của hiện tượng đồng liên kết.

Như vậy với dữ liệu và mục tiêu nghiên cứu của bài, phương pháp FMOLS sẽ được sử dụng để thực hiện hồi quy mô hình:

LPOV_it = α_it + β₁LCR_it + β₂LM3_it + β₃LTO_it + β₄LCPI_it + ε_it  (1)

Vì LPOV, LCR, LM3, LTO và LCPI là logarit tự nhiên của các biến POV, CR, M3, TO và CPI nên các hệ số hồi quy có thể được xem như hệ số co dãn. Bài nghiên cứu sử dụng mô hình FMOLS để xem xét 1% tăng thêm trong tỷ lệ tín dụng nội địa của khu vực tư nhân sẽ làm tăng bao nhiêu % chi tiêu tiêu dùng bình quân đầu người; 1% tăng thêm trong tỷ lệ cung tiền M3/GDP sẽ làm tăng bao nhiêu % chi tiêu tiêu dùng bình quân đầu người; 1% tăng thêm trong độ mở thương mại sẽ làm tăng bao nhiêu % chi tiêu tiêu dùng bình quân đầu người, và 1% tăng thêm trong chỉ số giá tiêu dùng sẽ làm tăng bao nhiêu % chi tiêu tiêu dùng bình quân đầu người.

4. Kết quả nghiên cứu

Kết quả hồi quy mô hình FMOLS

Dựa vào kết quả ước lượng mô hình hồi quy bằng phương pháp FMOLS, có thể thấy tất cả các hệ số hồi quy đứng trước các biến LCR, LM3, LTO và LCPI đều dương và có ý nghĩa thống kê ở mức 5% (p-value của tất cả các hệ số hồi quy đều nhỏ hơn 5%). Vì LPOV, LCR, LM3, LTO và LCPI là logarit tự nhiên của các biến POV, CR, M3, TO và CPI nên các hệ số hồi quy có thể được xem như hệ số co dãn. Kết quả chỉ ra rằng, cứ 1% tăng thêm trong tỷ lệ tín dụng nội địa của khu vực tư nhân làm tăng 0.25% chi tiêu tiêu dùng bình quân đầu người; 1% tăng thêm trong tỷ lệ cung tiền/GDP làm tăng gần 0.32% chi tiêu tiêu dùng bình quân đầu người; 1% tăng thêm trong độ mở thương mại làm tăng 0.31% chi tiêu tiêu dùng bình quân đầu người, và 1% tăng thêm trong chỉ số giá tiêu dùng làm tăng 0.88% chi tiêu tiêu dùng bình quân đầu người.

Bảng 2. Kết quả hồi quy mô hình FMOLS

Sau khi thực hiện hồi quy các chuỗi dữ liệu theo kỹ thuật FMOLS, bài nghiên cứu tiếp tục kiểm định tính dừng của phần dư (resid) thu được trong mô hình. Với kiểm định LLC và IPS, có thể thấy p-value nhận được luôn thấp hơn 5%, như vậy giả thuyết H0 bị bác bỏ, và phần dư là một chuỗi dừng. Kết quả này cho thấy giữa các biến LPOV, LCR, LM3, LTO và LCPI có hiện tượng đồng liên kết xảy ra và mô hình FMOLS được sử dụng để ước lượng hồi quy giữa các biến là phù hợp.

5. Kết luận

Bằng phương pháp FMOLS, bài nghiên cứu đã xem xét mối quan hệ trong dài hạn giữa phát triển tài chính và giảm nghèo ở các quốc gia có thu nhập trung bình và thấp.

Kết quả nghiên cứu cho thấy rằng có hiện tượng đồng liên kết xảy ra giữa các biến đại diện cho phát triển tài chính và giảm nghèo. Kết quả hồi quy mô hình FMOLS chỉ ra mối tương quan cùng chiều và có ý nghĩa thống kê giữa biến đại diện cho phát triển tài chính và biến đại điện cho giảm nghèo.

Giảm nghèo bền vững là một trong những chương trình mục tiêu quốc gia ở Việt Nam. Nghiên cứu này đã cho thấy người nghèo được hưởng lợi từ phát triển tài chính, thông qua việc tiếp cận dễ dàng hơn đến các khoản tín dụng cá nhân. Chính vì vậy, việc phát triển tín dụng cá nhân dành cho người nghèo là vô cùng quan trọng để Việt Nam có thể giảm nghèo bền vững.

Tóm lại, nghiên cứu đã góp phần bổ sung các bằng chứng thực nghiệm để chứng minh rằng phát triển tài chính giúp giảm nghèo. Tuy nhiên, nghiên cứu chưa làm rõ về ảnh hưởng của các cú sốc tài chính lên người nghèo. Đây có thể là một hướng mở rộng cho nghiên cứu trong tương lai.