PHÂN TÍCH ĐẦU TƯ CHỨNG KHOÁN TRÊN THỊ

TRƯỜNG CHỨNG KHOÁN VIỆT NAM BẰNG PHƯƠNG

PHÁP THỐNG KÊ PHÂN VỊ

AUTHOR: PHẠM LỆ MỸ

AUGUST 20, 2016

 BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN
*************************

PHẠM LỆ MỸ

PHÂN TÍCH ĐẦU TƯ CHỨNG KHOÁN

TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM
BẰNG PHƯƠNG PHÁP THỐNG KÊ PHÂN VỊ

LUẬN ÁN TIẾN SĨ KINH TẾ

HÀ NỘI - 2016
 BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN
*************************

PHẠM LỆ MỸ

PHÂN TÍCH ĐẦU TƯ CHỨNG KHOÁN

TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM
BẰNG PHƯƠNG PHÁP THỐNG KÊ PHÂN VỊ

Chuyên ngành : TOÁN KINH TẾ

Mã số: : 62.31.01.01

LUẬN ÁN TIẾN SĨ KINH TẾ

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1. PGS.TS Trần Hùng Thao
2. PGS.TS Trần Trọng Nguyên

HÀ NỘI - 2016
 LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu khoa học độc lập của cá nhân
tôi. Các kết quả nghiên cứu được trình bày trong luận án là do tôi thực hiện dưới sự
hướng dẫn của PGS.TS. Trần Hùng Thao và PGS.TS. Trần Trọng Nguyên. Các tài
liệu, số liệu và trích dẫn đã sử dụng là trung thực, chính xác. Các kết quả nghiên
cứu của luận án chưa được công bố trong bất kỳ công trình nghiên cứu nào khác.

Hà Nội, ngày 20 tháng 8 năm 2016

Tác giả luận án

Phạm Lệ Mỹ
 LỜI CẢM ƠN

Trong quá trình thực hiện luận án này, tác giả luôn nhận được sự giúp đỡ
nhiệt tình của tập thể giáo viên hướng dẫn, các đồng nghiệp, gia đình và bạn bè.
Trước hết, tác giả xin bày tỏ lòng biết ơn sâu sắc đến PGS.TS Trần Hùng
Thao, PGS.TS Trần Trọng Nguyên, đã trực tiếp hướng dẫn và giúp đỡ tác giả trong
suốt quá trình nghiên cứu và hoàn thành luận án.
Tác giả chân thành biết ơn tập thể giáo viên Khoa Toán Kinh tế, cùng các Thầy,
Cô giáo tham gia giảng dạy chương trình nghiên cứu sinh trường Đại học Kinh tế quốc
dân. Chính những kiến thức mới, phương pháp mới được tiếp thu từ quá trình nghiên
cứu là hành trang giúp tác giả hoàn thành luận án.
Tác giả xin gởi lời cám ơn chân thành đến Ban chủ nhiệm Khoa Toán trường
Đại học Khoa học Huế cùng các Thầy Cô, các đồng nghiệp trong Khoa đã luôn
quan tâm và tạo mọi điều kiện trong quá trình học tập, công tác cũng như thực hiện
luận án.
Cuối cùng, xin gởi lời cám ơn đến tất cả những người thân trong gia đình và
những người bạn yêu quý của tôi, chính sự yêu thương, quan tâm, động viên của gia
đình và các bạn là nguồn động lực to lớn để tác giả hoàn thành luận án.
Xin trân trọng cám ơn!
Hà Nội, ngày 20 tháng 8 năm 2016
Tác giả luận án

Phạm Lệ Mỹ
 MỤC LỤC

LỜI CAM ĐOAN ...................................................................................................i

LỜI CẢM ƠN ........................................................................................................ii
MỤC LỤC............................................................................................................ iii
DANH MỤC CHỮ VIẾT TẮT ............................................................................. v
DANH MỤC BẢNG BIỂU ..................................................................................vii
DANH MỤC HÌNH VẼ ........................................................................................ ix
PHẦN MỞ ĐẦU .................................................................................................... 1
CHƯƠNG 1: CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN NGHIÊN CỨU ................. 7
1.1. Phân tích và đầu tư chứng khoán ............................................................... 7
1.1.1. Khái niệm về phân tích và đầu tư chứng khoán........................................ 7
1.1.2. Các phương pháp phân tích đầu tư cổ phiếu ............................................ 7
1.1.3. Các chiến lược đầu tư chứng khoán ....................................................... 10
1.2. Tổng quan về phân tích và đầu tư chứng khoán...................................... 11
1.3. Phương pháp thống kê phân vị ................................................................. 29
1.3.1. Phương pháp hàm phân vị .................................................................... 29
1.3.2. Phương pháp hồi quy phân vị ................................................................ 36
Kết luận chương 1 ............................................................................................... 47
CHƯƠNG 2: MÔ HÌNH HÀM PHÂN VỊVÀ ỨNG DỤNG TRONG PHÂN
TÍCH VÀ DỰ BÁO ............................................................................................. 48
2.1. Mô hình hàm phân vị ................................................................................ 48
2.1.1. Cơ sở xây dựng mô hình hàm phân vị.................................................... 48
2.1.2. Xây dựng mô hình ................................................................................. 50
2.1.3. Ước lượng các tham số trong mô hình hàm phân vị ............................... 51
2.2. Ứng dụng mô hình hàm phân vị trong phân tích và dự báo xu hướng giá
một số cổ phiếu trên thị trường chứng khoán Việt Nam ................................ 60
2.2.1. Mô tả số liệu.......................................................................................... 60
2.2.2. Kết quả phân tích................................................................................... 61
2.3. Mô hình phương sai có điều kiện thay đổi ............................................... 67
2.4. So sánh độ chính xác dự báo của mô hình hàm phân vị và mô hình
 phương sai có điều kiện thay đổi ..................................................................... 72
2.4.1. Sai số dự báo ......................................................................................... 72
2.4.2. Kết quả dự báo ...................................................................................... 72
Kết luận chương 2 ............................................................................................... 79
CHƯƠNG 3: ỨNG DỤNG PHƯƠNG PHÁP HỒI QUY PHÂN VỊ TRONG
PHÂN TÍCH RỦI RO ......................................................................................... 81
3.1. Rủi ro và đo lường rủi ro .......................................................................... 82
3.1.1. Khái niệm rủi ro và phân loại rủi ro ....................................................... 82
3.1.2. Một số công cụ đo lường rủi ro cơ bản .................................................. 82
3.2. Mô hình phân tích và định giá tài sản tài chính CAPM (CapitalAsset
Pricing Model)- Tiếp cận bằng mô hình hồi quy phân vị .......................... 83
3.2.1. Mô hình CAPM ..................................................................................... 83
3.2.2. Ý nghĩa của hệ số beta ........................................................................... 84
3.2.3. Ước lượng CAPM ................................................................................. 84
3.2.4. Kết quả phân tích thực nghiệm .............................................................. 85
3.3. Mô hình Fama-French với yếu tố ngành - Tiếp cận bằng mô hình hồi quy
phân vị .............................................................................................................. 99
3.3.1. Mô hình Fama-French ........................................................................... 99
3.3.2. Mở rộng mô hình Fama-French với yếu tố ngành ................................ 100
3.3.3. Mô hình Fama -French với yếu tố ngành trong phân tích một số cổ phiếu
trên thị trường chứng khoán Việt Nam - Tiếp cận mô hình hồi quy phân vị... 102
Kết luận chương 3 ............................................................................................. 115
MỘT SỐ KHUYẾN NGHỊ VÀ HÀM Ý CHÍNH SÁCH ................................. 117
KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO ................................. 119
1. Kết luận ...................................................................................................... 119
2. Đề xuất các hướng nghiên cứu tiếp theo ................................................... 120
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ ......................................... 122
DANH MỤC TÀI LIỆU THAM KHẢO .......................................................... 123
PHỤ LỤC ........................................................................................................... 130
 DANH MỤC CHỮ VIẾT TẮT

AAM : Công ty cổ phần Thủy sản Mekong

ACC : Công ty Cổ phần Bê tông Becamex
AGR : Công ty Cổ phần chứng khoán ngân hàng Nông nghiệp và Phát triển
nông thôn Việt Nam
ARCH : Mô hình phương sai có điều kiện của sai số thay đổi tự hồi quy
(Autoregressive Conditional Heterescedastic Models)
BIC : Công ty Cổ phần Bảo hiểm Ngân hàng Đầu tư và Phát triển Việt Nam
BID : Ngân hàng Thương mại cổ phần Đầu tư và Phát triển Việt Nam
BMI : Tổng Công ty cổ phần Bảo Minh
BRC : Công ty Cổ phần Cao su Bến Thành
BSI : Công ty Cổ phần chứng khoán Ngân hàng Đầu tư và Phát triển Việt Nam
CAPM : Mô hình phân tích và định giá tài sản tài chính (Capital Asset Price Model)
CCI : Công ty cổ phần Đầu tư Phát triển Công nghiệp Thương mại Củ Chi
CLW : Công ty cổ phần Cấp nước Chợ Lớn
CTG : Ngân hàng Thương mại cổ phần Công Thương Việt Nam
DAG : Công ty Cổ phần nhựa Đông Á
DPM : Tổng công ty cổ phần Phân bón và Hóa chất dầu khí
DRC : Công Ty Cổ Phần Cao Su Đà Nẵng
DSN : Công ty cổ phần Công viên nước Đầm Sen
EIB : Ngân hàng Thương mại Cổ phần Xuất nhập khẩu Việt Nam
ELC : Công ty Cổ phần Đầu tư và Phát triển Công nghệ
FPT : Công ty cổ phần FPT
GARCH : Mô hình phương sai có điều kiện của sai số thay đổi tự hồi quy tổng
quát (Generalized Autoregressive Conditional Heterescedastic Models)
GMC : Công ty Cổ phần sản xuất Thương mại May Sài Gòn
HCM : Công ty Cổ phần chứng khoán Thành Phố Hồ Chí Minh
HNX : Sàn Giao dịch Chứng khoán Hà nội.
HOSE : Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh
HTI : Công ty Cổ phần Đầu tư phát triển hạ tầng IDICO
HVX : Công ty cổ phần xi măng Vicem Hải Vân
KDC : Công ty Cổ phần Tập đoàn Kinh Đô
KSB : Công ty Cổ phần Khoáng sản và xây dựng Bình Dương
MBB : Ngân hàng Thương mại cổ phần Quân đội
MSN : Công ty cổ phần tập đoàn Masan
OGC : Công ty Cổ phần Tập đoàn Đại Dương
OLS : Hồi quy trung bình bình phương nhỏ nhất (Ordinary Least Square)
PGI : Tổng Công ty Cổ phần Bảo hiểm Petrolimex
PJT : Công Ty Cổ Phần Vận tải Xăng dầu Đường Thủy Petrolimex
PPC : Công ty Cổ phần Nhiệt điện Phả Lại
PVD : Tổng Công ty Cổ phần Khoan và Dịch vụ Khoan Dầu khí
RAL : Công ty Cổ phần Bóng đèn Phích nước Rạng Đông
RDP : Công ty cổ phần Nhựa Rạng Đông
SII : Công ty Cổ phần hạ tầng nước Sài Gòn
SIM : Mô hình chỉ số đơn (Single Index Model)
SSI : Công ty Cổ phần chứng khoán Sài Gòn
STB : Ngân hàng Thương mại cổ phần Sài Gòn Thương Tín
TGARCH : Threshold GARCH
TVS : Công ty Cổ phần chứng khoán Thiên Việt
VCB : Ngân hàng thương mại cổ phần Ngoại thương Việt Nam
VIC : Tập Đoàn VinGroup - Công ty cổ phần
VIS : Công ty Cổ phần Thép Việt Ý
VMD : Công ty cổ phần Y Dược phẩm Vimedimex
VNA : Công ty Cổ phần Vận tải biển VINASHIP
VNINDEX : Chỉ số VNindex
VNM : Công ty Cổ phần Sữa Việt Nam
 DANH MỤC BẢNG BIỂU

Bảng 2.1. Mô tả thống kê chuỗi lợi suất của các cổ phiếu. ..................................... 60
Bảng 2.2.Bảng ước lượng các tham số với mô hình hàm phân vị cho các cổ phiếu. .... 61
Bảng 2.3. Kết quả ước lượng theo mô hình GARCH. ........................................... 68
Bảng 2.4. Kết quả ước lượng theo mô hình TGARCH. ......................................... 70
Bảng 2.5. So sánh giá cổ phiếu thực tế và giá cổ phiếu dự báo theo mô hình hàm
phân vị và mô hình phương sai có điều kiện thay đổi............................................. 73
Bảng 2.6. Dự báo ngoài mẫu của mô hình hàm phân vị và mô hình phương sai có
điều kiện thay đổi. ................................................................................................. 76
Bảng 3.1. Bảng thống kê mô tả lợi suất của các cổ phiếu trong nhóm VN30.......... 86
Bảng 3.2. Bảng thống kê mô tả lợi suất của các cổ phiếu trong nhóm VNSMALL.87
Bảng 3.3. Giá trị hệ số beta của nhóm cổ phiếu VN30 ứng với phương pháp ước
lượng OLS. ............................................................................................................ 88
Bảng 3.4. Giá trị hệ số beta của nhóm cổ phiếu VNSMALL ứng với phương pháp
ước lượng OLS. ..................................................................................................... 89
Bảng 3.5. Giá trị hệ số beta của nhóm cổ phiếu VN30 với các mức phân vị khác
nhau – ước lượng bằng phương pháp hồi quy phân vị. ........................................... 91
Bảng 3.6. Giá trị hệ số beta của nhóm cổ phiếu VNSMALL với các mức phân vị
khác nhau - ước lượng bằng phương pháp hồi quy phân vị. ................................... 92
Bảng 3.7. Phân chia cổ phiếu theo giá trị vốn hóa và tỷ số BE/ME. ..................... 101
Bảng 3.8. Hệ số trong mô hình Fama_French với yếu tố ngành ước lượng bằng
phương pháp OLS của nhóm ngành Tài chính, Ngân hàng và Bảo hiểm. ............. 102
Bảng 3.9. Hệ số trong mô hình Fama_French với yếu tố ngành ước lượng bằng
phương pháp OLS của nhóm ngành Bất động sản. ............................................... 103
Bảng 3.10. Hệ số trong mô hình Fama_French với yếu tố ngành ước lượng bằng
phương pháp OLS của nhóm ngành Hàng Tiêu dùng thiết yếu ............................ 104
Bảng 3.11. Bảng các hệ số ước lượng theo mô hình Fama-French mở rộng với yếu
tố ngành với phương pháp ước lượng hồi quy phân vị của các cổ phiếu ngành Tài
chính, Ngân hàng và Bảo hiểm. ........................................................................... 107
Bảng 3.12. Bảng các hệ số ước lượng theo mô hình Fama-French mở rộng với yếu
tố ngành với phương pháp ước lượng hồi quy phân vị của các cổ phiếu ngành Bất
động sản. ............................................................................................................. 108
Bảng 3.13. Bảng các hệ số ước lượng theo mô hình Fama-French mở rộng với yếu
tố ngành với phương pháp ước lượng hồi quy phân vị của các cổ phiếu ngành Hàng
Tiêu dùng Thiết yếu............................................................................................. 109
 DANH MỤC HÌNH VẼ

Hình 1.1. Hàm phân phối xác suất ......................................................................... 30

Hình 1.2. Hàm phân vị tương ứng.......................................................................... 30
Hình 1.3. Hàm phân vị mũ Exp, hàm đối phân vị mũ RefExp. ............................... 32
Hình 1.4. Hàm phân vị của phân phối Power – Pareto. .......................................... 33
Hình 2.1. Hàm mật độ xác suất tương ứng với lớp hàm phân vị loại I. ................... 49
Hình 2.2. Mô hình hàm phân vị cho cổ phiếu CTG ................................................ 62
Hình 2.2a. Giá của cổ phiếu CTG .......................................................................... 62
Hình 2.2b. Dãy ước lượng của cho cổ phiếu CTG. ............................................. 62
Hình 2.2c. Dãy ước lượng của cho cổ phiếu CTG. ............................................. 62
Hình 2.3. Giá của cổ phiếu khi ước lượng bằng mô hình hàm phân vị và giá thực tế
của cổ phiếu. ......................................................................................................... 78
Hình 3.1. Phân phối lợi suất theo biến động thị trường của các cổ phiếu............... 94
trong nhóm VN30. ................................................................................................ 94
Hình 3.2. Phân phối lợi suất theo biến động thị trường của các cổ phiếu trong nhóm
VNSMALL. .......................................................................................................... 95
Hình 3.3. Khoảng ước lượng cho hệ số beta của nhóm cổ phiếu VN30 đối với lợi
suất thị trường VNINDEX ứng với các mức phân vị khác nhau. ............................ 98
Hình 3.4. Khoảng ước lượng cho hệ số beta của nhóm cổ phiếu VNSMALL đối với
lợi suất thị trường VNINDEX ứng với các mức phân vị khác nhau........................ 97
Hình 3.5. Đồ thị 3 chiều của beta ứng với các mức phân vị khác nhau của các cổ
phiếu nhóm ngành Tài chính, Ngân hàng và Bảo hiểm. ....................................... 110
Hình 3.6. Đồ thị 3 chiều của hệ số beta ứng với các mức phân vị khác nhau của các
cổ phiếu nhóm ngành Bất động sản. .................................................................... 111
Hình 3.7. Đồ thị 3 chiều của beta ứng với các mức phân vị khác nhau của các cổ
phiếu nhóm ngành Hàng tiêu dùng thiết yếu. ....................................................... 112
Hình 3.8. Đồ thị 3 chiều của chỉ số ngành ứng với các mức phân vị khác nhau của
các cổ phiếu nhóm ngành Tài chính, Ngân hàng và Bảo hiểm. ............................ 113
Hình 3.9. Đồ thị 3 chiều của chỉ số ngành ứng với các mức phân vị khác nhau của
các cổ phiếu nhóm ngành Bất động sản-Xây dựng. .............................................. 113
Hình 3.10. Đồ thị 3 chiều của chỉ số ngành ứng với các mức phân vị khác nhau của
các cổ phiếu nhóm ngành Hàng tiêu dùng thiết yếu. ............................................ 114
 1

PHẦN MỞ ĐẦU

1. Tính cấp thiết của đề tài

Thị trường chứng khoán (TTCK) Việt Nam khai trương vào ngày
20/7/2000 và chính thức hoạt động từ ngày 28/7/2000 sau nhiều năm chuẩn bị.
Trải qua nhiều biến động, cho đến nay, thị trường chứng khoán Việt Nam ngày
càng được hoàn thiện phù hợp với xu thế phát triển và nhu cầu của nhà đầu tư.
Để tìm kiếm lợi nhuận và xác định được mức rủi ro, nhà đầu tư cũng như nhà
quản lý cần có những kiến thức cơ bản, chính xác và cập nhật về thị trường
chứng khoán. Do đó việc phân tích đầu tư chứng khoán luôn là vấn đề đặt lên
hàng đầu. Phân tích đầu tư chứng khoán thường tập trung vào hai vấn đề chính:
một là phân tích, dự báo và đánh giá xu hướng giá của cổ phiếu, hai là phân tích
đo lường rủi ro trong quá trình đầu tư, từ đó đưa ra các kịch bản và chiến lược
đầu tư phù hợp. Trong thực tế, nhà đầu tư cũng như nhà quản lý luôn đặt câu hỏi
‘‘Làm sao dự đoán được xu hướng cũng như sự biến động của giá cổ phiếu? Làm
sao đánh giá được mức độ rủi ro có thể xảy ra với mỗi danh mục đầu tư để từ đó
xây dựng chiến lược đầu tư phù hợp sao cho mang lại lợi nhuận cao và phòng
tránh được rủi ro?”. Có rất nhiều nghiên cứu, phân tích về chuỗi giá cổ phiếu đã
được thực hiện nhằm tìm lời giải đáp thỏa đáng cho các vấn đề trên. Thực tế cho
thấy, giá của các cổ phiếu trên thị trường luôn luôn thay đổi theo thời gian. Điều
này đem đến nhiều cơ hội tìm kiếm lợi nhuận nhưng cũng tiềm ẩn rất nhiều rủi ro
cho các nhà đầu tư khi tham gia vào thị trường này.Việc hiểu biết và dự đoán được
xu hướng biến động giá của các cổ phiếu cũng như dự đoán được khả năng lỗ lãi
trong tương lai là một việc rất quan trọng đối với tất cả các nhà đầu tư và nhà quản
lý tài chính nhằm mục đích đưa ra những quyết định chiến lược đầu tư thích hợp.
Để dự đoán được xu hướng cũng như sự biến động của giá chứng khoán,
một vấn đề khá quan trọng là chúng ta cần có được những mô hình dự báo phù
hợp với điều kiện thực tế của thị trường. Như chúng ta đã biết, mỗi mô hình
thường gắn với những giả thiết nhất định, việc đặt ra các giả thiết như vậy giúp
 2

chúng ta nghiên cứu mô hình dễ dàng hơn, nhưng nhiều khi những giả thiết đó
lại không thoả mãn với điều kiện thực tế. Vậy liệu chúng ta có những cách tiếp
cận mới để nghiên cứu những mô hình này khi có những giả thiết của nó không
thoả mãn so với điều kiện thực tế của thị trường hay không?
Đó chính ý tưởng để tác giả tiếp cận một mô hình mới nhằm mục đích phân
tích, đánh giá và dự đoán xu hướng biến động giá của các cổ phiếu trên thị trường
chứng khoán Việt nam – mô hình hàm phân vị. Mô hình này có thể giúp các nhà
đầu tư, các nhà quản lý và các nhà hoạch định chính sách có thêm sự lựa chọn trong
việc phân tích và dự đoán xu hướng giá chứng khoán.
Giống như các hình thức đầu tư khác, đầu tư chứng khoán luôn kèm theo rủi ro
nghĩa là khả năng sinh lời trong đầu tư chứng khoán luôn gắn liền với những rủi ro mà
nhà đầu tư có thể gặp phải. Thông thường lợi nhuận càng cao thì khả năng gặp phải rủi
ro càng lớn. Vì thế việc xem xét, đánh giá khả năng sinh lời cũng như mức độ rủi ro là
một việc làm cần thiết trong đầu tư chứng khoán đặc biệt trong trường hợp thị trường
có nhiều biến động mạnh khi các phương pháp hiện tại chưa giải quyết tốt vấn đề này.
Đây cũng là một ý tưởng để tác giả tìm kiếm một cách tiếp cận khác trong việc phân
tích và đánh giá rủi ro trong trường hợp thị trường chứng khoán biến động thông qua
một công cụ thống kê mới – hồi quy phân vị.
Với hai ý tưởng đã trình bày trên, đề tài “Phân tích đầu tư chứng khoán
trên thị trường chứng khoán Việt nam bằng phương pháp thống kê phân vị”
nhằm tìm ra những cách tiếp cận mới trong phân tích và dự báo xu hướng giá chứng
khoán và đánh giá rủi ro khi đầu tư trên TTCK Việt Nam.
2. Mục tiêu nghiên cứu của luận án
Luận án hướng đến việc hoàn thành các mục tiêu sau:
- Tiếp cận mô hình hàm phân vị, xây dựng các kỹ thuật, thuật toán và viết
chương trình để ước lượng các tham số trong mô hình hàm phân vị để từ đó ứng
dụng mô hình này trong phân tích và dự báo xu hướng giá (lợi suất) chứng khoán,
minh họa cho một số cổ phiếu trên TTCKViệt Nam.
- Tiếp cận và ứng dụng phương pháp thống kê hồi quy phân vị trong phân
 3

tích và đánh giá rủi ro trong đầu tư chứng khoán khi thị trường biến động, minh họa
với một số cổ phiếu trên TTCKVN.
- Đưa ra các khuyến nghị cho các nhà đầu tư và các nhà quản lý để lựa chọn
các quyết định đầu tư phù hợp khi thị trường có các cú sốc.
Để thực hiện mục tiêu nghiên cứu, luận án trả lời hai câu hỏi nghiên cứu sau:
- Mô hình nào phù hợp trong phân tích và dự báo xu hướng giá cũng như
biến động của cổ phiếu khi một số giả thiết thông thường bị vi phạm? Cách tiếp cận
mô hình đó như thế nào?
- Khi thị trường chứng khoán có những cú sốc, phương pháp nào phù hợp
cho việc đánh giá rủi ro của cổ phiếu?
3. Đối tượng và phạm vi nghiên cứu
3.1. Đối tượng nghiên cứu
- Chứng khoán có nhiều loại hàng hóa, chủ yếu là cổ phiếu và trái phiếu. Tuy
nhiên cổ phiếu có tính thanh khoản cao và được giao dịch nhiều, phù hợp với
nghiên cứu phân tích đầu tư. Hơn nữa, do đặc điểm của thị trường chứng khoán
Việt Nam đang ở giai đoạn sơ khai nên nhiều sản phẩm chứng khoán trên thị trường
như trái phiếu, phái sinh chưa được niêm yết hoặc nếu có niêm yết thì thông tin còn
thiếu, chưa có nhiều dữ liệu. Do đó luận án chỉ dừng lại ở việc phân tích đầu tư cổ
phiếu và đây là lựa chọn nghiên cứu của luận án.
- Luận án nghiên cứu TTCK Việt Nam và các số liệu từ Sở Giao dịch chứng
khoán (GDCK) Thành phố Hồ Chí Minh HOSE. Luận án không nghiên cứu các thị
trường khác như thị trường OTC, thị trường tự do…
- Phân tích đầu tư chứng khoán có rất nhiều góc độ nghiên cứu, luận án chỉ tập
trung vào việc phân tích và dự báo xu hướng giá cũng như phân tích rủi ro khi đầu
tư.
3.2. Phạm vi nghiên cứu
Về nội dung:
- Nghiên cứu và ứng dụng mô hình hàm phân vị trong phân tích và dự báo xu
hướng giá chứng khoán, áp dụng với một số cổ phiếu trên TTCK Việt Nam.
 4

- Nghiên cứu và ứng dụng phương pháp hồi quy phân vị trong phân tích và đánh
giá rủi ro trong đầu tư chứng khoán, áp dụng với một số cổ phiếu trên TTCK Việt Nam
khi thị trường chứng khoán biến động bất thường.
Về mặt thời gian và không gian:
- Luận án sử dụng các cổ phiếu được niêm yết trên sàn giao dịch HOSE, lớp
các cổ phiếu có vốn hóa cao và lớp cổ phiếu có vốn hóa thấp của các nhóm ngành
Tài chính, Ngân hàng và Bảo hiểm, ngành Bất động sản, Xây dựng và ngành Hàng
tiêu dùng thiết yếu để nghiên cứu.
- Dữ liệu về giá đóng cửa của các cổ phiếu và các chỉ số được lấy trong
khoảng thời gian từ 01/2011 đến 03/2016 ở các trang web: www.fpts.com.vn;
http://vndirect.com, http://hsx.vn, http://hnx.vn.
4. Phương pháp nghiên cứu
- Luận án sử dụng một số phương pháp nghiên cứu trong kinh tế như:
phương pháp thống kê, phương pháp tổng hợp và phân tích, phương pháp so
sánh và đánh giá…
- Phương pháp mô hình hóa biểu đồ, đồ thị: luận án đã tiếp cận và chọn lọc
hai mô hình Toán Thống kê là mô hình hàm phân vị và mô hình hồi quy phân vị
trong phân tích và đầu tư chứng khoán trên TTCKVN. Đồng thời biểu đồ, đồ thị
cũng là phương pháp không thể thiếu trong luận án để phục vụ cho việc phân tích
đầu tư cổ phiếu.
- Phương pháp Thống kê, kinh tế lượng được sử dụng rất nhiều trong chương 2
và chương 3 của luận án để đưa ra các kết quả và kết luận cho Phân tích đầu tư cổ phiếu.
- Khi phân tích dữ liệu, luận án đã sử dụng các kỹ thuật phân tích thống kê
như: ước lượng, kiểm định, hồi quy…với sự hỗ trợ của các phần mềm thống kê hiện
đại như: EVIEWS, Matlab, Maple, R …
5. Những đóng góp mới của luận án

Về mặt lý luận:
Luận án sử dụng các công cụ quan trọng của Thống kê là Hàm phân vị
(Quantile Functions) và Hồi quy phân vị (Quantile Regression) để nghiên cứu xu
 5

hướng biến động giá cổ phiếu và phân tích rủi ro trong đầu tư thông qua đặc trưng
nổi bật của phương pháp Thống kê phân vị là đuôi của phân phối, thể hiện ở các
điểm sau:
• Thứ nhất, luận án tiếp cận và sử dụng một mô hình mới trong phân tích và dự
báo xu hướng giá cổ phiếu thông qua mô hình hàm phân vị bằng cách mô hình hóa
các tính chất đuôi của phân phối lợi suất, cụ thể:
- Tiếp cận mô hình hàm phân vị dự báo xu hướng giá của các cổ phiếu.
- Xây dựng các kỹ thuật và viết chương trình (code) để ước lượng các tham số
của mô hình hàm phân vị dựa trên các công cụ Toán học như Giải tích, phương
trình vi phân...Trên cơ sở đó kết hợp với việc sử dụng các phần mềm toán học để
viết các chương trình ước lượng các tham số trên.
- Luận án đưa ra một số nhận dạng về xu hướng giá cổ phiếu trên thị trường
chứng khoán Việt nam.
• Thứ hai, luận án đã nghiên cứu tính chất đuôi của phân phối để phân tích
rủi ro của cổ phiếu trong trường hợp thị trường chứng khoán biến động mạnh bằng
cách sử dụng phương pháp hồi quy phân vị, cụ thể là:
- Luận án đã trình bày một cách có hệ thống cơ sở toán học của phương pháp hồi
quy phân vị theo quan điểm kinh tế lượng như: Cơ sở xây dựng hồi quy phân vị, xây
dựng khoảng ước lượng cho các hệ số của hồi quy phân vị, kiểm định sự khác nhau ứng
với các mức phân vị khác nhau, kiểm định sự phù hợp của mô hình hàm phân vị...
- Nghiên cứu và phân tích rủi ro khi đầu tư vào nhóm các cổ phiếu khác nhau
trên thị trường chứng khoán Việt Nam và đề xuất khuyến nghị cho các nhà đầu tư.

Về mặt thực tiễn
• Thứ nhất, theo kết quả phân tích và dự báo cho các cổ phiếu được niêm yết
trên sàn giao dịch Thành phố Hồ Chí Minh cho thấy so với các mô hình dự báo
khác khi phương sai có điều kiện thay đổi, mô hình hàm phân vị không những là mô
hình dùng để dự báo độ biến động để đánh giá rủi ro mà còn có những ưu điểm sau:
- Kết quả dự báo xu hướng lợi suất (hay xu hướng giá) chính xác hơn mô hình
phương sai có điều kiện thay đổi.
 6

- Đặc trưng nổi bật của mô hình hàm phân vị là đánh giá khá chính xác ở đuôi
của phân phối. Do đó kết quả dự báo của mô hình này trong trường hợp thị trường
chứng khoán ổn định cũng như trường hợp thị trường chứng khoán biến động khá
chính xác.
- Kết quả dự báo từ mô hình hàm phân vị sẽ cho nhà đầu tư dự đoán được các
xu hướng giá hay (lợi suất) của các cổ phiếu đang nắm giữ. Đây cũng được xem
như một kênh thông tin tham khảo hữu ích trong việc nghiên cứu và xây dựng chiến
lược đầu tư hay hoạch định chính sách đối với thị trường chứng khoán Việt Nam.
• Thứ hai, sử dụng công cụ thống kê hồi quy phân vị để ước lượng các tham
số trong mô hình CAPM, Fama-French và mô hình Fama-French mở rộng cho yếu
tố ngành để đánh giá sự phụ thuộc cũng như mức độ rủi ro của các cổ phiếu khi thị
trường có biến động, hoặc khủng hoảng (tương ứng với các mức phân vị thấp 0.05,
0.1 hoặc mức phân vị cao 0.9, 0.95). Sau đó chúng tôi tiếp cận phương pháp hồi quy
phân vị cho hai mô hình trên đối với các cổ phiếu trên sàn HOSE, cụ thể là các cổ
phiếu nhóm ngành Tài chính, Ngân hàng và Bảo hiểm, nhóm ngành Bất động sản và
nhóm ngành Hàng Tiêu dùng thiết yếu. Từ kết quả này, nhà đầu tư sẽ có thêm nhận
định mới trong việc lựa chọn cổ phiếu để nắm giữ khi thị trường biến động. Kết quả
này cũng mở ra một hướng tiếp cận mới trong nghiên cứu về các mô hình phân tích
rủi ro trên thị trường chứng khoán Việt nam, đặc biệt khi thị trường có biến động
lớn.
• Thứ ba, dựa trên kết quả nghiên cứu, luận án đã đưa ra một số khuyến nghị
nhằm định hướng cho nhà đầu tư trong việc nhận dạng về xu hướng giá của các cổ phiếu,
xu hướng lỗ và lãi cũng như độ biến động của cổ phiếu trong trường hợp thị trường tài
chính ổn định cũng như trường hợp thị trường khủng hoảng.
6. Kết cấu của Luận án
Ngoài phần cam đoan, mở đầu, kết luận, danh mục tài liệu tham khảo và phụ
lục, nội dung chính của luận án được chia thành 3 chương như sau:
Chương 1: Cơ sở lý luận và tổng quan nghiên cứu.
Chương 2: Mô hình hàm phân vị trong phân tích và dự báo xu hướng giá
chứng khoán.
Chương 3: Mô hình hồi quy phân vị trong phân tích rủi ro.
 7

CHƯƠNG 1
CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN NGHIÊN CỨU

Trong phần đầu của chương trình bày các khái niệm về phân tích đầu tư
chứng khoán và các nghiên cứu về phân tích và đầu tư chứng khoán, cụ thể là cổ
phiếu. Phần cuối chương giới thiệu các phương pháp Thống kê phân vị và tổng
quan các nghiên cứu đã có trên thế giới và ở Việt Nam về phân tích và đầu tư
chứng khoán và ứng dụng của Thống kê phân vị trong phân tích và đầu tư chứng
khoán.
1.1. Phân tích và đầu tư chứng khoán
1.1.1. Khái niệm về phân tích và đầu tư chứng khoán
Phân tích chứng khoán là bước khởi đầu cho hoạt động đầu tư chứng khoán.
Mục tiêu của phân tích chứng khoán là giúp cho nhà đầu tư lựa chọn được các quyết
định đầu tư chứng khoán có hiệu quả nhất, mang lại lợi nhuận tối đa với rủi ro tối thiểu.
Đầu tư theo nghĩa chung nhất là quá trình sử dụng các nguồn lực hiện tại
nhằm thu lại lợi ích nào đó trong tương lai. Các nguồn lực sử dụng vào quá trìnhđầu
tư được gọi là vốn đầu tư. Trong hoạt động kinh tế, mục đích chủ yếu và trước hết
của hoạt động đầu tư là thu lợi nhuận [7].
Hoạt động đầu tư có thể do một tổ chức hoặc một cá nhân thực hiện dưới
nhiều hình thức. Căn cứ vào mối liên hệ giữa chủ đầu tư và đối tượng đầu tư người ta
thường chia thành đầu tư trực tiếp và đầu tư gián tiếp. Đầu tư chứng khoán là một
trong những hình thức đầu tư gián tiếp của nhà đầu tư vào các doanh nghiệp, trong đó
chủ đầu tư bỏ vốn để mua các chứng khoán (cổ phiếu, trái phiếu) của doanh nghiệp
đang lưu hành trên thị trường chứng khoán nhằm đạt được những lợi ích nhất định.
1.1.2. Các phương pháp phân tích đầu tư cổ phiếu
Phân tích đầu tư cổ phiếu chủ yếu dựa trên hai nguyên tắc: phân tích kỹ thuật
và phân tích cơ bản.
1.1.2.1. Phân tích kỹ thuật:
Phân tích kỹ thuật là quá trình dự báo những biến động giá chứng khoán
 8

trong tương lai dựa trên cơ sở phân tích những biến động trong quá khứ của giá và
các áp lực cung cầu có ảnh hưởng đến giá.
Phương pháp phân tích kỹ thuật dựa vào diễn biến của khối lượng và giá cả
của chứng khoán đã giao dịch trong quá khứ để dự đoán xu thế biến đổi của giá cả
chứng khoán trong tương lai. Phân tích kỹ thuật thường sử dụng rộng rãi các công
thức toán học, các mô hình toán kinh tế và đồ thị để xác định xu thế thị trường, giá
cả một loại chứng khoán hoặc chỉ số chứng khoán đểtừ đó giúp các nhà đầu tư xác
định thời điểm mua bán chứng khoán thích hợp sao cho có lợi nhất.
Các nhà phân tích kỹ thuật đã đề ra một số lý thuyết được sử dụng rộng rãi
trong phân tích chứng khoán như Lý thuyết Dow, Lý thuyết lượng chưa được bù
đắp, Lý thuyết lô lẻ, Lý thuyết về tăng-giảm, Lý thuyết bước đi ngẫu nhiên.

1.1.2.2. Phân tích cơ bản.

Ngược lại với phân tích kỹ thuật, với phương pháp phân tích cơ bản, nhà đầu
tư dự đoán xu hướng vận động của giá cổ phiếu trong tương lai bằng việc xem xét
các số liệu trong quá khứ về tài sản, thu nhập, doanh số, sản phẩm… để dự đoán xu
hướng dịch chuyển các chỉ số tài chính của công ty với mục đích nhận định các cổ
phiếu đang đầu tư được định giá cao, thấp hay phản ánh đúng giá trị của nó.
Các nhà phân tích cơ bản thường dựa trên cơ sở phân tích ngành và phân tích
công ty để làm cơ sở cho phân tích cho các quyết định đầu tư của mình [6].
 Phân tích ngành
Có 4 dạng ngành chủ yếu khi cân nhắc các quyết định đầu tư:
- Nhóm công ty nằm trong các ngành cơ bản:
Các công ty thuộc ngành này ít chịu ảnh hưởng bởi các chu kỳ kinh doanh
thông thường. Cổ phiếu của những ngành này có thể giúp nhà đầu tư tránh hay giảm
được ảnh hưởng của những suy thoái tất yếu của nền kinh tế. Đa số những công ty
thuộc nhóm ngành này là các công ty sản xuất những mặt hàng hoặc cung cấp các
dịch vụ thiết yếu như: lương thực, dược phẩm, thuốc lá, bảo hiểm, năng lượng.. Do
 9

đó, đầu tư vào nhóm ngành này thường có ít rủi ro và bởi vậy các cơ hội kiếm lời
cũng trở nên ít hơn.
- Nhóm công ty nằm trong các ngành hoạt động có tính chu kỳ
Các công ty thuộc ngành này chịu ảnh hưởng lớn bởi các thay đổi trong chu
kỳ kinh tế hoặc các thay đổi trong giá cả. Những công ty thuộc ngành này có thể là
các công ty thuộc lĩnh vực xây dựng cơ bản, vật liệu (sắt, thép, xi măng, giấy) hay
các công ty sản xuất công nghiệp nặng
- Nhóm công ty nằm trong những ngành tăng trưởng nhanh
Những công ty được coi là nằm trong các ngành tăng trưởng thường có tốc
độ tăng trưởng cao hơn tốc độ tăng trưởng bình quân của nền kinh tế do các thay
đổi về mặt công nghệ hoặc nhờ sự ra đời của một loại sản phẩm mới. Những công
ty này có xu hướng sử dụng lợi nhuận thu được để tiếp tục đầu tư cho việc mở rộng
hoạt động của mình. Cổ phiếu của những công ty trong ngành này thường có xu
hướng trả cổ tức thấp hoặc là không có cổ tức.
- Nhóm công ty nằm trong các ngành có tính chất đặc biệt
Các công ty có tiềm năng lợi nhuận không bình thường do các hoàn cảnh đặc
biệt mang lại. Trong nhiều trường hợp, các công ty được dự đoán là có khả năng phục
hồi mạnh mẽ sau khi có sự thay đổi về đội ngũ lãnh đạo, sự ra đời một sản phẩm hoàn
toàn mới của công ty cũng có thể được coi là các ngành có tính chất đặc biệt…
 Phân tích công ty
Phân tích đánh giá công ty là việc đánh giá về chất lượng, bộ máy quản lý
điều hành và xu hướng phát triển trong tương lai của công ty, bao gồm:
- Công ty tăng trưởng và cổ phiếu tăng trưởng
Công ty tăng trưởng là công ty đạt mức sinh lời cao hơn mức sinh lời mà
người đầu tư đòi hỏi (hay mức thu nhập kỳ vọng) khi đầu tư vào công ty đó.
Cổ phiếu tăng trưởng là cổ phiếu cho lợi suất đầu tư cao hơn các cổ phiếu
khác có cùng đặc điểm rủi ro trên thị trường.
- Công ty phòng vệ và cổ phiếu phòng vệ
 10

Công ty phòng vệ là công ty có luồng thu nhập trong tương lai ổn định,
không chịu ảnh hưởng nhiều trước biến động xấu của nền kinh tế. Loại công ty này
thường có rủi ro kinh doanh thấp và rủi ro tài chính không quá cao.
Cổ phiếu phòng vệ là cổ phiếu có lợi suất đầu tư không giảm bằng mức sụt giá của
toàn thị trường nói chung hay nói cách khác đây là loại cổ phiếu có rủi ro hệ thống thấp.
- Công ty chu kỳ và cổ phiếu chu kỳ
Công ty chu kỳ là loại công ty có nguồn thu nhập chịu ảnh hưởng của chu kỳ
kinh tế nói chung. Các công ty này hoạt động rất tốt trong nền kinh tế phát triển và
hoạt động rất kém khi nền kinh tế suy thoái.
Cổ phiếu chu kỳ là loại cổ phiếu có lợi suất đầu tư cao hơn biến động của lợi
suất chung trên thị trường.
- Công ty đầu cơ và cổ phiếu đầu cơ
Công ty đầu cơ là công ty có độ rủi ro tài sản lớn nhưng cũng có khả năng
mang lại lợi nhuận cao.
Cổ phiếu đầu cơ là cổ phiếu có thể mang lại lợi suất đầu tư thấp hoặc âm với
khả năng rất cao và mang lại lợi suất bình thường hoặc cao với xác suất thấp. Đây
có thể là cổ phiếu của công ty đầu cơ hoặc cổ phiếu của công ty bị định giá cao [5].
1.1.3. Các chiến lược đầu tư chứng khoán
Để đạt được mục tiêu về lợi nhuận, mỗi nhà đầu tư đều lựa chọn cho mình
một chiến lược đầu tư thích hợp. Các chiến lược đầu tư chủ yếu bao gồm:
- Chiến lược đầu tư cổ phiếu có giá trị
Chiến lược đầu tư cổ phiếu có giá trị là chiến lược nhà đầu tư sẽ tìm kiếm và
đầu tư vào các cổ phiếu có giá thị trường thấp hơn giá trị đích thực của nó. Các chỉ
tiêu giúp đánh giá giá trị của công ty bao gồm: chu kỳ sống của công ty, khối lượng
tiền mặt khả dụng và mức vốn hóa.
- Chiến lược đầu tư cổ phiếu tăng trưởng
Cổ phiếu tăng trưởng là cổ phiếu cho phép nhà đầu tư đạt được mức lợi suất
đầu tư cao hơn các cổ phiếu khác trên thị trường có mức rủi ro tương đương. Cổ
phiếu này cho phép nhà đầu tư đạt được mức lợi nhuận đầu tư cao hơn các loại cổ
 11

phiếu khác do thị trường không hoàn hảo làm cho giá trị hiện tại của cổ phiếu đang
bị định giá thấp hơn giá trị thực.
- Chiến lược đầu tư thụ động là chiến lược mua và nắm giữ cổ phiếu một cách
lâu dài theo chỉ số chuẩn nào đó và nhà đầu tư hy vọng sẽ đạt mức sinh lời ngang
bằng với mức chỉ số chuẩn mà mình đã chọn.
- Chiến lược đầu tư chủ động là phương pháp mà nhà đầu tư dựa vào kiến thức,
kinh nghiệm và sự nhanh nhạy, tài tiên đoán và thủ thuật đầu tư của mình để xây dựng
danh mục đầu tư đạt mức sinh lời cao hơn mức sinh lời chung của thị trường.
- Chiến lược đầu tư lướt sóng
Những nhà đầu tư theo chiến lược này am hiểu về phân tích kỹ thuật, họ sử
dụng đồ thị, chỉ số của phân tích kỹ thuật để nhận biết các tín hiệu thị trường để tiến
hành giao dịch.
- Chiến lược đầu tư trung bình hóa chi phí
Nhà đầu tư sẽ bỏ tiền mua cổ phiếu một cách đều đặn theo các khoảng thời
gian xác định nhằm giảm những tác động bất lợi do giá cổ phiếu trên thị trường
luôn thay đổi.
1.2. Tổng quan về phương pháp phân tích và đầu tư chứng khoán
Năm 1900, nhà toán học người Pháp, Louis Bachelier, trong luận án Tiến sĩ
kinh tế của mình đã nghiên cứu các cổ phiếu trên thị trường Bourse của Pháp và đưa
ra kết luận rằng giá của cổ phiếu thay đổi theo mô hình biến đổi ngẫu nhiên [31].
Tuy nhiên công trình này của Louis Bachelier vẫn chưa được công nhận bởi vì năm
1937 nhà kinh tế học nổi tiếng Alfred Cowles đã đưa ra kết luận rằng giá cổ phiếu
thay đổi theo hướng có thể dự đoán được [29]. Sau đó cho đến năm 1953, lần đầu
tiên Maurice Kendall công bố nghiên cứu của mình về giá cổ phiếu. Theo kết quả
này, giá cổ phiếu là thay đổi ngẫu nhiên, không có quy luật và không thể dự đoán
được. Giá cổ phiếu sẽ phản ứng ngay đối với bất kỳ thông tin mới nào liên quan đến
cổ phiếu. Nghĩa là sự phán đoán về khả năng tăng giá hay giảm giá trong tương lai
sẽ ngay lập tức làm cho giá hiện tại của cổ phiếu tăng hoặc giảm. Do đó, giá cổ
phiếu diễn biến một cách ngẫu nhiên. Một trong những nguyên tắc giao dịch cổ
 12

phiếu có từ sớm nhất là “phương pháp màng lọc” của Sidney Alexander [57]. Đây
là một chiến lược nhằm dự báo xu hướng giá của cổ phiếu. Phương pháp màng lọc
của Alexander hướng vào sử dụng biểu đồ và phân tích kỹ thuật dựa trên các nghiên
cứu về giá cổ phiếu trong quá khứ và xem như là cơ sở để dự đoán giá cổ phiếu
trong tương lai.
Năm 1934, trong Giáo trình Security Analysis (Phân tích chứng khoán) lần
đầu tiên xuất bản cùng với Dodd, Benjamin Graham đã định nghĩa thuật ngữ đầu tư
như sau: "Hoạt động đầu tư là hoạt động dựa trên sự phân tích kỹ lưỡng, hứa hẹn sự
an toàn của vốn và mang lại một phần lời lãi thỏa đáng”. Trong tác phẩm này,
nguyên tắc đầu tư cổ phiếu của Graham như sau:
- Kinh doanh theo thị trường. Nghĩa là mua cổ phiếu khi thị trường đi lên và
bán cổ phiếu khi thị trường quay đầu đi xuống. Các cổ phiếu được chọn mua thường
nằm trong số có "biểu hiện" tốt hơn mức trung bình của thị trường.
- Chọn lọc ngắn hạn: Việc này có nghĩa là mua cổ phiếu của các công ty có
báo cáo về lợi tức đã và đang tăng lên, hoặc một diễn biến thuận lợi nào đó của
công ty đang được mong đợi.
- Chọn lọc dài hạn: Ở đây điểm nhấn thông thường là dựa vào thành tích phát
triển xuất sắc trong quá khứ và có nhiều khả năng là nó sẽ tiếp tục trong tương lai.
Trong một số trường hợp, nhà đầu tư có thể chọn các công ty chưa thể hiện được
các kết quả ấn tượng, nhưng được mong đợi là sẽ có sức kiếm lời cao sau này
(những công ty như vậy thường thuộc về một lĩnh vực công nghệ nào đó - chẳng
hạn như máy tính, dược phẩm, điện tử…). Benjamin Graham cho rằng “Đầu tư là
một hoạt động căn cứ vào sự phân tích thận trọng nhằm đảm bảo an toàn vốn liếng
và hứa hẹn đem lại lợi suất thỏa đáng”. Benjamin Graham giải thích thuật ngữ
“phân tích thận trọng” nghĩa là “nghiên cứu tỉ mỉ các dữ kiện thực tế nhằm nổ lực
rút ra được các kết luận căn cứ trên các nguyên tắc đã được xác lập cũng như tính
logic của tiến trình suy luận”. Và sự phân tích này gồm 3 bước: miêu tả, phê phán
và chọn lựa.
 13

Trong tác phẩm “Nhà đầu tư thông minh ” của ông năm 1949 cho
rằngnguyên tắc đầu tư của nhà đầu tư thông minh là [44]:
- Không vay tiền để mua hoặc giữ chứng khoán.
- Không tăng phần tiền dùng để nắm giữ cổ phiếu thường.
- Giảm các cổ phiếu thường đang nắm giữ khi cần để nó chỉ chiếm nhiều nhất
là 50% trong toàn danh mục đầu tư.
Tác phẩm Security Analysic của Benjamin Grahamcũng nhấn mạnh rằng: để
đầu tư hiệu quả danh mục chứng khoán cần phải đa dạng hóa và có sự chọn lọc
khôn khéo trên cơ sở giá cả hợp lý.
Philip A. Fisher, nhà kinh tế học người Mỹ, bắt đầu sự nghiệp của mình
trong vị trí là một nhà phân tích chứng khoán vào năm 1928 và thành lập công ty tư
vấn đầu tư Fisher & Company vào năm 1931. Ông được biết đến như một trong
những người tiên phong của lý thuyết đầu tư hiện đại. Trong tác phẩm“Cổ phiếu
thường - Lợi nhuận phi thường” (Common Stocks and Uncommon Profits), một
trong những giáo trình đầu tư kinh điển dành cho các nhà đầu tư hiện đại, Fisher
chú trọng đến các yếu tố mà ông tin rằng chúng làm tăng thêm trị giá của một công
ty như thể hiện qua "15 điểm cần chú ý trong một cổ phiếu thường" được chia thành
2 mục: chất lượng quản lý và những đặc điểm của công việc kinh doanh. Chất
lượng quản lý bao gồm tính chính trực, kế toán nghiêm ngặt, dễ tiếp cận và tầm
nhìn dài hạn tốt, sự rộng mở đối với sự thay đổi, quản lý tài chính xuất sắc và những
chính sách nhân sự tốt. Những đặc điểm của công việc kinh doanh bao gồm sự định
hướng tăng trưởng, biên lợi nhuận cao, lợi nhuận trên vốn cao, sự cam kết đối với
công tác nghiên cứu và phát triển, tổ chức bán hàng ưu việt, vị trí dẫn đầu ngành và
những sản phẩm hoặc dịch vụ độc quyền.
Như vậy, có sự khác biệt giữa Graham và Fisher. Là nhà phân tích định lượng
Graham chỉ chú trọng đến các yếu tố đo lường được như: tài sản cố định (fixed
assets), doanh lợi kiếm được hiện tại (current earnings) và cổ tức (dividends). Công
tác điều tra của ông chỉ liên hệ đến các hồ sơ và báo cáo thường niên của doanh
nghiệp. Để giới hạn rủi ro, Graham khuyên các nhà đầu tư nên đa dạng hóa danh
mục đầu tư một cách triệt để. Hơn nữa, phương pháp đầu tư của Philip A. Fisher
 14

được xem là phản đề của Benjamin Graham. Trong khi Benjamin Graham chỉ quan
tâm đến việc mua cổ phiếu giá rẻ thì Philip A. Fisher lại quan tâm mua cổ phiếu của
các công ty có tiềm năng giá trị đích thực trong dài hạn và ông thích tập trung vào
một vài loại cổ phiếu mà thôi [48].
Trong công trình nghiên cứu “Tuyển tập mô hình cổ phiếu thành công nhất trên
thị trường chứng khoán”, William J.O’Neil [62] đã khảo sát hơn 600 công ty thành
công lớn trên thị trường chứng khoán trong thời gian từ 1950 đến 2000 như các cổ
phiếu của các công ty Texas Intrusments, Xeros, Syntex, Dome Petroleum và Prime
Computer, Limited Stores, Cisco System, Home Deport và Microsoft… để tìm ra đặc
điểm chung và các quy luật của các cổ phiếu này và từ đó đưa ra nguyên tắc đầu tư nổi
tiếng dựa trên bảy nguyên tắc nền tảng còn gọi là CAN SLIM. Cụ thể như sau:
- C: Curent Quarterly Earnings Per Share – Lợi tức trên cổ phần quý hiện
tại: Càng cao càng tốt, ít nhất phải từ 18 đến 20%.
- A: Annual Earnings Increases - Tỷ lệ tăng trưởng lợi tức thường niên: Tìm
sự gia tăng đột biến ở sự tăng trưởng từng năm trong ba năm gần nhất và lợi suất
trên vốn cổ phần đạt từ 17% trở lên.
- N: New Products, New Manegement, New Highs: Sản phẩm mới, lãnh
đạo mới, đỉnh giá mới: Tìm kiếm những công ty có sản phẩm mới, dịch vụ mới
hoặc ban lãnh đạo mới…Và quan trọng nhất là hãy mua cổ phiếu đúng thời điểm
vừa đột phá và đang leo lên những đỉnh giá mới.
- S: Supply and Demand – Quy luật Cung cầu: Cổ phiếu tốt cộng với nhu
cầu lớn Nghĩa là tìm những cổ phiếu có khối lượng giao dịch tăng mạnh khi nó vừa
đột phá khỏi giá trị nền tảng của nó.
- L: Leader or Laggard – Dẫn đầu hay đội sổ: Cổ phiếu của bạn thuộc loại
nào – Nên mua những cổ phiếu dẫn dắt thị trường và tránh những cổ phiếu đội sổ.
- I: Institutional Sponsorship – Các tổ chức bảo trợ: Theo chân những kẻ
dẫn đầu. Nghĩa là mua những cổ phiếu có nhiều tổ chức bảo trợ có uy tín đòng thời
tìm những công ty mà các nhà lãnh đạo sở hữu nhiều cổ phiếu.
- M: Market Direction – Xu hướng thị trường: Làm cách nào để xác định
chiều hướng của thị trường và sự vận động của các cổ phiếu dẫn dắt thị trường.
 15

Như vậy, việc nghiên cứu phân tích đầu tư chứng khoán có nguồn gốc lịch sử
lâu đời và có hai trường phái khác nhau: phân tích định tính và phân tích định
lượng. Luận án tiếp cận theo phương pháp phân tích định lượng. Với phương pháp
phân tích định lượng, phân tích đầu tư cổ phiếu có nhiều bước, tùy thuộc vào đối
tượng và phạm vi phân tích. Tuy nhiên thường có hai bước chính sau:
- Phân tích và dự báo xu hướng (lợi suất) giá chứng khoán.
- Phân tích rủi ro khi đầu tư.

Tổng quan về phân tích và dự báo xu hướng giá (lợi suất) chứng khoán
Phân tích chuỗi thời gian là một trong những cách tiếp cận truyền thống được sử
dụng rộng rãi nhất trong lĩnh vực này. Có hai loại mô hình mô tả hành vi của chuỗi
thời gian như sau:
Thứ nhất là các mô hình tuyến tính: phương pháp tuyến tính để phân tích
chuỗi thời gian thường được áp dụng thông qua một trong những kỹ thuật sau đây:
a. Kỹ thuật Box-Jenkin
b. Bộ lọc Kalman
c. Lý thuyết san bằng hàm mũ của Brown
d. Hồi quy mẫu nhỏ
Thứ hai là các mô hình hồi quy phi tuyến như:
a. Lý thuyết Taken
b. Phương trình Mackey-Glass
Những kỹ thuật này cố gắng tái tạo lại chuỗi thời gian dựa trên các mẫu dữ liệu
quá khứ để dự đoán giá trị tương lai. Mặc dù chúng có ý nghĩa thống kê nhưng chúng
có tỷ lệ thành công thấp khi được sử dụng để dự báo thị trường tài chính [54].
Vào đầu những năm 80, phân tích chuỗi thời gian phát triển hết sức sôi động.
Các phương pháp mới này được các nhà kinh tế lượng, các nhà kinh tế vĩ mô, các
chuyên gia về tài chính, các nhà môi giới chứng khoán…đặc biệt quan tâm. Chúng
đã tạo ra một cuộc cách mạng trong mô hình hóa các quan hệ cân bằng, các mô hình
động. Khi nghiên cứu một chuỗi thời gian riêng biệt, có hai cách tiếp cận, đó là
phân tích các thành phần cấu thành chuỗi và phân tích động thái của chuỗi. Với
 16

cách tiếp cận thứ nhất, phương pháp thường sử dụng là phương pháp Holt-Winter,
phương pháp Census II X_11. Với cách tiếp cận thứ hai, phương pháp hữu hiệu là
sử dụng mô hình ARIMA, phương pháp này do G.P.E. Box và G.M. Jenkins đề
xuất đã mở ra một trang mới trong các công cụ dự báo. Phương pháp BJ (Box-
Jenkin) – về kỹ thuật gọi là phương pháp ARIMA- không dựa trên một hoặc nhiều
phương trình mà dựa trên phân tích tính chất ngẫu nhiên của một chuỗi thời gian.
Chuỗi thời gian có thể giải thích bằng hành vi trong quá khứ, yếu tố ngẫu nhiên. Mô
hình ARIMA đôi khi được gọi là mô hình phi lý thuyết vì nó không xuất phát từ bất
kỳ lý thuyết kinh tế nào và mô hình này được dùng khá phổ biến trong dự báo ngắn
hạn. Lý do là mô hình này chỉ dùng các giá trị trong quá khứ của chính biến số cần
dự báo. Có hai phương pháp cơ bản để đánh giá sự phù hợp của mô hình ARIMA
trong việc mô tả một chuỗi thời gian cho trước: phương pháp Box-Jenkins và
phương pháp lựa chọn tổ hợp các tham số (p,q). Tuy nhiên do sử dụng chỉ những
thông tin trong quá khứ nên mô hình thích hợp với dự báo ngắn hạn và không phù
hợp với phân tích chính sách [10].
Khi phân tích chuỗi thời gian, kết quả thường gặp là chuỗi không dừng,
phương sai sai số thay đổi. Đã có rất nhiều nghiên cứu loại về mô hình này như mô
hình ARCH, mô hình GARCH, mở rộng của mô hình GARCH như TGARRCH,
EGARRCH, MGARRCH… Các mô hình này được phân thành hai loại, loại thứ
nhất sử dụng một hàm chính xác để đánh giá phương sai có điều kiện của lợi suất,
loại thứ hai dùng một phương trình ngẫu nhiên để mô tả phương sai có điều kiện
của lợi suất. Điều đó thể hiện qua các mô hình tiêu biểu là: mô hình phương sai có
điều kiện của sai số thay đổi tự hồi quy (ARCH), mô hình ARCH tổng quát
(GARCH), mô hình GARCH dạng mũ…
Năm 1982, Engel đã đề xuất mô hình ARCH. Đây là mô hình đầu tiên đưa ra
cơ sở lý thuyết để mô hình hóa rủi ro. Mô hình này có thể dự tính được độ rủi ro lợi
suất của một loại tài sản.
Năm 1986, Bollerslev đã mở rộng mô hình ARCH và đặt tên mô hình ARCH
tổng quát (GARCH). GARCH khắc phục được nhược điểm phải ước lượng nhiều
 17

tham số trong mô hình ARCH. Tuy nhiên, trong việc dự đoán diễn biến giá chứng
khoán, một số giả thiết thường dùng về lịch sử diễn biến giá chứng khoán đã tỏ ra
không phù hợp. Với các mô hình GARCH, điều đó thể hiện ở các giả thiết về tính
dừng và một số giả thiết về phân phối của chuỗi thời gian quan sát. Trong thực tế,
dáng điệu của giá thường có tính chất là độ biến động tập trung, đuôi phân phối lớn,
sự biến đổi đuôi bất thường, trong khi đó thì các phân bố trong các mô hình
GARCH có tham số thường không phù hợp với các biến đổi của đuôi phân phối
trong thực tế. Còn đối với mô hình GARCH phi tham số, có các vấn đề về hiệu quả
tính toán và độ phức tạp tính toán.
Tsay (2005), Nelson, đã mở rộng mô hình GARCH thành các mô hình
IGARCH, TGARCH, MGARCH…Các mô hình này đòi hỏi ít điều kiện, mềm dẻo
hơn so với mô hình GARCH như kiểm định hiệu ứng đòn bẩy, kiểm định tính bất
đối xứng của các cú sốc….
Cho đến nay đã có một số nghiên cứu về phân tích và dự báo giá chứng khoán
trên thị trường chứng khoán Việt nam. Phương pháp phân tích và dự báo được nhiều
người biết đến nhất là phân tích kỹ thuật và phân tích cơ bản. Những công cụ phân
tích định lượng chưa được khai thác nhiều, do đó những kết luận thu được vẫn còn có
nhiều hạn chế. Mặc khác, nhiều đề tài nghiên cứu về các mô hình phân tích và dự báo
xu hướng giá thường sử dụng giả thiết phân phối chuẩn trong khi những giả thiết này
chưa phản ánh đúng với dữ liệu thực tế của thị trường.
Tác giả Vương Quân Hoàng, trong bài báo “Hiệu ứng GARCH trên dãy lợi
suất: thị trường chứng khoán Việt nam 2000-2003” đã phân tích một số đặc tính
thống kê của thị trường chứng khoán sơ khai Việt nam. Ngoài ra bài báo đã bước
đầu tìm kiếm bằng chứng khoa học về hiệu ứng GARCH trên dãy thống kê lợi suất
của chỉ số giá thị trường và 10 cổ phiếu đang niêm yết từ năm 2000 đến 2003.
Trong bài báo “Policy Impacts on Vietnam Stock Market: A Case of
Anomalies and Disequilibria 2000- 2006”A. Farber, Nguyen V. H, Vuong Q. H. đã
sử dụng mô hình GARCH để ước lượng phương trình trung bình và phương sai cho
một số cổ phiếu như: VNI, REE, SAM, HAP trong giai đoạn từ 2000-2006 dưới ảnh
 18

hưởng của việc điều chỉnh chính sách như: điều chỉnh biên độ giá, giới hạn các lệnh
đặt mua và bán cổ phiếu…
Ngoài ra trong bài báo “ Đo lường sự dao động của chỉ số chứng khoán Vn-Index
thông qua mô hình Garch” các tác giả Trần Sỹ Mạnh, Đỗ Khắc Hưởng [17] sử dụng mô
hình GARCH để đo lường sự biến đổi của chỉ số chứng khoán VNIndex. Để xem xét các
tính chất của dãy lợi suất, ước lượng mô hình GARCH sẽ được xem xét dưới 4 quy luật
phân phối khác nhau: Quy luật phân phối chuẩn, quy luật phân phối Student-t, quy luật
phân phối sai số tổng quát (Generalized Error Distribution- GED) và quy luật phân
phối Student lệch (skewed Student). Dưới tiêu chuẩn khác nhau, các kết quả thu được đã
lựa chọn ra một số mô hình dự báo có độ chính xác ưu việt hơn các mô hình còn lại. Tuy
nhiên bài báo này vẫn để mở cho việc nghiên cứu mở rộng đo lường sự biến động của
chỉ số VNIndex thông qua việc xem xét ảnh hưởng của yếu tố đòn bẩy - những tin tức tốt
hay xấu sẽ gây cho chỉ số chứng khoán biến động ít hơn hay nhiều hơn.
Các tác giả Võ Xuân Vinh và Nguyễn Thị Kim Ngân trong bài báo “Sự biến
động lợi nhuận cổ phiếu trên thị trường chứng khoán Việt nam” đã nghiên cứu các
đặc điểm của sự biến động lợi nhuận của VNIndex thông qua việc sử dụng mô hình
GARCH và nghiên cứu sự hiện diện của các điểm gãy cấu trúc trong phương sai
của chuỗi lợi nhuận đó thông qua việc sử dụng thuật toán ICSS. Trong bài báo “Mô
hình hóa dao động bằng mô hình GARCH(1,1): Nghiên cứu thực nghiệm đối với
chỉ số VN-INDEX” các tác giả Hoàng Dương Anh Việt, Đặng Hữu Mẫn đã thông
qua việc sử dụng mô hình GARCH(1,1) mô hình hóa dao động của chỉ số VN-Index
trong thời gian từ năm 2007 đến năm 2010.

Tổng quan về phân tích rủi ro khi đầu tư cổ phiếu
Cho đến nay, theo sự phát triển của thời gian, đã có nhiều phương pháp đánh
giá rủi ro trong tài chính. Năm 1938, Frederich Macaulay là người đầu tiên đề xuất
phương pháp đánh giá rủi ro của lãi suất trái phiếu. Phương pháp này giúp tính toán
kỳ hạn hoàn vốn trung bình của trái phiếu [50].
Giống như nhiều sự lựa chọn khác trong quá trình hoạt động kinh tế, nhà đầu
tư phải xác định mục tiêu (tiêu chuẩn lựa chọn) trong việc chọn danh mục. Danh
mục đáp ứng mục tiêu gọi là danh mục tối ưu. Mục tiêu của nhà đầu tư liên quan
 19

đến cả lợi suất kỳ vọng (lợi suất trung bình) và phương sai của danh mục. Phương
pháp xác định mục tiêu cũng như danh mục tối ưu của nhà đầu tư thông qua phân
tích mối quan hệ liên quan trên gọi là phương pháp “Phân tích Trung bình-Phương
sai” (Mean-Variance Analysis). Năm 1952, Markowitz mở đường cho phương pháp
phân tích quan hệ rủi ro-lãi suất qua mô hình phân tích Trung bình-Phương sai
trong bài báo “Portfolio Selection: Efficient Diversification of Investment”. Cho tới
nay, phương pháp này vẫn được ứng dụng rộng rãi trong quản lý các danh mục và
cơ cấu đầu tư. Nội dung cơ bản của phương pháp MV được Markowitz trình bày
thông qua mô hình bài toán tối ưu sau:
- Bài toán 1: Tìm danh mục tối đa hóa lợi ích nhà đầu tư với mức rủi ro ấn
định trước.
- Bài toán 2: Tìm danh mục tối thiểu hóa rủi ro với lợi suất kỳ vọng của nhà
đầu tư ấn định trước.
Ta có thể chọn một trong hai bài toán trên. Tuy nhiên thông thường người ta
thường chọn bài toán thứ hai để phù hợp với tâm lý nhà đầu tư nhằm giảm thiểu rủi ro.
Năm 1964 trong bài báo “Capital Asset Prices: A Theory of Market
Equilibrium under Condition of Risk” (Journal of Finance-September 1964)
William Sharpe lần đầu tiên đã giới thiệu mô hình định giá tài sản tài chính mà tác
giả gọi là “Mô hình định giá tài sản vốn”. Mô hình được xây dựng trên cơ sở áp
dụng phương pháp “Phân tích trung bình-phương sai” của H.Markowitz kết hợp với
điều kiện cân bằng thị trường tài chính. Bởi vậy có thể xem CAPM thuộc nhóm
“mô hình cân bằng thị trường”, một nhóm mô hình định giá khá quen thuộc, sử
dụng rất phổ biến trong phân tích quá trình hình thành và diễn biến của giá cả nhiều
hàng hóa khác.
Một trong những thành phần quan trọng trong mô hình CAPM là hệ số beta,
hệ số này cho phép mô tả rõ ràng về sự rủi ro của cổ phiếu theo chỉ số thị trường và
là một yếu tố quan trọng cho biết tỷ lệ sinh lợi của cổ phiếu. Mô hình này được
dùng để lên kế hoạch lập ngân sách vốn của các tổ chức, định giá các công ty trong
hoạt động đầu tư, mua bán và sáp nhập (M&A), định giá tài sản cho các nghiệp vụ
 20

về thuế và định giá dịch vụ trong các ngành liên quan. Ngoài ra CAPM còn được
dùng để tính toán chi phí vốn chủ sở hữu và được dùng để xác định tỷ lệ chiết
khấu khi tính giá trị hiện tại của một dòng tiền trong tương lai.
Các nghiên cứu bổ sung, mở rộng của J. Mossin (1966), J. Lintner
(1965,1969) và F. Black (1972) đã tạo cho CAPM rất hoàn chỉnh về lý thuyết và
được xem là mô hình kinh điển trong định giá tài sản.
Sau khi mô hình CAPM ra đời, nhiều tác giả đã sử dụng mô hình này để định
giá tài sản trên thị trường. Tuy nhiên một số kết quả phân tích thực nghiệm cho thấy
nếu chỉ dùng duy nhất yếu tố thị trường thì chưa đủ giải thích phần bù rủi ro của tài
sản. Và trên thực tế có những trường hợp phù hợp nhưng cũng có những trường hợp
không phù hợp.
Các tác giả Kolani Pamane và Anani Ekoue Vikpossi [48] cũng đã sử dụng
mô hình CAPM để nghiên cứu mối quan hệ giữa lợi suất và rủi ro của các cổ phiếu
trên thị trường chứng khoán BRVM (Bourse Regional des Mobilières) của bảy nước
Tây Phi. Dữ liệu khảo sát là lợi suất theo tháng của 17 công ty được niêm yết của
Sở Giao dịch Chứng khoán BRVM từ tháng 1/2000 đến tháng 01/2008. Kết quả cho
thấy rằng, những nhà đầu tư không ngại rủi ro khi đầu tư vào các cổ phiếu có rủi ro
cao trên thị trường chứng khoán BRVM thì không phải luôn thu được lợi nhuận
cao. Điều đó cũng không có nghĩa là những nhà đầu tư ngại rủi ro khi đầu tư vào
các cổ phiếu với lợi suất kỳ vọng thu được thấp thì độ rủi ro thấp. Nghĩa là không
tồn tại mối quan hệ dương giữa lợi suất của cổ phiếu và rủi ro tương ứng khi đầu tư
trên thị trường chứng khoán BRVM. Cùng với kết luận này, các tác giả Kapil
Choudhary và Sakshi Choudhary [45] cũng đã sử dụng mô hình CAPM nghiên cứu
mối quan hệ giữa lợi suất và rủi ro đối với 278 cổ phiếu niêm yết trên thị trường
chứng khoán Bombay từ tháng 1/1996 đến tháng 12/2009.
Trong bài báo ‘‘Kiểm định mô hình định giá tài sản vốn CAPM’’ đối với cổ
phiếu niêm yết trên Sở GDCK Thành Phố Hồ Chí Minh, tác giả Trần Thị Bích
Ngọc đã kiểm định mô hình định giá tài sản vốn đối với 10 cổ phiếu được niêm yết
dựa trên số liệu về tỷ suất sinh lợi tháng giai đoạn từ tháng 01/2007 đến tháng
 21

05/2013. Bên cạnh đó, mô hình CAPM cũng được kiểm định đối với danh mục đầu
tư (DMĐT) được xây dựng từ các cổ phiếu nghiên cứu. Mô hình hồi quy đơn và
phương pháp bình phương nhỏ nhất được áp dụng trong bài báo này. Kết quả thực
nghiệm cho thấy rằng mức bù rủi ro thị trường và mức bù rủi ro của cổ phiếu có
quan hệ tuyến tính và rủi ro càng cao thì tỷ suất sinh lợi càng cao. Tuy nhiên, kết
quả cũng cho thấy rằng hệ số beta không giải thích được tốt mối quan hệ giữa tỷ
suất sinh lợi và rủi ro hệ thống đối với các cổ phiếu trên SGDCK Thành phố Hồ Chí
Minh do hệ số xác định nhận được tương đối thấp.
Trong bài báo “Ứng dụng mô hình định giá tài sản vốn (CAPM) để lựa chọn
cổ phiếu đầu tư ”, tác giả Trần Văn Trí đã chỉ ra rằng để nhà đầu tư có thể xác định
thu nhập kỳ vọng trên một tài sản bất kỳ thì chỉ cần biết hiệp phương sai-beta- của
tài sản đó với cặp đầu tư thị trường. Trên cơ sở đó tác giả đã xây dựng mô hình kinh
tế lượng để ước lượng hệ số beta của một số mã cổ phiếu trên hai sàn chứng khoán
Hà Nội và thành phố Hồ Chí Minh. Kết quả ước lượng đã chỉ ra mức độ rủi ro của
các cổ phiếu là rất khác nhau, có những cổ phiếu ít rủi ro nhưng cũng có những cổ
phiếu rủi ro rất cao. Tuy nhiên tác giả cũng chưa đưa ra được cơ sở để lý giải những
nhận định trên một cách thuyết phục.
Luận văn thạc sỹ “Các giải pháp nhằm hạn chế rủi ro trên thị trường chứng
khoán Việt Nam”, tác giả Nguyễn Thị Thanh Nghĩa [11] mới chỉ tập trung vào việc
phân tích hiện trạng và đưa ra các giải pháp nhằm giảm thiểu rủi ro cho các nhà đầu
tư, sự phân tích định lượng chưa nhiều. Luận văn thạc sỹ “Xây dựng và quản lý
danh mục đầu tư trên thị trường chứng khoán Việt Nam” của tác giả Phan Ngọc
Hùng [13] và luận văn thạc sỹ “Ứng dụng các lý thuyết tài chính hiện đại trong việc
đo lường rủi ro của các chứng khoán niêm yết tại Sở Giao dịch chứngkhoán Thành
phố Hồ Chí Minh” của tác giả Trần Minh Ngọc Diễm [16] đã sử dụng mô hình
CAPM để phân tích rủi ro các cổ phiếu và xây dựng danh mục có hiệu quả dựa trên
mô hình Trung bình – Phương sai. Tuy nhiên kết quả này chỉ giới hạn trong trường
hợp thị trường chứng khoán ít biến động, trong trường hợp thị trường nhiều biến
động kết quả chưa đề cập tới.
 22

Việc sử dụng các mô hình CAPM, APT cũng có nhiều nghiên cứu trên thị
trường chứng khoán Việt Nam với nhiều mức độ khác nhau. Trong bài viết “Tính
toán hệ số beta của một số công ty niêm yết trên sàn Giao dịch chứng khoán Hà
Nội” [8], tác giả Nguyễn Ngọc Vũ đã ứng dụng mô hình SIM để tính hệ số beta cho
43 công ty niêm yết tại Sàn Giao dịch chứng khoán Hà Nội (HNX) nhằm góp phần
cung cấp thông tin cho các nhà đầu tư tham khảo khi ra quyết định đầu tư sao cho
có hiệu quả nhất. Tiếp đó, bài báo “Khai thác thông tin về hệ số rủi ro beta để phân
tích hành vi định giá cổ phiếu trên thị trường chứng khoán Việt Nam giai đoạn
2000-2010”, tác giả Trần Chung Thủy [14] đã sử dụng phương pháp tiếp cận lọc
Kalman để xác định động thái chung của thị trường, phân tích các nguyên nhân,
phân tích nhóm cổ phiếu theo hệ số beta, nhận dạng hành vi định giá cổ phiếu trên
mỗi nhóm của các nhà đầu tư qua các thời kỳ.
Tác giả Trương Đông Lộc và Trần Thị Hạnh Phúc [13] đã kiểm định mối
quan hệ giữa lợi nhuận và rủi ro của các cổ phiếu niêm yết trên Sở GDCK Thành
Phố Hồ Chí Minh [23]. Các tác giả này sử dụng phương pháp phân tích hồi quy với
số liệu sử dụng là tám mươi cổ phiếu niêm yết trên sàn HOSE thời gian từ
02/01/2007 đến 31/12/2009 thông qua mô hình CAPM. Kết quả nghiên cứu cho
thấy danh mục có rủi ro càng cao thì lợi nhuận càng cao và kết quả này cũng khẳng
định có mối quan hệ phi tuyến giữa rủi ro của các cổ phiếu niêm yết trên sàn HOSE.
Cùng với phương pháp nghiên cứu trên, Trương Văn Khánh và các cộng sự [19] đã
sử dụng phương pháp ước lượng OLS để kiểm định mô hình CAPM cho 80 cổ
phiếu trên sàn HoSE trong thời gian từ 01/2007 đến 08/2014. Kết quả nghiên cứu
này đã chỉ ra rằng mô hình CAPM không hoàn toàn phù hợp với các cổ phiếu niêm
yết trên sàn HOSE trong giai đoạn nghiên cứu, cụ thể các cổ phiếu có rủi ro cao thì
lợi nhuận thấp và ngược lại. Hơn nữa nghiên cứu cũng chỉ ra rằng mối quan hệ giữa
lợi nhuận và rủi ro của cổ phiếu niêm yết là quan hệ tuyến tính.
Tóm lại, các kết quả trên mới chỉ dừng lại trong trường hợp thị trường chứng
khoán ở giai đoạn ổn định và chưa phân tích được trong trường hợp thị trường tài
chính có những cú sốc. Như vậy việc nghiên cứu mô hình CAPM để đo lường rủi ro
trong trường hợp thị trường có những cú sốc vẫn là một hướng mở khi nghiên cứu
 23

thực nghiệm trên thị trường chứng khoán Việt Nam.

Năm 1976, Stephen Ross trong bài báo ‘‘The Arbitrage Theory of Capital
Asset Pricing’’ đã đưa ra nhận xét: trong CAPM, ngoài yếu tố thị trường thì còn có
nhiều yếu tố khác như quy mô doanh nghiệp, giá trị công ty, điều kiện kinh tế-xã
hội…có thể tác động đến lợi suất. Từ đó Ross đưa ra mô hình khái quát hơn về quan
hệ giữa lợi suất và nhiều nhân tố. Từ mô hình đa nhân tố, kết hợp với “nguyên lý
không cơ lợi”, Stephan Ross đã xây dựng “Lý thuyết định giá cơ lợi” (Arbitrage
Pricing Theory).
Ngoài ra, một nghiên cứu thực nghiệm của Eugene Fama và Kenneth French
(1992) cũng đã chỉ ra rằng không chỉ rủi ro thị trường là biến giải thích đầy đủ cho
sự thay đổi về lợi nhuận của các cổ phiếu. Do đó, hai tác giả đề xuất biến quy mô
hóa và biến tỷ số giá trị sổ sách trên giá trị thị trường của vốn chủ sở hữu thích hợp
để giải thích lợi nhuận cổ phiếu. Tiếp tục công trình nghiên cứu này, vào năm 1993,
Fama và French đã công bố mô hình ba nhân tố nổi tiếng của mình. Trong mô hình
này ngoài hai nhân tố đã trình bày ở trên, hai ông đưa thêm vào nhân tố thứ ba, đó
là phần bù rủi ro chứng khoán. Sau khi công bố mô hình, chính các tác giả đã tiến
hành kiểm nghiệm khả năng dự báo của mô hình vào năm 1996 và 2000 của thị
trường chứng khoán Mỹ. Kết quả kiểm nghiệm cho thấy mô hình khá thành công
trong việc giải thích tỷ suất sinh lợi của các công ty.
Andreas Charitou và Eleni Constantinidis [21] tiến hành kiểm định mô hình
dự báo ba nhân tố của Fama – French với dữ liệu từ thị trường Nhật Bản, từ 1992
đến 2001. Kết quả cho thấy rằng nhân tố thị trường đóng góp phần quan trọng nhất
trong việc giải thích những khác biệt trong tỷ suất sinh lợi của sáu danh mục được
hình thành dựa trên quy mô và tỷ lệ BE/ME. Cụ thể Maroney và Protopapadakisc
(2002) đã kiểm định mô hình 3 nhân tố Fama-French trên thị trường chứng khoán các
nước Úc, Canada, Đức, Pháp…và đã đi đến kết luận rằng quy mô và giá trị của công
ty đều ảnh hưởng đến lợi suất kỳ vọng của danh mục các cổ phiếu.
Robert Faff [53] đã sử dụng số liệu về giá của các cổ phiếu niêm yết trên thị
trường chứng khoán Australia trong giai đoạn 1991-1999 để xác định mức độ phù
 24

hợp của mô hình 3 nhân tố Fama-French. Tác giả đã tìm thấy những bằng chứng
thống nhất với mô hình 3 nhân tố Fama-French, tuy nhiên yếu tố quy mô công ty lại
có tương quan ngược chiều với lợi suất của cổ phiếu chứ không phải tương quan
thuận như kỳ vọng.
Đối với các thị trường mới nổi, các tác giả như Eraslan (2013) đã kiểm định tính
phù hợp của mô hình Fama-French trên thị trường chứng khoán Thổ Nhĩ Kỳ thời gian
từ 2003 đến 2010. Kết quả đã chỉ ra rằng kỳ vọng lợi suất cuả danh mục các cổ phiếu
có tỷ số BE/ME thấp có lợi suất cao hơn danh mục bao gồm các cổ phiếu có tỷ số
BE/ME cao và quy mô công ty không ảnh hưởng đến lợi suất của danh mục có quy mô
lớn nhưng lại có ảnh hưởng đến danh mục có quy mô nhỏ và quy mô vừa.
Năm 2009, Liu Yaogang, một nhà nghiên cứu kinh tế thuộc trường Đại học
Lincoln đã tiến hành kiểm định hiệu quả của mô hình 3 nhân tố Fama-French trong
việc dự báo lợi suất của các chứng khoán trên thị trường chứng khoán Trung Quốc
từ năm 1996 đến 2005. Kết quả cho rằng mô hình 3 nhân tố hoạt động khá hiệu quả
trong việc giải thích kỳ vọng lợi suất của danh mục các cổ phiếu trên thị trường
chứng khoán Trung Quốc. Cụ thể, hiệu chỉnh của mô hình 3 nhân tố có giá trị
cao hơn của mô hình CAPM, trung bình khoảng 6.6%.
Trên thị trường chứng khoán Việt nam, Vương Đức Hoàng Quân và Hồ Thị
Huệ [26] đã sử dụng mô hình 3 nhân tố Fama-French để nghiên cứu các nhân tố ảnh
hưởng đến lợi suất cho danh mục các cổ phiếu trên sàn HOSE. Kết quả cho thấy
danh mục các cổ phiếu có quy mô nhỏ có lợi nhuận cao hơn danh mục các cổ phiếu
có quy mô lớn. Tuy nhiên khi xét đến yếu tố HML thì nghiên cứu này lại có kết quả
trái ngược với kết luận của Fama-French. Cụ thể là yếu tố về đặc tính giá trị của
công ty (tỷ số BE/ME) mặc dù tồn tại và ảnh hưởng đến lợi suất của danh mục cổ
phiếu nhưng ảnh hưởng này không mạnh và hơn nữa nhân tố này có tương quan
nghịch đến lợi suất của danh mục các cổ phiếu.
Trần Thị Hải Lý [19] đã kiểm định tính phù hợp của mô hình Fama-French
đối với các cổ phiếu niêm yết trên sàn HOSE trong thời gian từ 12/2004 đến
12/2007. Kết quả cho rằng nhân tố thị trường và tỷ số giá trị sổ sách trên thị trường
 25

(HML) có tương quan thuận với lợi suất của danh mục các cổ phiếu - điều này phù
hợp với mô hình Fama-French. Tuy nhiên nhân tố quy mô (SMB) lại tương quan
nghịch với lợi suất của danh mục các cổ phiếu, nghĩa là lợi suất của danh mục các
cổ phiếu có quy mô lớn cao hơn lợi suất của danh mục các cổ phiếu có quy mô nhỏ.
Trương Đông Lộc và Dương Thị Hoàng Trang [24] đã kiểm định sự phù hợp
của mô hình 3 nhân tố Fama-French cho các cổ phiếu niêm yết trên sàn HOSE trong
thời gian từ 01/2006 đến 12/2012. Kết quả nghiên cứu cho thấy rằng lợi nhuận của
danh mục các cổ phiếu có tương quan thuận với rủi ro thị trường, quy mô công ty
và tỷ số giá trị sổ sách trên giá trị thị trường.
Như vậy, tại Việt nam một số kết quả đạt được cho thấy sự phù hợp của mô
hình Fama-French đối với các cổ phiếu trên thị trường chứng khoán Việt nam - lợi
nhuận của danh mục các cổ phiếu phụ thuộc vào quy mô công ty, giá trị thị trường,
giá trị sổ sách của vốn chủ sở hữu và phần bù rủi ro hệ thống. Tuy nhiên cũng có
một số kết quả cho thấy rằng lợi nhuận của các cổ phiếu riêng lẻ không phù hợp với
mô hình Fama-French. Các nghiên cứu ở Việt nam nói trên có điểm chung về mặt
phương pháp là chia các cổ phiếu thành các danh mục và sử dụng mô hình OLS để
ước lượng các nhân tố ảnh hưởng đến lợi suất của danh mục các cổ phiếu. Hạn chế
của các nghiên cứu trên là chỉ xét trong trường hợp thị trường tài chính ổn định
không có các cú sốc và cũng chưa đánh giá xem ngoài các nhân tố rủi ro thị
trường, quy mô công ty và tỷ số giá trị sổ sách trên giá trị thị trường thì yếu tố
ngành có tác động đến lợi nhuận của các cổ phiếu hay không?
Như vậy, theo phân tích ở trên, hiện nay các nghiên cứu về ứng dụng của các
mô hình phân tích và dự báo và các mô hình phân tích rủi ro trên thị trường Việt
Nam cũng đang được nhiều người quan tâm. Tuy nhiên việc ứng dụng các mô hình
trên đang ở giai đoạn bắt đầu và còn nhiều hạn chế nên kết quả thu được còn nhiều
khiêm tốn.
Phương pháp thống kê phân vị được biết đến như là một công cụ thống kê
hữu hiệu trong phân tích tài chính hiện đại. Đặc trưng chủ yếu của phương pháp
này là phân tích thông tin ở đuôi phân phối và ứng dụng hiệu quả trong trường hợp
 26

thị trường chứng khoán có nhiều biến động. Phương pháp này gồm hai công cụ chủ
yếu: hàm phân vị và hồi quy phân vị…

Tổng quan về sử dụng phương pháp hàm phân vị trong phân tích và dự
báo
Trong việc xây dựng nền kinh tế trung hạn và dài hạn, nhiều quốc gia bao
gồm Anh, Australia, Chile, New Zealand và Mỹ đang thực hiện các nỗ lực tái cấu
trúc nền công nghiệp cung cấp điện của họ. Xu hướng dịch chuyển cơ cấu này dẫn
đến sự xuất hiện và tăng trưởng nhanh chóng thị trường điện lực trong những năm
đầu thập kỷ 90. Tại Mỹ, một thị trường buôn bán điện được hoạt động và bắt đầu
giao dịch từ ngày 18 tháng 11 năm 1998. Kể từ thời điểm này, điện đã trở thành
hàng hóa giao dịch. Với các tính năng đặc trưng như tính không cất giữ được
(non-storability), sự phụ thuộc hoàn toàn vào mạng lưới truyền tải, độ dốc đặc
trưng của hàm cung cấp điện (characteristics steepness of electricity supply
function)… Dáng điệu không ổn định như vậy có thể tạo ra nhiều rủi ro trong hoạt
động kinh doanh. Shi-Jie Deng và Wenjiang [57] đã đề xuất mô hình biểu diễn độ
biến động của giá điện bằng cách sử dụng phương pháp mô hình hóa hàm phân vị.
Và lớp phân phối đặc biệt này đã cho phép mô hình hóa tương đối tốt dáng điệu
biến động cũng như xu hướng giá của đối tượng đang xét. Cùng với ý tưởng sử
dụng lớp hàm phân vị để biểu diễn dáng điệu giá của một loại hàng hóa, Wenjiang
Jiang, Zhenyu Wu, Gemai Chen [62] đã sử dụng mô hình hàm phân vị trong việc
phân tích và dự báo xu hướng giá của các cổ phiếu IBM và Wal-Mart trên thị
trường chứng khoán Mỹ. Nghiên cứu này đã mở ra một hướng mới trong việc biểu
diễn dáng điệu của giá chứng khoán thông qua các tham số của lớp hàm phân vị
đặc biệt là ba tham số đặc trưng sau: tham số điều khiển - mô tả độ biến động của
cổ phiếu, tham số cân bằng đuôi – mô tả xu hướng thu được lợi nhuận, ở trạng thái
cân bằng hay không thu được lợi nhuận của nhà đầu tư…Tuy nhiên các kết quả
của tác giả này chỉ mới dừng lại ở việc phân tích và dự báo. Việc kiểm định sự
phù hợp của mô hình và so sánh với các mô hình truyền thống khác, kết quả trên
còn bỏ ngỏ.
 27

Như vậy, việc đề xuất một loại mô hình mới nhằm phân tích và dự báo xu
hướng giá của một loại hàng hóa thông qua mô hình hàm phân vị đã bắt đầu được sử
dụng trên thế giới. Việc tiếp cận một mô hình mới như mô hình hàm phân vị trong
việc phân tích và dự báo xu hướng giá của cổ phiếu trên thị trường chứng khoán Việt
Nam còn bỏ ngỏ, đây vẫn đang là một hướng nghiên cứu khá mới trong quản trị tài
chính trên thị trường tài chính Việt Nam. Theo hướng nghiên cứu này, chúng tôi có
thể tiếp tục nghiên cứu cho thị trường tài chính Việt Nam ở các góc độ như sau:
Thứ nhất, tiếp cận mô hình hàm phân vị thông qua lớp hàm phân vị phù
hợp,xây dựng các kỹ thuật để ước lượng các tham số của mô hình này dựa trên các
kiến thức Toán học như Giải tích, Phương trình vi phân…Từ đó, ứng dụng mô hình
này trong việc phân tích và dự báo xu hướng giá đối với một số cổ phiếu trên thị
trường chứng khoán Việt Nam
Thứ hai, so sánh kết quả thực nghiệm của mô hình này với các mô hình
truyền thống …
Thứ ba, đưa ra một số khuyến nghị cho các nhà đầu tư khi đầu tư cổ phiếu
trên thị trường chứng khoán Việt Nam.

Tổng quan về sử dụng phương pháp hồi quy phân vị trong phân tích rủi
ro
Hồi quy phân vị được giới thiệu bởi Koenker và Bassett (1978) là một sự mở
rộng của hồi quy OLS. Hồi quy phân vị dùng để ước lượng các phân vị có điều kiện
bằng cách cực tiểu hóa có trọng số tổng các giá trị tuyệt đối của các sai số bất đối
xứng. Một thập kỷ rưỡi sau khi Koenker và Bassett giới thiệu hồi quy phân vị, các
ứng dụng trong thực nghiệm của hồi quy phân vị đã phát triển nhanh chóng. Nghiên
cứu đầu tiên của Buchinsky và Chamberlain (1994) về cấu trúc tiền lương, mối
quan hệ giữa tiền lương và trình độ học vấn, số năm kinh nghiệm và thành viên của
hiệp hội Công đoàn qua các mức phân vị khác nhau. Tiếp theo là một loạt các bài
báo về nghiên cứu cấu trúc tiền lương trong hồi quy phân vị đã được mở rộng như
Machado & Mata (2005), Melly (2005) về quan hệ giữa cấu trúc tiền lương và
chủng người da trắng và các màu da khác (Chay and Honore, 1998), với giới tính
 28

(Fortin&Lemieux, 1998). Các kết quả này sau đó được Taylor (2000), Koenker
(2005) mở rộng và ứng dụng trong nhiều lĩnh vực khác nhau như trong xã hội học
(Hao, 2005,2006), trong lĩnh vực khoa học sinh thái và môi trường (Cade, Terell &
Schroeder, 1999). Trong lĩnh vực tài chính, các tác giả David E.Allen and Abhay
Kumar Singh cũng đã sử dụng hồi quy phân vị như một công cụ để đưa ra các quyết
định về danh mục đầu tư trong thời kỳ suy thoái kinh tế. Engle and Manganelli
(1999) đã sử dụng kỹ thuật này đối với bài toán VaR (Value at Risk) và bài toán
định giá quyền chọn (Option Pricing), nghiên cứu về mức thu nhập (Eide and
Showalter 1999)...
Phương pháp hồi quy OLS rất hiệu quả khi muốn biết được những xu thế
chính trong một bộ dữ liệu. OLS chỉ mất tính hiệu quả khi một số giá trị quan sát
vượt quá xa giá trị trung bình hoặc vượt qua những cực trị của một tập dữ liệu.
Ngoài ra, với các chuỗi thời gian tài chính, phương sai của sai số ngẫu nhiên
thường thay đổi nên vi phạm giả định thuần nhất trong hồi quy. Hơn nữa phương
pháp này cũng rất nhạy cảm với các giá trị ngoại lai nên có thể làm sai lệch đáng
kể kết quả ước lượng. Trong khi đó, hồi quy phân vị cung cấp một cách nhìn đầy
đủ hơn về tác động của các biến số độc lập tới biến số phụ thuộc về vị trí, quy
mô và hình dạng trong đuôi phân phối của chúng. Điều này làm cho hồi quy
phân vị vững đối với sự hiện diện của các giá trị ngoại lai và trở nên hữu ích trong
phân tích rủi ro.
Ở Việt Nam, tác giả Hoàng Đức Mạnh (2013) trong luận án Tiến sĩ ’’Một số
mô hình đo lường rủi ro trên thị trường chứng khoán Việt Nam’’ đã sử dụng mô
hình hồi quy phân vị để đánh giá các mức phân vị của hàm đồng vượt ngưỡng giữa
các chu kỳ nghiên cứu của các cổ phiếu [3]. Tác giả Trần Thị Tuấn Anh đã sử dụng
phương pháp hồi quy phân vị trong phân rã chênh lệch tiền lương thành thị và nông
thôn [20]. Trần Trọng Nguyên đã tiếp cận phương pháp hồi quy phân vị để ước
lượng các hệ số trong mô hình Fama-Frech đối với các cổ phiếu của nhóm VN30.
Kết quả này chỉ dừng lại ở việc đánh giá hiệu quả của phương pháp hồi quy phân vị
so với phương pháp OLS khi quan tâm đến đuôi phân phối của chuỗi lợi suất [21].
 29

Nguyễn Thu Thủy [12] cũng đã sử dụng phương pháp hồi quy phân vị trong nghiên
cứu mức độ phụ thuộc giữa thị trường chứng khoán Việt Nam và một số thị trường
thế giới khi xảy ra khủng hoảng.
Như vậy, việc ứng dụng của hồi quy phân vị trong phân tích rủi ro trên thị
trường chứng khoán Việt Nam trong giai đoạn thị trường bất ổn, bị sốc thông tin
vẫn còn là một hướng mở. Đây cũng là một ý tưởng cho nghiên cứu này khi tiếp cận
phương pháp hồi quy phân vị để ước lượng các tham số trong các mô hình phân
tích rủi ro như CAPM, Fama-French, Fama-French mở rộng..và ứng dụng trên thị
trường chứng khoán Việt Nam trong giai đoạn thị trường khủng hoảng, biến động
thông qua nghiên cứu đuôi của phân phối.
1.3. Phương pháp thống kê phân vị
1.3.1. Phương pháp hàm phân vị
1.3.1.1.Hàm phân vị và một số tính chất của hàm phân vị
a. Định nghĩa hàm phân vị
Cho X là một biến ngẫu nhiên. Ta gọi phân vị bậc của X hay
- phân vị là một đại lượng ký hiệu được định nghĩa như sau:

hay là

trong đó F(x) là hàm phân phối xác suất của biến ngẫu nhiên X .
Nếu F(x) là một hàm tăng thực sự thì phân vị chính là hàm ngược của hàm
phân phối:

(1.1)
Chú ý rằng phân vị là bất biến đối với mọi phép biến đổi không giảm của
biến ngẫu nhiên X và nếu không mất tổng quát ta có thể viết thay cho .
Ví dụ 1.1. Cho X là một biến ngẫu nhiên có phân phối xác định trong khoảng
. Khi đó, hàm phân phối và hàm phân vị tương ứng được
minh họa như hình vẽ dưới đây.
 30

Hình 1.1. Hàm phân phối xác suất

Hình 1.2. Hàm phân vị tương ứng

Ví dụ 1.2. Cho X là biến ngẫu nhiên tuân theo phân phối đều với
.
Đặt , khi đó ta có hàm phân vị tương ứng là .
Cụ thể
 31

Một số giá trị liên quan đến các điểm phân vị:
IQR = UQ - LQ Inter Quantile range
IPR_τ = Q(1-τ) - Q(τ) Inter p range
T(τ) = IPR_τ / IQR (Shape index)
QD = LQ + UQ - 2M (Quantile difference)

b. Một số tính chất của hàm phân vị

Cho X là một véctơ ngẫu nhiên (liên tục hoặc rời rạc) có hàm phân vị không
giảm. Khi đó, ta có một số tính chất sau:
• Luật đối xứng (Reflection rule). Phân phối là hàm đối phân vị
của hàm phân vị qua đường thẳng .
Một số giá trị cụ thể:

τ Hàm phân vị Q(τ) Hàm đối phân vị -Q(1-τ)

0 Q(0) -Q(1)
0,25 LQ -UQ
0,5 M(median) -M
0,75 UQ -LQ
1 Q(1) -Q(0)

Ví dụ 1.3. Xét hàm phân vị của phân phối mũ xác định trên
khoảng . Khi đó, hàm xác định trong khoảng , là đối
phân vị của phân phối mũ qua đường thẳng .
• Tính cộng tính (Addition rule). Nếu là các hàm phân vị thì
tổng cũng là một hàm phân vị.
Điều này có được do và là các hàm không giảm theo nên tổng
của chúng cũng là hàm không giảm theo .
 32

Đây là một trong những tính chất đặc biệt của hàm phân vị so với hàm phân
phối xác suất.

Hình 1.3. Hàm phân vị mũ Exp, hàm đối phân vị mũ RefExp.

Ví dụ 1.4. Cho hai hàm phân vị

Khi đó, hàm cũng là hàm

phân vị.
Hàm xác định như trên là hàm phân vị của phân phối logistic.
• Luật tích (Multiplication rule). Tích của hai hàm phân vị dương cũng là
một hàm phân vị.
Nghĩa là nếu và là hai hàm phân vị dương thì
cũng là một hàm phân vị.
Ví dụ 1.5. Xét hai hàm phân vị của phân phối lũy thừa và phân phối

Pareto với .

Khi đó hàm : với là một hàm phân vị, được

gọi là hàm phân vị của phân phối lũy thừa -Pareto.

 33

Hình 1.4. Hàm phân vị của phân phối Power – Pareto.

• Luật chuẩn hóa (Standardization rule)
Xét hàm phân vị của một phân phối xác định khi đó ta có thể đưa nó về
một hàm phân vị mới bằng cách đặt .
Khi thì ta có được phân phối ban đầu được giữ
nguyên.
Khi thì hàm phân phối của nó sẽ tịnh tiến một khoảng so với phân
phối ban đầu. Do đó được gọi là tham số vị trí.
Khi thì phân phối sẽ có xu hướng trải dài hoặc tập trung. Khi đó
được gọi là tham số tỉ lệ.
Do đó, nếu ta có được các tham số tỉ lệ và tham số vị trí của phân vị thì

ta sẽ thu được phân phối ban đầu với hàm phân vị .

• Luật nghịch đảo (Reciprocal rule)

Cho là một biến ngẫu nhiên có hàm phân vị . Khi đó hàm phân vị của

biến ngẫu nhiên là .

• Quy tắc Q - chuyển đổi (Q transformation rule)

Cho biến ngẫu nhiên là một hàm không giảm theo biến x. Khi đó
 34

hàm phân vị của biến ngẫu nhiên z là .

Ví dụ 1.6. Cho Q(τ) là hàm phân vị của phân phối mũ, với
Khi đó ta có
,
Đây là hàm phân vị của phân phối Weibull.

• Định lý giá trị trung gian

Nếu và là các hàm phân vị thì họ các hàm phân vị

nằm giữa hai phân phối ban đầu .
Như vậy, với mỗi sao cho . Khi đó

Ví dụ 1.7. Xét hai hàm phân vị sau .

Khi đó , đây là hàm phân vị của phân phối
logistic. Phân phối này nằm giữa hai phân phối và .
1.3.1.2. Một số đặc trưng cơ bản

Kỳ vọng (moment trung tâm bậc một)
Định nghĩa. Cho là một biến ngẫu nhiên có hàm phân vị . Khi đó, kỳ
vọng của biến ngẫu nhiên X được định nghĩa như sau:

Phương sai
Định nghĩa. Cho là một biến ngẫu nhiên có hàm phân vị . Khi đó,
phương sai của biến ngẫu nhiên X được định nghĩa như sau:

Moment
• Moment gốc bậc hai:

• Moment gốc bậc r:

1.3.1.3. Ưu điểm của hàm phân vị
 35

So với hàm phân phối xác suất, hàm phân vị có một số lợi thế sau:
i. Số tham số của hàm phân vị có thể là năm tham số hoặc hơn nữa. Cụ thể
như các tham số: tham số vị trí, tham số ngưỡng, tham số lệch, tham số đuôi phân
phối trái, tham số đuôi phân phối phải…Đây là một đặc trưng quan trọng của hàm
phân vị trong việc mô tả diễn biến giá của cổ phiếu.
ii. Với hàm phân phối xác suất (mật độ xác suất), chúng ta không thể cộng,
nhân hai phân phối xác suất để được một phân phối xác suất mới. Nhưng đối với
hàm phân vị, điều này có thể thực hiện được. Các tính chất này cho phép những
người làm mô hình dễ tìm kiếm một mô hình thích hợp cho một phân phối bằng
cách kết hợp các mô hình thành phần để tạo ra mô hình mới.
1.3.1.4. Một số lớp hàm phân vị
Có rất nhiều lớp hàm phân vị. Tuy nhiên có 4 lớp hàm phân vị chính: lớp
hàm phân vị cơ bản, lớp hàm phân vị loại I, lớp hàm phân vị loại II và lớp hàm phân
vị loại III.
a. Lớp hàm phân vị cơ bản
Lớp hàm phân vị cơ bản có dạng
,
trong đó là tham số vị trí; là tham số tỷ lệ; hàm phân vị của các phân phối
thường gặp như: phân phối đều, phân phối đều đối ứng (Reciprocal Uniform
Distribution), phân phối mũ, phân phối lũy thừa (Power distribution), phân phối
Pareto, phân phối Weibull…
b. Lớp hàm phân vị loại I
Lớp hàm phân vị loại I có dạng như sau:
,
trong đó là phân vị của các phân phối có dạng như …hoặc phân
phối chuẩn hoặc log-chuẩn, phân phối Cauchy…
c. Lớp hàm phân vị loại II
Lớp hàm phân vị loại I có dạng như sau:
,
 36

trong đó là phân vị của các phân phối có dạng như logistic, lambda, phân phối
giá trị cực biên (Extreme value distribution), phân phối Burr,…
d. Lớp hàm phân vị loại III

Lớp hàm phân vị loại I có dạng như sau:

,

trong đó là phân vị của các phân phối rời rạc như: phân phối Poisson, phân
phối hình học, phân phối nhị thức…
Thông thường người ta biểu diễn lợi suất của một cổ phiếu thông qua một
lớp hàm phân vị phù hợp, ở đây là lớp hàm phân vị loại I. Từ đó thông qua hàm
phân phối xác suất hoặc hàm mật độ xác suất cùng với các phương pháp ước lượng
khác nhau như: phương pháp ước lượng hợp lý cực đại, phương pháp moment tổng
quát, các phương pháp tựa mô phỏng như: Monte Carlo, phương pháp mô phỏng
tựa hợp lý cực đại…người ta có thể ước lượng các tham số trong mô hình này.
1.3.2. Phương pháp hồi quy phân vị
Phương pháp hồi quy phân vị được Koenker & Basset giới thiệu lần đầu tiên
năm 1978. Thay vì ước lượng các tham số của hàm hồi quy trung bình trong
phương pháp OLS, phương pháp hồi quy phân vị ước lượng các tham số hồi quy
trên từng phân vị của biến phụ thuộc để sao cho tổng chênh lệch tuyệt đối của hàm
hồi quy tại phân vị của biến phụ thuộc là nhỏ nhất. Nghĩa là, thay vì xác định tác
động biên của biến độc lập đến giá trị trung bình của biến phụ thuộc, hồi quy phân
vị sẽ giúp xác định tác động biên của biến độc lập đến biến phụ thuộc trên từng
phân vị của biến phụ thuộc đó.
1.3.2.1. Ước lượng bình phương nhỏ nhất thông thường (OLS)
Cho và là hai biến ngẫu nhiên. Phương pháp ước lượng OLS là tìm giá
trị làm cực tiểu kỳ vọng sau đây:

Khi đó, ước lượng bình phương nhỏ nhất thông thường là xác định đại lượng
sao cho làm cực tiểu
 37

đối với hai dãy số liệu và .

1.3.2.2. Cực tiểu tổn thất bình phương
Xét bài toán: Tìm để làm cực tiểu

Khi đó là giá trị , .

Bây giờ, nếu thì là lời giải của bài toán

đối với mỗi .

Điều đó cũng có nghĩa là lời giải của bài toán

Nếu không phải là một hàm tuyến tính của thì là dự báo tuyến
tính tốt nhất của khi cho biết .
1.3.2.3. Cực tiểu tổn thất tuyệt đối
Cho là một biến ngẫu nhiên. Ta xét bài toán tìm giá trị làm cực tiểu

Chú ý rằng

Cho nên

Muốn cho đại lượng này đạt cực tiểu thì phải có
hay là

hay và điều này có nghĩa chính là mêđian của

biến ngẫu nhiên hay .
Như vậy, nếu thì là lời giải của bài toán
 38

Suy ra cũng là lời giải của bài toán

1.3.2.4. Hồi quy phân vị

Ta nhận thấy mêđian chính là phân vị bậc .
Nếu thì là lời giải của bài toán

trong đó là một hàm kiểm tra định nghĩa bởi

Khi đó ước lượng hồi quy phân vị của là lời giải của bài toán quy hoạch

đối với hai dãy số liệu ( ) và .

1.3.2.5. Các điều kiện bậc nhất
Điều kiện bậc nhất đối với bài toán

a. Giả thử rằng là biến ngẫu nhiên liên tục với hàm mật độ . Khi đó

b. Giả sử liên tục tại , khi đó là khả vi tại và

Ta nhận thấy đạo hàm này bằng 0 khi . Thật vậy, khi đó:
 39

Bây giờ ta xét

Do đó ta nhận thấy hồi quy phân vị có thể xem như một phương pháp ước
lượng mômen và việc thay thế kỳ vọng ở đây bằng trung bình mẫu sẽ cho ta một cách
thức thuận tiện để phân tích dáng điệu tiệm cận của ước lượng hồi quy phân vị .
1.3.2.6. Suy diễn thống kê và dự báo từ mô hình hồi quy
Xét mô hình hồi quy phân vị có dạng như sau:

(1.2)
trong đó có cùng chung phân phối mà phân vị thứ của nó bằng 0.
Khi đó hàm hồi quy phân vị mẫu cho từng quan sát được viết như sau:

,
Hay có thể viết

trong đó

Tại phân vị thứ không mất tính tổng quát ta có thể viết:

a. Một số tính chất của hồi quy phân vị

Giả sử là ma trận không suy biến cấp , và là hằng số
Ta ký hiệu là tham số ước lượng tại mức phân vị dựa trên mẫu
quan sát . Khi đó với bất kỳ , ta có:

o
o
 40

o
o
• Xét mô hình hồi quy phân vị mẫu

Mệnh đề:
i. Nếu các sai số (errors) độc lập và có cùng phân phối (i.i.d) thì
Thống kê

tuân theo phân phối Student với bậc tự do.

,
trong đó
là hàm mật độ của và là hàm phân vị đã được định nghĩa
ở (1.1).
là ma trận xác định dương.

ii. Nếu các sai số (errors) độc lập và không có cùng phân phối (i.ni.d) thì

trong đó là ma trận xác định dương.

iii. Nếu các sai số (errors) không độc lập và tuân theo mô hình
, với là sai số ngẫu nhiên độc lập có cùng phân phối (i.i.d) thì

trong đó là ma trận xác định

dương với là hàm dấu (sign function).

a. Suy diễn thống kê từ mô hình hồi quy phân vị
Trong tài liệu về hồi quy phân vị của Koenker (2005) [48], những suy diễn
thống kê liên quan đến kiểm định hệ số hồi quy của hồi quy phân vị cũng được
chứng minh và áp dụng giống như phương pháp OLS.
 41

i. Khoảng tin cậy cho hệ số hồi quy

Giả sử là phân vị mức của phân phối Student với bậc tự
do. Khi đó đồng thời ta có các khoảng tin cậy của với mức tin cậy
là:

ii. Kiểm định giả thiết về hệ số hồi quy

Xét mô hình hồi quy (1.2). Trong khi thiết lập mô hình, ta giả thiết tất cả các
biến độc lập đều tham gia vào mô hình hồi quy. Song trên thực tế có
một số biến độc lập không tham gia vào mô hình hồi quy, tức là các hệ số của nó
trong phương trình bằng . Khi đó ta sẽ xét đến bài toán kiểm định giả thiết về hệ
số hồi quy của các biến tham gia vào phương trình hồi quy có bằng 0 hay không?
Có một số tiêu chuẩn để kiểm định: tiêu chuẩn Wald (W) và tiêu chuẩn tỷ số hợp lý
(LR- Likehood Ratio)…
Chẳng hạn, xét mô hình hồi quy phân vị sau

(1.3)
Giả sử sau khi ước lượng dựa trên mẫu thu được, ta thấy và không có
ý nghĩa thống kê. Khi đó, ta kiểm định giả thiết .
• Kiểm định LR
Tư tưởng của kiểm định LR như sau: Nếu giả thiết là đúng thì mô hình
hồi quy (1.3) và mô hình hồi quy sau là hoàn toàn tương đương:

(1.4)
Trong khi xem xét hai mô hình hồi quy này thì (1.3) còn được gọi là mô hình
không có ràng buộc và (1.4) là mô hình có ràng buộc.
Nếu là đúng thì kết quả ước lượng hai mô hình này phải khá giống nhau,
và như vậy sự khác biệt giữa tổng phần dư trong hai mô hình ước lượng là khá nhỏ.
Do đó nếu sau khi ước lượng, kết quả cho thấy sự khác biệt giữa tổng phần dư của
hai mô hình là lớn thì đây là chứng cứ để bác bỏ giả thuyết . Để đánh giá sự khác
 42

biệt thế nào là lớn hay không đủ lớn, chúng ta dựa vào giá trị quan sát của thống kê
kiểm định, trong trường hợp này là kiểm định LR.
Như vậy, việc thực hiện kiểm định dạng (1.3) bằng kiểm định LR được
thực hiện như sau:
Bước 1: Thiết lập cặp giả thuyết thống kê.
Bước 2: Ước lượng hàm hồi quy không có ràng buộc (1.3) và hàm hồi quy
có ràng buộc (1.4), thu được tổng phần dư của mô hình hồi quy không ràng buộc,
ký hiệu và tổng phần dư của mô hình hồi quy có ràng buộc, ký hiệu Ṽ(τ).
Bước 3: Tính giá trị quan sát của thống kê kiểm định LR, theo công thức sau:

với .

Bước 4: Người ta chứng minh được rằng nếu là đúng thì thống kê LR
tuân theo quy luật với số bậc tự do bằng số ràng buộc. Do đó, nếu
thì giả thuyết sẽ bị bác bỏ, trong trường hợp ngược lại, chúng ta chưa có đủ cơ
sở để bác bỏ (với mức ý nghĩa ).
• Kiểm định Wald
Bước 1: Thiết lập cặp giả thuyết thống kê.
Bước 2: Tính giá trị quan sát của thống kê kiểm định Wald, theo công thức sau:

với là số ràng buộc, là ma trận covariance của k biến cần kiểm định.
Bước 3: Người ta chứng minh được rằng nếu là đúng thì thống kê Wald
tuân theo quy luật với số bậc tự do bằng số ràng buộc.
Do đó, trong ví dụ trên, nếu thì giả thuyết sẽ bị bác bỏ,
trong trường hợp ngược lại, chúng ta chưa có đủ cơ sở để bác bỏ (với mức ý
nghĩa ).

Với mô hình (1.3), để kiểm định giả thiết , vectơ xác

định bởi:
 43

Ma trận được xác định bởi

Sau khi tính thống kê Wald ta so sánh với rồi kết luận.
Ngoài hai tiêu chuẩn kiểm định trên ta còn có thể sử dụng tiêu chuẩn kiểm
định nhân tử Lagrange (Lagrange Multiplier -LM) [48] để kiểm định.
iii. Sự phù hợp của mô hình hồi quy phân vị
Xét mô hình hồi quy phân vị đơn giản

Ký hiệu (The Residual Absolute Sum of Weighted ) là tổng giá trị tuyệt đối
của các phần dư có trọng số, được xác định như sau:

(The Total Absolute Sum of Weight) là tổng tuyệt đối có trọng số

giữa biến phụ thuộc và ước lượng phân vị, được xác định như sau:

Khi đó hệ số xác định phân vị, ký hiệu , xác định như sau:

Do nên .
Một điều đặc biệt là khác với hệ số xác định của mô hình hồi quy tuyến
tính, hệ số xác định không được xem như là một thước đo cho sự phù hợp của
toàn bộ mô hình hồi quy phân vị. Trong thực nghiệm, ứng với một mức phân vị đã
cho tương ứng có một hệ số xác định phân vị . càng lớn thì mô hình càng
phù hợp.
 44

iv. Kiểm định sự khác nhau của hệ số hồi quy thông qua các mức phân vị
Để kiểm định sự khác nhau của hệ số ước lượng tại hai mức phân vị khác
nhau có ý nghĩa thống kê hay không, ta kiểm định bài toán

Quy tắc:
Bước 1.
Xét thống kê

Trong đó

Với lần lượt là tham số ước lượng của (1.2) tại các mức phân vị thứ
tương ứng.
Bước 2. Người ta chứng minh được rằng nếu là đúng thì thống kê Wald tuân
theo quy luật với số bậc tự do bằng .
Bước 3. Do đó, trong ví dụ trên, nếu thì giả thuyết sẽ bị bác bỏ,
trong trường hợp ngược lại, chúng ta chưa có đủ cơ sở để bác bỏ (với mức ý
nghĩa ).
Trong trường hợp số ràng buộc là lớn hơn 2, khi đó hàm kiểm định được
xét như sau:

Với ma trận gồm các phần tử xác định như sau:

 45

Nếu giả thiết đúng, thống kê có phân phối với số bậc tự do là

.
1.3.2.7. Ưu và nhược điểm của hồi quy phân vị
Sau khi Koenker và Basset giới thiệu mô hình hồi quy phân vị lần đầu tiên
vào năm 1978, rất nhiều các nghiên cứu được thực hiện sau đó nhằm mở rộng mô
hình này và ngày càng có nhiều nghiên cứu ứng dụng đã được công bố. Theo
Koenker (2005) [48] và Hao & Naiman [50], hồi quy phân vị có những ưu điểm
sau:
- Phương pháp hồi quy phân vị cho phép thể hiện một cách chi tiết về mối
quan hệ giữa biến phụ thuộc và các biến độc lập trên từng phân vị của biến phụ
thuộc thay vì xét mối quan hệ này dựa trên giá trị trung bình như phương pháp hồi
quy OLS.
- Trong hồi quy OLS, các quan sát bất thường (outlier) thường được loại bỏ
để ước lượng OLS không bị chệch nhưng với hồi quy phân vị không bị ảnh hưởng
bởi sự hiện diện của các quan sát bất thường trên và có tính ổn định (robustness).
- Các kiểm định về tham số của hồi quy phân vị không dựa vào tính chuẩn
của sai số và không dựa trên bất kỳ một giả định nào về dạng phân phối của sai số
hồi quy.
- Hồi quy phân vị phù hợp khi phân tích trên mô hình hồi quy có sự hiện diện
của phương sai thay đổi hoặc trong mẫu số liệu mà hàm phân phối của biến phụ
thuộc bất đối xứng quanh giá trị trung bình. Hàm hồi quy phân vị trên các phân vị
khác nhau sẽ có sự khác biệt rõ rệt sự tác động của các biến độc lập đến biến phụ
thuộc ở những mức phân vị khác nhau.
 46

Tuy nhiên, bên cạnh các ưu điểm trên, hồi quy phân vị vẫn còn một số nhược
điểm sau:
- Các tính toán trong hồi quy phân vị phức tạp hơn so với OLS thông qua
việc giải bài toán quy hoạch tuyến tính. Việc này sẽ khó khăn nếu không có sự hỗ
trợ của máy tính.
- Phải thực hiện nhiều hàm hồi quy trên nhiều phân vị mới cho thấy được
toàn diện sự tác động của biến độc lập đến biến phụ thuộc thay vì chỉ có một hàm
hồi quy trung bình có điều kiện như trong OLS.
- Việc áp dụng hồi quy phân vị cho các dạng hàm phi tuyến còn khá hạn chế.
Các cơ sở lý thuyết để xử lý hiện tượng tự tương quan hoặc các biến nội sinh trong
hồi quy phân vị còn chưa được phát triển toàn diện.
 47

Kết luận chương 1

Chương 1 của luận án đã trình bày cơ sở lý luận và tổng quan nghiên cứu về
phân tích đầu tư chứng khoán và phương pháp thống kê phân vị, cụ thể như sau:
- Thứ nhất, trình bày các khái niệm về phân tích đầu tư chứng khoán, tổng
quan về phân tích đầu tư chứng khoán và các nghiên cứu của thống kê phân vị trong
phân tích và đầu tư chứng khoán .
- Thứ hai, trình bày cơ sở toán học liên quan đến mô hình hàm phân vị như
định nghĩa hàm phân vị, các tính chất, các đặc trưng của hàm phân vị và lớp các
hàm phân vị...
- Thứ ba, trình bày cơ sở toán học của phương pháp thống kê hồi quy phân vị
như: Cơ sở xây dựng hồi quy phân vị, xây dựng khoảng ước lượng cho các hệ số
của hồi quy phân vị, kiểm định sự khác nhau ứng với các mức phân vị khác nhau,
kiểm định sự phù hợp của mô hình...
Những nội dung trình bày trong chương 1 là cơ sở khoa học để tác giả tiếp cận
phương pháp mới trong việc phân tích và dự báo giá chứng khoán trên thị trường
chứng khoán Việt Nam ở chương 2 – mô hình hàm phân vị. Sau đó tác giả phân tích
rủi ro khi thị trường biến động, bị sốc thông tin thông qua một công cụ thống kê phân
vị khác đó là hồi quy phân vị ở chương 3.
 48

CHƯƠNG 2
MÔ HÌNH HÀM PHÂN VỊ
VÀ ỨNG DỤNG TRONG PHÂN TÍCH VÀ DỰ BÁO

Phân tích và dự báo xu hướng giá của cổ phiếu là một trong những nội dung
quan trọng trong phân tích đầu tư chứng khoán. Mục đích của chương này nhằm
tiếp cận một mô hình mới trong việc phân tích và dự báo xu hướng giá cổ phiếu –
mô hình hàm phân vị. Từ đó thử nghiệm với danh mục một số cổ phiếu trên sàn
HOSE. Nội dung của chương này bao gồm:
• Cơ sở lý thuyết của mô hình hàm phân vị.
• Trình bày các kỹ thuật, xây dựng thuật toán và viết chương trình để ước
lượng các tham số trong mô hình hàm phân vị.
• Ứng dụng mô hình hàm phân vị trong phân tích và dự báo xu hướng giá cho
danh mục một số cổ phiếu trên sàn HOSE.
2.1. Mô hình hàm phân vị
2.1.1. Cơ sở xây dựng mô hình hàm phân vị
Có nhiều lớp hàm phân vị. Trong nghiên cứu này chúng tôi chọn lớp hàm
phân vị loại I. Đây là lớp hàm phân vị ổn định và tương đối phù hợp trong phân tích
và dự báo xu hướng giá chứng khoán [61].
Họ lớp hàm phân vị loại I, ký hiệu , được định nghĩa như sau:

(2.1)

trong đó và ký hiệu được định nghĩa như sau:

được gọi là tham số vị trí, ,

được gọi là tham số tỷ lệ, ,
 49

tham số điều khiển (tail order), - tham số này mô tả độ biến

động, ߪ càng nhỏ, đuôi phân phối càng dày - độ biến động càng lớn, rủi ro
càng cao.
tham số cân bằng đuôi, .
Với lớp hàm phân vị đã cho ở trên hàm phân phối xác suất và hàm mật độ
xác suất tương ứng sẽ là:

trong đó .
Hình vẽ 2.1 minh họa hàm mật độ xác suất của lớp hàm phân vị loại I ứng
với các giá trị của khác nhau (trong trường hợp ).

σ=0.4,α
σ=0 σ=0.4, =1.6
α=0.4 α=1

σ=1
α=0.4
σ=1 σ=1
α=1 α=1.6

σ=1.6 σ=1.6 σ=1.6

α=0.4 α=1 α=1.6

Hình 2.1. Hàm mật độ xác suất tương ứng với lớp hàm phân vị loại I.
Nguồn : Tính toán của tác giả.
 50

Trong nghiên cứu này chúng tôi biểu diễn lợi suất của một cổ phiếu thông
qua lớp hàm phân vị loại I. Sau đó thông qua hàm phân phối xác suất và hàm mật
độ xác suất, ta có thể ước lượng các tham số của mô hình này.
2.1.2. Xây dựng mô hình
Gọi là lợi suất của một cổ phiếu. Khi đó ta có thể biểu diễn dưới dạng [62]:

(2.2)

trong đó,

• là những biến ngẫu nhiên độc lập có cùng phân phối (i.i.d) trên (0,1).
• : tham số vị trí.
• : tham số tỷ lệ.
• : tham số điều khiển, thể hiện độ biến động của lợi suất của cổ phiếu và
được biểu diễn bởi phương trình sau:

(2.3)

• : tham số cân bằng đuôi, được biển diễn bởi phương trình sau:
(2.4)
• là những số nguyên không âm – các giá trị này xác định độ trễ.
Trong nghiên cứu này, chúng tôi biểu diễn lợi suất của một cổ phiếu dưới
dạng (2.2).

Trong (2.3), (2.4), chúng tôi chọn độ trễ là 1, do đó đặt .

Khi đó phương trình tham số điều khiển và phương trình tham số cân bằng trở thành

Như vậy mô hình hàm phân vị sẽ có dạng như sau:

(2.5)
 51

(2.6)

(2.7)

(2.5) là phương trình mô tả lợi suất.

(2.6) là phương trình mô tả độ biến động.

(2.7) là phương trình mô tả xu hướng giá của cổ phiếu.

Nhận xét
- Từ (2.6) ta thấy, về bản chất, mô hình hàm phân vị cũng là mô hình dùng để
mô hình hóa rủi ro và có thể sử dụng để tính độ rủi ro của một tài sản tài chính. Hơn
nữa hàm giảm khi tăng trong , nghĩa là, nếu lợi suất
của một cổ phiếu càng biến động thì tham số càng nhỏ.
- Ngoài hai tham số (dùng để dự báo lợi suất) và (dùng để mô tả độ biến
động, rủi ro của cổ phiếu), mô hình hàm phân vị còn có một tham số quan trọng
khác, đó là hệ số hệ số này cho biết xu hướng sinh lợi của cổ phiếu.Warren G.
Gilchrist [60] đã chứng minh được rằng:
 Nếu , phân phối cân bằng: xác suất nhà đầu tư thu được lợi nhuận = xác
suất nhà đầu tư mất tiền, điều này có nghĩa là nhà đầu tư ở trạng thái cân bằng.
 Nếu , đuôi bên trái mập hơn đuôi bên phải – điều này có nghĩa là nhà
đầu tư có xu hướng sẽ bị lỗ khi đầu tư.
 Nếu , đuôi bên phải mập hơn đuôi bên trái – điều này có nghĩa là nhà
đầu tư sẽ có xu hướng thu lợi nhiều hơn.
Đây cũng là tham số định hướng cho nhà đầu tư tham khảo trước khi đưa ra các
quyết định đầu tư.

2.1.3. Ước lượng các tham số trong mô hình hàm phân vị

Do hàm mật độ tương ứng với lớp hàm phân vị loại I trong (2.2) ở dạng hiển
nên trong nghiên cứu này, tác giả đã sử dụng phương pháp hợp lý cực đại để ước
lượng các tham số trong mô hình (2.2).
 52

2.1.3.1. Các bước ước lượng các tham số trong mô hình hàm phân vị
 Bước 1: Lập hàm hợp lý tương ứng và lấy loga hàm hợp lý.
Khi đó, log của hàm hợp lý tương ứng với hàm phân vị trong (2.2) có dạng:

 Bước 2: Các tham số ước lượng trong (2.2) là nghiệm của hệ phương trình
vi phân sau:

với là tập các tham số cần ước lượng.

Hay giá trị ước lượng của là nghiệm của hệ 6 phương trình sau:

trong đó (diễn giải được minh họa ở Phụ lục I)

 53

Đây là một hệ phương trình vi phân phi tuyến. Sau đây là một số phương
pháp giải hệ phương trình phi tuyến trên.
2.1.3.2. Một số phương pháp giải hệ phương trình phi tuyến.
Có rất nhiều phương pháp giải hệ phương trình vi phân phi tuyến. Dưới đây
luận án sẽ trình bày hai phương pháp cơ bản: phương pháp lặp, phương pháp
Newton.
a. Phương pháp lặp
• Phương pháp lặp cho hệ hai phương trình hai ẩn số
Xét hệ 2 phương trình

(2.8)
 54

(2.8) có thể viết dưới dạng

(2.9)

Trong đó và là các hàm hợp, liên tục và khả vi trên một lân
cận nào đó. Dãy nghiệm xấp xỉ của hệ được xác định qua công thức:

(2.10)

trong đó, là nghiệm ban đầu được gán tùy ý.

Định lý. Xét trong một lân cận đóng . Hệ (2.9) có duy
nhất nghiệm nếu thỏa mãn
i. Hàm liên tục khả vi trên .
ii. Nghiệm xấp xỉ ban đầu và các nghiệm kế tiếp
thuộc .
iii. Các bất đẳng thức sau thỏa mãn trong miền R.

Khi đó dãy các nghiệm xấp xỉ trong hệ (2.10) hội tụ về trong lân
cận đóng R. Nghĩa là .

Định lý trên vẫn còn đúng nếu điều kiện iii) thay thế bởi điều kiện sau

Sai số ước lượng xấp xỉ thứ n được cho bởi bất đẳng thức

trong đó . Sự hội tụ của phương pháp này sẽ tốt hơn nếu và

.
 55

• Phương pháp lặp cho hệ n phương trình n ẩn

Xét hệ phương trình phi tuyến sau:

(2.11)
Hệ trên có thể viết lại như sau .
trong đó

Theo phương pháp lặp, nghiệm của hệ trên sẽ là:

(2.12)
Nếu hệ đã cho biểu diễn dưới dạng sau: (2.13)
Trong đó là vecto hàm liên tục trong lân cận của nghiệm cô lập x*. Khi đó
(2.11) có thể viết lại dưới dạng

Với là hàm vectơ biểu diễn dưới dạng:

Ma trận được chọn như sau: (với giả thiết là ma trận

không suy biến).
Thay vào lại (2.12) ta được nghiệm của hệ đã cho theo phương pháp lặp sẽ là:

b. Phương pháp Newton

• Phương pháp Newton cho hệ hai phương trình hai ẩn số
Xét hệ sau:

(2.14)
 56

Theo phương pháp Newton, dãy xấp xỉ {xn} được tính theo công thức sau:

với

là giá trị ban đầu được gán.

Trong thực nghiệm, phương pháp này sẽ hiệu quả hơn khi giá trị ban đầu
được chọn gần với nghiệm của hệ.
• Phương pháp Newton cho hệ n phương trình n ẩn số
Xét hệ phương trình phi tuyến sau:

Hệ trên có thể viết ngắn gọn như sau :

(2.15)
Trong đó

Giả sử là nghiệm xấp xỉ thứ của (2.15). Khi đó

nghiệm chính xác của (2.15) có dạng , trong đó

là sai số.
 57

Đặt là ma trận Jacobi của hệ (2.15). Khi đó có dạng :

Nếu thì có thể biểu diễn dưới dạng sau :

(2.16)
trong đó là ma trận nghịch đảo của ma trận Jacobi.
Do đó, dãy nghiệm xấp xỉ của (2.14) biểu diễn bởi công thức sau :

(2.17)
Ngoài ra còn có một số phương pháp khác để tìm nghiệm của hệ phương
trình phi tuyến như phương pháp Newton – Raphson, Phương pháp Newton-Krylov,
phương pháp Sympson – Newton….
Trong nghiên cứu này, tác giả tìm nghiệm của hệ phương trình vi phân phi
tuyến trên bằng phương pháp Newton.
2.1.3.3. Thuật toán ước lượng các tham số trong mô hình hàm phân vị
Bước 1.
- Gán giá trị ban đầu cho .
- Định nghĩa hàm .
Bước 2.
- Sử dụng phương pháp Newton để giải phương trình vi phân phi tuyến sau:

- Sang bước 3
 58

Bước 3
- Cập nhật giá trị ứng với mỗi quan sát của chuỗi dữ liệu.
- Sang bước 4.
Bước 4.
- Kết thúc chương trình.
Thuật toán Newton
- Gán họ nghiệm ban đầu .
- Tính ma trận Jacobi W và vector thặng dư .
- Tính các đạo hàm: .

- Lập ma trận Jacobian của hàm

- Vòng lặp, nếu cỡ mẫu chưa đủ N hoặc lời giải chưa hội tụ thì :
o Cập nhật giá trị thặng dư và theo công thức sau :

o Lặp lại nếu lời giải chưa hội tụ hoặc , cho trước.
- Cho kết quả giá trị cuối cùng của .
- Kết thúc thuật toán Newton.

Do nhược điểm của phương pháp hợp lý cực đại là chỉ giới hạn trong trường
hợp cỡ mẫu giới hạn. Do đó để khắc phục vấn đề này, nghiên cứu này đã dựa trên
cơ sở toán học sau:

Xét bài toán tối ưu

với (P)

Đây là bài toán tìm vecto sao cho .

Trong đó ᴓ và là hàm số thực tùy ý.

Định nghĩa 2.1. Hàm được gọi là hàm mục tiêu, tập D được gọi là tập ràng buộc
hay là miền chấp nhận được.

Một vecto được gọi là một nghiệm chấp nhận được.

 59

Một vecto sao cho hay được gọi là

một nghiệm tối ưu của bài toán.

Nhận xét. Ta có . Do đó bài toán

tìm cực tiểu có thể đưa về bài toán tìm cực đại và ngược lại.

Định nghĩa 2.2. Ta nói là nghiệm cực tiểu địa phương của (P) và viết
nếu có số sao cho và .Nếu
và thì được gọi là một nghiệm cực
tiểu địa phương chặt của (P).

Định nghĩa 2.3. Điểm được gọi là một nghiệm cực tiểu toàn cục hay cực tiểu
tuyệt đối của (P) nếu và ta viết .

Nếu thì được gọi là nghiệm cực tiểu toàn cục

chặt của (P).

Các khái niệm cực đại địa phương và nghiệm cực đại toàn cục được định
nghĩa tương tự và ta viết hay .
Như vậy, việc tìm nghiệm để cực đại hàm hợp lý ở trên thực
hiện như sau.

• Giả sử cỡ của chuỗi số liệu quan sát là N. Ta chia số liệu quan sát thành
các khoảng rời nhau
• Sử dụng nguyên lý tìm nghiệm tối ưu địa phương kết hợp với phương
pháp Newton để xác định . Thay các giá trị này vào (2.5) và xác định
giá trị cực đại của f trên mỗi miền . Và giả sử tương ứng với mỗi
miền ta được giá trị cực đại là .
• Sử dụng nguyên lý tìm nghiệm tối ưu toàn cục, ta xác định được
sao cho .

Dựa trên cơ sở Toán học và thuật toán đã trình bày, tác giả đã sử dụng phần
mềm Maple để viết chương trình ước lượng các tham số trong mô hình hàm phân vị
 60

(xem phụ lục 3) sau khi đánh giá được mức độ hội tụ của bài toán cùng độ phức tạp
của tính toán chương trình.

2.2. Ứng dụng mô hình hàm phân vị trong phân tích và dự báo xu hướng
giá một số cổ phiếu trên thị trường chứng khoán Việt Nam
Trong phần này, chúng tôi sử dụng mô hình hàm phân vị và mô hình phương
sai sai số thay đổi có điều kiện như GARCH, TGARCH để phân tích và dự báo độ
biến động và xu hướng giá của một số cổ phiếu. So sánh kết quả ước lượng của mô
hình hàm phân vị và mô hình phương sai sai số thay đổi có điều kiện để đánh giá
chất lượng của mỗi mô hình.
2.2.1. Mô tả số liệu
Tác giả sử dụng dữ liệu về giá đóng cửa hàng ngày của các cổ phiếu được niêm yết
trên Sàn Thành phố Hồ Chí Minh (HOSE). Mẫu nghiên cứu được chọn trong khoảng
thời gian từ 03/01/2012 đến 25/03/2016 để phân tích. Như vậy mỗi cổ phiếu gồm 1050
giá trị quan sát.
Ta ký hiệu R_EIB, R_OGC, R_MSN, R_VCB, R_BIC, R_BMI, R_CTG,R_HCM,
R_PGI, R_DPM, R_PVD là các chuỗi lợi suất của các chuỗi giá đóng cửa của

các cổ phiếu tương ứng (thông tin cập nhật năm 2016). Dữ liệu được lấy từ các trang
web fpts.com.vn, hsx.vn.
Kết quả về các giá trị thống kê mô tả của các chuỗi lợi suất thể hiện trong bảng 2.1.
Bảng 2.1. Mô tả thống kê chuỗi lợi suất của các cổ phiếu.

Sum
Std. Jarque-
Mean Maximum Minimum Skewness Kurtosis Prob. Sum Sq. Obs.
Dev. Bera
Dev.
R_CTG -5.62E-06 0.0663 -0.2122 0.02028 -1.2973 18.306 10544.5 0 -0.01 0.431 1050
R_VCB 6.87E-04 0.0676 -0.1431 0.02101 -0.3815 6.240 484.792 0 0.72 0.463 1050
R_EIB -0.000312 0.0673 -0.0762 0.01686 0.1362 6.078 417.797 0 -0.33 0.298 1050
R_MSN -0.00017 0.0670 -0.0721 0.01868 0.1154 4.770 139.42 0 -0.18 0.366 1050
R_BIC 0.001166 0.0677 -0.1460 0.02721 -0.0802 4.160 59.978 0 1.22 0.777 1050
R_BMI 0.001031 0.0675 -0.1585 0.02533 -0.1614 5.047 187.97 0 1.08 0.673 1050
R_HCM 0.000771 0.0677 -0.2116 0.02494 -0.5833 8.430 1349.37 0 0.81 0.652 1050
R_OGC -0.000795 0.0674 -0.0726 0.03161 -0.0566 2.305 21.702 0 -0.83 1.048 1050
R_PGI 0.000855 0.0673 -0.1785 0.02717 -0.3417 5.102 213.806 0 0.9 0.775 1050
R_DPM 0.000197 0.0640 -0.0900 0.0174 -0.486 6.590 605 0 0.21 0.320 1050
R_PVD -0.00024 0.0680 -0.1700 0.0243 -0.326 5.854 374.9 0 -0.25 0.620 1050

Nguồn: Tính toán của tác giả.

 61

Theo bảng các giá trị thống kê mô tả ta thấy lợi suất trung bình của VCB,
BIC, BMI, HCM, PGI, DPM là dương, còn lại là âm. Dựa theo kiểm định Jarque-
Bera về tính phân phối chuẩn, với mức ý nghĩa 5%, tất cả các chuỗi trên đều không
tuân theo phân phối chuẩn.
Ta thấy các chuỗi lợi suất của các cổ phiếu OGC, BIC, BVH, HCM có độ
lệch chuẩn mẫu khá lớn so với các chuỗi còn lại, điều đó cho thấy các chuỗi này có
độ biến động cao hơn các chuỗi còn lại. Hơn nữa theo kết quả của bảng thống kê
mô tả, do dải dao động của các chuỗi này khá rộng, điều đó cho thấy trong thời gian
quan sát các chuỗi trên có thể tăng hoặc giảm với biên độ đáng kể.
Tiếp theo, tác giả sử dụng mô hình hàm phân vị và mô hình phương sai sai số
thay đổi có điều kiện để phân tích và dự báo xu hướng giá của cổ phiếu. Sau đó so
sánh hiệu quả của hai mô hình này thông qua việc dự báo chuỗi lợi suất.
2.2.2. Kết quả phân tích
Bằng phương pháp ước lượng hợp lý cực đại kết hợp với việc sử dụng phần
mềm Maple dựa trên cơ sở Toán học và thuật toán đã trình bày ở phần 2.1.3, tác giả
đã lập chương trình để ước lượng các tham số của mô hình hàm phân vị cho các cổ
phiếu được niêm yết trên sàn HOSE (xem phụ lục 3). Kết quả ước lượng được cho
trong bảng 2.2.
Bảng 2.2. Bảng ước lượng các tham số với mô hình hàm phân vị cho các cổ phiếu.

CTG 0.45 0.32 0.803 0.435 0.079 -0.0005

VCB 0.4 0.3 0.69 0.515 0.002 0.0059
EIB 0.14 0.62 0.705 0.5 0.0012 -0.00029
MSN 0.23 0.45 0.67 0.515 0.0015 -0.0002
BIC 0.25 0.39 1.275 0.1 0.009 0.0014
BMI 0.49 0.32 0.85 0.4 0.0301 0.00099
OGC 0.719 0.72 0.809 0.43 0.007 -0.0081
HCM 0.219 0.59 0.79 0.24 0.0012 0.0008
PGI 0.25 0.36 0.822 0.404 0.0015 0.000832
DPM 0.2 0.41 0.89 0.35 0.0082 0.0002
PVD 0.7 0.12 1.275 0.1 0.0018 -0.000279
Nguồn : Tính toán của tác giả.
 62

Tiếp theo, thay vì minh họa xu hướng lợi suất của cổ phiếu, để dễ dàng
theo dõi và so sánh luận án sẽ minh họa xu hướng giá của cổ phiếu, xu hướng
thu lợi cũng như độ biến động của các cổ phiếu được ước lượng theo mô hình
hàm phân vị. Qua đó nhà đầu tư có thể hình dung rõ hơn diễn biến của mỗi cổ
phiếu trong nhóm này.
Hình 2.2 là kết quả minh họa cho cổ phiếu CTG thông qua mô hình hàm
phân vị. Hình 2.2.a minh họa xu hướng giá của cổ phiếu CTG, dãy (hình
2.2.b) minh họa độ biến động của cổ phiếu CTG, dãy (hình 2.2.c) minh họa xu
hướng thu lợi hay lỗ của cổ phiếu CTG.
CTG
28

26

24

22

20

18

16

14

12
100 200 300 400 500 600 700 800 900 1000

Hình 2.2a. Giá của cổ phiếu CTG

alpha
1.12

1.10

1.08

1.06

1.04

1.02

1.00

0.98
100 200 300 400 500 600 700 800 900 1000

Hình 2.2b. Dãy ước lượng của cho cổ phiếu CTG.

SIGMA_CTG
1.10

1.05

1.00

0.95

0.90

0.85

0.80
100 200 300 400 500 600 700 800 900 1000

Hình 2.2c. Dãy ước lượng của cho cổ phiếu CTG.

Hình 2.2. Mô hình hàm phân vị cho cổ phiếu CTG
Nguồn : Tính toán của tác giả.
 63

Đối chiếu hình 2.2a và 2.2b ta nhận thấy trong lân cận quan sát thứ 60
tương ứng thời gian khoảng cuối tháng 3/2012, dãy ước lượng cho có độ dốc
cao – điều đó có nghĩa là xu hướng cho giá cổ phiếu sẽ đi xuống. Đối chiếu với
tình hình thực tế, trong khoảng thời gian này ngân hàng VietinBank thực hiện
quyền chia cổ phiếu, trả cổ tức và thưởng cho cổ đông, do đó giá của cổ phiếu
CTG trong thời kỳ giảm đột ngột và tiếp tục giảm cho đến quan sát thứ 216.
Sau quan sát này, dãy ước lượng tương đối ổn định, điều này có nghĩa là
trong khoảng thời gian này nhà đầu tư sẽ thu lợi.Trên thực tế, trong khoảng
thời gian này, nhóm cổ phiếu này đã phục hồi đáng kể sau khi khối ngoại bắt
đầu tham gia gom mua cổ phiếu cho đến cuối năm 2012. Năm 2013 có thể được
xem là một năm không thành công đối với các cổ phiếu ngành ngân hàng, cụ
thể là vào đầu tháng 2/2013, cổ phiếu này bị ảnh hưởng bởi các thông tin bất
lợi từ Ban quản trị nên cổ phiếu CTG bị rớt giá, do đó dãy ước lượng tăng
vọt ứng với quan sát thứ 420 cho đến lân cận quan sát thứ 6000. Ứng với thời
gian này (đầu tháng 9/2013), Ngân hàng VietinBank phát hành thêm cổ tức và
thực hiện quyền chia cổ tức (tương ứng thời gian từ 20 đến 22/05/2014), do đó
giá cổ phiếu sụt giảm. Sau thời gian đó từ xu hướng của nhà đầu tư sẽ có xu
hướng thu lợi khi đầu tư trong thời gian này. Đây là thời gian khá ổn định của
cổ phiếu của Ngân hàng thương mại cổ phần Công Thương Việt Nam.

Tương tự, thông qua dãy ước lượng ta thấy cổ phiếu VCB tương đối
ổn định trong cả thời kỳ nghiên cứu, nhà đầu tư có xu hướng thu lợi nhiều hơn
khi đầu tư trong thời gian này, chỉ có quan sát tương ứng trong thời gian từ
tháng 5 năm 2012 đến tháng 3 năm 2012, dãy ước lượng có độ dốc cao, vượt
hơn 1, do đó nhà đầu tư sẽ có xu hướng không thu lợi khi đầu tư trong khoảng
thời gian này.

Riêng cổ phiếu EIB, so với hai cổ phiếu CTG và VCB, ta nhận thấy trong
hầu hết thời gian nghiên cứu dãy ước lượng có xu hướng nhận giá trị lớn 1,
dãy nhận giá trị nhỏ, tương ứng độ biến động về giá lớn. Đối chiếu với thực tế,
0
1
8
. B
IH
E
_
P
L
A .0
9 IS
E
_
M
A
G
B

0
1
4
6
. .5
0
8

0
1
2
. .5
0
7
 64

trong khoảng thời gian nghiên cứu có rất nhiều thông tin đồn đoán trái chiều trên
thị trường chứng khoán về thay đổi cơ cấu cổ đông, thay đổi lãnh đạo, số cổ
phiếu giao dịch thỏa thuận lớn khiến giá cổ phiếu của ngân hàng này mất giá. Sự
kiện thay đổi nhân sự cấp cao như Tổng Giám đốc, 2 Phó Tổng Giám đốc và
thay Kế toán trưởng. Hơn nữa, cáccổ đông lớn rục rịch thoái vốn, lợi nhuận sa
sút, giá cổ phiếu giảm sâu… làm cho ngân hàng Thương mại cổ phần Xuất nhập
khẩu Việt Nam đang đối mặt với nhiều sóng gió. Cuộc thanh tra đột xuất hồi
tháng 4/2015 vừa qua vẫn còn là ẩn số lớn về tình hình hoạt động của nhà băng
này. Tình hình kinh doanh èo uột của Eximbank năm 2014 và nửa đầu năm 2015
đã lập tức phản ánh vào giá cổ phiếu với xu hướng lao dốc liên tục [15].

Với các cổ phiếu ngành Bảo hiểm là: BIC (Tổng CTCP Bảo hiểm Ngân
hàng Đầu tư và Phát triển Việt Nam), PGI (Tổng Công ty cổ phần Bảo hiểm
Petrolimex) và BMI (Tổng Công ty cổ phần Bảo Minh), xu hướng giá phản
ánh vào dãy ngược nhau. Với hai cổ phiếu PGI, BMI, xu hướng giá cho thấy
trong hầu hết thời gian nghiên cứu nhỏ hơn 1, do đó nhà đầu tư có hầu hết xu
hướng thu lợi. Riêng cổ phiếu BIC, xu hướng giá cho thấy trong hầu hết thời
gian nghiên cứu, lớn hơn 1. Vì vậy nhà đầu tư cần thận trọng hơn khi đầu tư
với cổ phiếu này.

Tương tự ta có hình vẽ minh họa biểu diễn mô hình hàm phân vị cho các cổ
phiếu còn lại. Mỗi một cổ phiếu được minh họa qua ba hình vẽ. Hình đầu tiên biểu
diễn giá của cổ phiếu, hình vẽ thứ hai ALPHA_COPHIEU minh họa cho dãy các
giá trị ước lượng - biểu diễn cho xu hướng thu lợi khi đầu tư cổ phiếu, hình vẽ
thứ ba SIGMA_COPHIEU minh họa cho dãy ước lượng - biểu diễn cho độ biến
động của cổ phiếu. Khác với mô hình phương sai sai số thay đổi, với mô hình hàm
phân vị ta thấy nếu càng nhỏ càng biến động.
 65
S IG MA _ E IB
IH
E
B
_
P
L
A A
G
M
IS B
_
IE

E IB ALP HA_E IB
.1
6
8
0 8
9
.0
5

.1
4
0 8
.0

.1
2
0 7
.5
0

.1
0 6
.5

.0
6
8
9 5
6
.0

22 1.08 .90

.85
20 1.06

.80
18 1.04

. 16 1.02
.75

.70

14 1.00
.65

12 0.98 .60

10 0.96 .55
10 0 2 00 30 0 4 00 50 0 6 00 70 0 800 9 00 1 00 0 100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000

VC B ALPH_VCB
SIGMA_VCB
55 1.03 1.03
1.8
50
1.02 1.02 1.6
45
1.01 1.01 1.4
40

35 1.00 1.00 1.2

30 1.0
0.99 0.99
25
0.8
0.98 0.98
20
0.6
15 0.97 0.97
1 00 200 3 00 400 5 00 600 7 00 800 9 00 1 00 0 100 200 300 400 500 600 700 800 900 1000 0.4
100 200 300 400 500 600 700 800 900 1000

MSN ALPHA_MSN
SIGMA_MSN
140 1.04
1.2
1.03
130
1.02 1.1
120
1.01
110 1.0
1.00
100 0.9
0.99

90 0.98
0.8
80 0.97

0.96 0.7
70
0.95
60 0.6
100 200 300 400 500 600 700 800 900 1000
100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000

BIC ALPHA_BIC SIGMA_BIC

28 28 1.12 1.12 1.3 1.3

1.2 1.2
24 24
1.08 1.08
1.1 1.1
20 20
1.04 1.04 1.0 1.0

16 16 0.9 0.9

1.00 1.00
0.8 0.8
12 12

0.7 0.7
8 8 0.96 0.96
0.6 0.6

4 4 0.92 0.92 0.5 0.5

100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000
 66
BMI ALPHA_BMI SIGMA_BMI
32 32 1.05 1.05 1.5 1.5

28 28 1.04 1.04 1.4 1.4

24 24 1.03 1.03
1.3 1.3

20 20 1.02 1.02
1.2 1.2

16 16 1.01 1.01
1.1 1.1
12 12 1.00 1.00
1.0 1.0
8 8 0.99 0.99

0.9 0.9
4 4 0.98 0.98 100 200 300 400 500 600 700 800 900 1000
100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000

SIGMA_OGC
OGC ALPHA_OGC
1.7 1.7
18 18 1.05 1.05
1.6 1.6
16 16 1.04 1.04
1.5 1.5
14 14
1.03 1.03
1.4 1.4
12 12
1.02 1.02 1.3 1.3
10 10
1.2 1.2
1.01 1.01
8 8
1.1 1.1
1.00 1.00
6 6 1.0 1.0

4 4 0.99 0.99
0.9 0.9

2 2 0.98 0.98 0.8 0.8

100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000

HCM ALPHA_HCM SIGMA_HCM

44 44 1.06 1.06 2.2 2.2

40 40 1.05 1.05 2.0 2.0

36 36 1.04 1.04 1.8 1.8

1.03 1.03 1.6 1.6

32 32
1.02 1.02 1.4 1.4
28 28
1.01 1.01
24 24 1.2 1.2
1.00 1.00
20 20 1.0 1.0
0.99 0.99
16 16 0.8 0.8
0.98 0.98
12 12 0.6 0.6
100 200 300 400 500 600 700 800 900 1000 0.97 0.97 100 200 300 400 500 600 700 800 900 1000
100 200 300 400 500 600 700 800 900 1000

PGI SIGMA_PGI
ALPHA_PGI
20 20 .95 .95
1.12 1.12
.90 .90
18 18 1.10 1.10

1.08 1.08 .85 .85

16 16
1.06 1.06 .80 .80
14 14
1.04 1.04 .75 .75
12 12 1.02 1.02
.70 .70

10 10 1.00 1.00
.65 .65
0.98 0.98
8 8 .60 .60
0.96 0.96
6 6 .55 .55
0.94 0.94 100 200 300 400 500 600 700 800 900 1000
100 200 300 400 500 600 700 800 900 1000
100 200 300 400 500 600 700 800 900 1000

Hình 2.3. Mô hình hàm phân vị cho các cổ phiếu.

Nguồn : Tính toán của tác giả.
 67

Tiếp theo luận án sử dụng mô hình phương sai có điều kiện thay đổi để
phân tích và dự báo cho các cổ phiếu của ngành này. Sau đó, so sánh hiệu quả
của hai mô hình.
2.3. Mô hình phương sai có điều kiện thay đổi
Bước 1: Kiểm định tính dừng.
Trong luận án này, tác giả sử dụng hai kiểm định của Dickey-Filler và
Phillips – Perron để kiểm định tính dừng cho các chuỗi số liệu được sử dụng. Kết
quả kiểm định với mức ý nghĩa 5%, cho thấy hầu hết các chuỗi lợi suất của cổ phiếu
đều là chuỗi dừng dưới dạng logarith.
Bước 2: Xây dựng phương trình trung bình.
Phương trình trung bình được xây dựng thông qua lược đồ tương quan của
các chuỗi để xác định độ trễ của từng chuỗi trong các phương trình.
Bước 3: Kiểm định hiệu ứng của ARCH.
Tác giả sử dụng kiểm định ARCH LM do Engle (1982) đề xuất thông qua
kiểm định tự hồi quy của phương sai có điều kiện trong các phần dư. Kết quả kiểm
định cho các chuỗi số liệu đều có hiệu ứng ARCH. Do vậy, tác giả lựa chọn ước
lượng mô hình GARCH hoặc TGARCH.
Bước 4: Ki ể m đị nh ý ngh ĩ a th ố ng kê củ a các h ệ s ố thông qua ki ể m
đị nh Wald.
Mục đích của bước này là sử dụng kiểm định Wald để kiểm định ý nghĩa
thống kê của các biến trong mô hình.
Bước 5: Kiểm định tương quan chuỗi thông qua lược đồ tương quan.
Kiểm định này dựa trên lược đồ tương quan chuỗi của mô hình để xem xét
mô hình có tồn tại hiện tượng tự tương quan hay không, từ đó lựa chọn được mô
hình phương sai có điều kiện thay đổi phù hợp cho mỗi chuỗi.
Sau năm bước thực hiện trên, nghiên cứu đã lựa chọn được mô hình phù hợp
cho các cổ phiếu. Với cổ phiếu EIB, CTG và PGI, mô hình TGARCH cho kết quả
dự báo tốt nhất. Với các cổ phiếu còn lại, mô hình GARCH cho kết quả ước lượng
tốt nhất. Kết quả được trình bày trong bảng 2.3 và bảng 2.4.
 68

Bảng 2.3. Kết quả ước lượng theo mô hình GARCH.

Dependent Variable: D(LOG(MSN)) Dependent Variable: D(LOG(VCB))
Variable Coefficient z-Statistic Prob. Variable Coefficient z-Statistic Prob.
C -0.000528 -1.448352 0.1475 C 0.000244 0.395446 0.6925
AR(1) 0.890794 19.17354 0 AR(1) 0.546835 22.34018 0
MA(1) -0.848065 -14.56026 0 AR(2) -1.026073 -38.85816 0
MA(2) -0.078145 -2.254495 0.0242 AR(3) 0.700378 29.80567 0
AR(4) -0.751803 -23.73056 0
MA(1) -0.509093 -120.1338 0
MA(2) 1.00388 39.0371 0
MA(3) -0.683285 -38.89904 0
MA(4) 0.709883 30.89031 0
Variance
Variance Equation
Equation
C 3.01E-05 5.093498 0 C 4.42E-05 4.770879 0
RESID(-1)^2 0.128288 6.154447 0 RESID(-1)^2 0.147976 5.737624 0
GARCH(-1) 0.787689 27.0955 0 GARCH(-1) 0.760313 22.39118 0
Dependent Variable: Dependent Variable:
D(LOG(BIC)) D(LOG(BMI))
Variable Coefficient z-Statistic Prob. Variable Coefficient z-Statistic Prob.
C -0.000894 -1.401897 0.1609 C 0.000811 1.288844 0.1975
MA(3) -0.082903 -2.651424 0.008 MA(2) -0.081713 -2.404026 0.0162
Variance Equation Variance Equation
C 0.000293 6.164496 0 C 6.29E-05 5.377916 0
RESID(-1)^2 0.347558 6.796182 0 RESID(-1)^2 0.181465 6.550973 0
GARCH(-1) 0.267809 3.151689 0.0016 GARCH(-1) 0.723806 20.08364 0
 69

Dependent Variable: Dependent Variable:

D(LOG(OGC)) D(LOG(HCM))
Variable Coefficient z-Statistic Prob. Variable Coefficient z-Statistic Prob.
C -0.000624 -0.676591 0.4987 C 0.000725 0.886565 0.3753
AR(2) -0.358188 -2.792767 0.0052 AR(1) -1.677959 -40.54074 0
AR(3) -0.414524 -10.83366 0 AR(2) -1.612194 -32.99066 0
AR(4) 0.508624 4.079001 0 AR(3) -0.891938 -24.88197 0
MA(2) 0.349086 3.046056 0.0023 MA(1) 1.712773 47.42389 0
MA(3) 0.463064 13.5562 0 MA(2) 1.684488 42.89458 0

MA(4) -0.558245 -4.881529 0 MA(3) 0.934524 28.1048 0

Variance Equation Variance Equation

C 8.28E-05 2.073299 0.0381 C 8.36E-05 3.301971 0.001
RESID(-1)^2 0.12067 3.212349 0.0013 RESID(-1)^2 0.083967 3.464485 0.0005
GARCH(-1) 0.793862 11.6778 0 GARCH(-1) 0.780455 12.98253 0

Nguồn : Tính toán của tác giả.

 70

Bảng 2.4. Kết quả ước lượng theo mô hình TGARCH.

Dependent Variable: D(LOG(EIB)) Dependent Variable: D(LOG(PVD))
Variable Coefficient z-Statistic Prob. Variable Coefficient z-Statistic Prob.
C -0.000133 -0.387648 0.6983 C -0.000252 -0.282507 0.7776
AR(1) -0.803048 -19.26008 0 AR(1) 1.075729 29.53668 0
AR(2) -0.898942 -31.18489 0 AR(2) -0.298401 -4.37385 0
AR(4) -0.160525 -3.844237 0.0001 AR(3) 0.937517 40.0018 0
AR(5) -0.104172 -3.51363 0.0004 AR(4) -1.04765 -29.41603 0
MA(1) 0.753415 15.75427 0 AR(5) 0.219934 3.548983 0.0004
MA(2) 0.797658 17.3539 0 MA(1) -1.02426 -170.3319 0
MA(3) -0.207353 -4.356439 0 MA(2) 0.238044 4.696576 0
MA(3) -0.955667 -55.87367 0
MA(4) 1.043284 262.5114 0
MA(5) -0.163825 -3.461969 0.0005
Variance Equation Variance Equation
C 2.95E-05 7.749659 0 C 0.000149 5.294909 0
RESID(-1)^2 0.354259 7.957158 0 RESID(-1)^2 0.174861 3.885178 0.0001
RESID(-1)^2*(RESID(-1)<0) -0.10603 -2.054878 0.0399 RESID(-1)^2*(RESID(-1)<0) 0.1054 1.650464 0.0988
GARCH(-1) 0.614607 21.95016 0 GARCH(-1) 0.520925 7.685835 0
Dependent Variable: D(LOG(DPM)) Dependent Variable: D(LOG(CTG))
Variable Coefficient z-Statistic Prob. Variable Coefficient z-Statistic Prob.
C 0.000344 0.789954 0.4296 C -0.000471 -0.905812 0.365
AR(1) 0.02982 2.177638 0.0294
AR(2) -0.965806 -46.61622 0
AR(4) -0.619912 -28.50994 0
 71

AR(5) -0.411668 -31.81437 0

MA(1) -0.009361 -10.46729 0
MA(2) 1.013077 936.4869 0
MA(4) 0.642787 85.93489 0
MA(5) 0.377864 70.49266 0
Variance Equation Variance Equation
C 9.67E-06 5.177027 0 C 1.83E-05 9.642175 0
RESID(-1)^2 0.215013 7.604441 0 RESID(-1)^2 0.213813 6.407912 0
RESID(-1)^2*(RESID(-1)<0) -0.166251 -5.606465 0 RESID(-1)^2*(RESID(-1)<0) -0.106603 -3.175879 0.0015
GARCH(-1) 0.848803 53.08637 0 GARCH(-1) 0.819469 46.50943 0
Dependent Variable: D(LOG(PGI))
Variable Coefficient z-Statistic Prob.
C 0.000394 1.281133 0.2001
AR(1) 0.419684 5.38335 0
AR(4) 0.730237 6.138231 0
AR(5) -0.331367 -3.712726 0.0002
MA(1) -0.717397 -11.96913 0
MA(4) -0.722535 -5.744323 0
MA(5) 0.51522 4.591655 0

Variance Equation
C 5.81E-05 3.937857 0.0001
RESID(-1)^2 0.220662 5.398467 0
RESID(-1)^2*(RESID(-1)<0) -0.147782 -3.668498 0.0002
GARCH(-1) 0.779212 20.6738 0

Nguồn : Tính toán của tác giả.

 72

2.4. So sánh độ chính xác dự báo của mô hình hàm phân vị và mô hình
phương sai có điều kiện thay đổi
2.4.1. Sai số dự báo
Kết quả dự báo thường gắn với sai số dự báo. Với mô hình hồi quy, sai số dự
báo thường được tính dựa trên sự sai lệch giữa giá trị thực tế và giá trị ước lượng
của biến phụ thuộc, sai số dự báo thường được tính toán theo các công thức sau:
Căn bậc hai của trung bình bình phương sai số (Mean Squared Error - MSE)

Sai số trung bình tuyệt đối (Mean Absolute Error - MAE)

Sai số trung bình tuyệt đối tính theo phần trăm (Mean Absolute Percent
Error - MAPE)

Giá trị của hai độ đo đầu tiên phụ thuộc vào đơn vị đo của biến phụ thuộc và
độ đo MAPE là không phụ thuộc vào đơn vị đo. Do đó, trong nghiên cứu này,
chúng tôi đánh giá chất lượng dự báo thông qua tiêu chí MAPE.
2.4.2. Kết quả dự báo
2.4.2.1. Kiểm định chất lượng của mô hình hàm phân vị
Kiểm định chất lượng mô hình được thực hiện qua hai bước: đánh giá độ
chính xác của dự báo và sau đó so sánh kết quả dự báo của mô hình hàm phân vị
với mô hình dự báo chuỗi thời gian khác.
• Bước 1: Đánh giá độ chính xác của dự báo
Việc đánh giá chất lượng dự báo của mô hình hàm phân vị được thực hiện
theo phương pháp rolling sample. Nghĩa là, xác định lại mẫu ước lượng cho đến
cuối 2015. Sau đó dùng mô hình này dự báo cho 5 phiên tiếp theo và so sánh với
 73

các giá trị đã xảy ra trong thực tế. Sau đó, ta tịnh tiến cỡ mẫu (bằng cách loại bỏ 5
quan sát đầu mẫu và thêm 5 quan sát mới vào)…Tiếp tục lặp lại việc dự báo và so
sánh với giá trị thực tế như trên cho đến hết ngày 19/3/2016. Khi đó ta tính MAPE
trung bình trong của mô hình hàm phân vị và mô hình phương sai sai số có điều
kiện thay đổi trong cả 5 giai đoạn (phụ lục 8). Bảng 2.5 là kết quả minh họa được
trình bày ở giai đoạn 5 với các phiên giao dịch từ 21/03/2016 đến 25/03/2016.
MAPE trung bình của cả 5 giai đoạn.
• Bước 2: Thực hiện so sánh kết quả dự báo của mô hình hàm phân vị với
mô hình dự báo chuỗi thời gian GARCH, TGARCH
Kết quả so sánh được cho trong Bảng 2.5.
Bảng 2.5. So sánh giá cổ phiếu thực tế và giá cổ phiếu dự báo theo mô hình hàm phân
vị và mô hình phương sai có điều kiện thay đổi.
Giá dự báo Chênh lệch giữa Giá dự báo Chênh lệch
Giá
Cổ phiếu Thời gian theo mô hình giá thực tế và theo mô hình giữa giá thực tế
thực tế
hàm phân vị giá dự báo GARCH và giá dự báo
21/03/2016 17.3 17.30 0.001876315 17.29 0.008145538
22/03/2016 17.1 17.21 0.108540211 17.28 0.183712759
CTG 23/03/2016 17.2 17.05 0.147457959 17.28 0.07557489
24/03/2016 16.9 16.65 0.253075969 17.27 0.367440852
25/03/2016 16.9 16.84 0.061516202 17.26 0.359310645
MAPEphân vị= 0.0067288 MAPETGARCH= 0.0117222
21/03/2016 42.9 42.47 0.43050354 42.37 0.526354525
22/03/2016 43.3 42.82 0.476671359 42.52 0.783047111
VCB 23/03/2016 42.9 43.25 0.350420535 42.51 0.385630813
24/03/2016 42.1 42.51 0.412563877 42.41 0.308727452
25/03/2016 42.8 42.04 0.758408516 42.56 0.235016019
MAPEphân vị= 0.0113463 MAPEGARCH= 0.0104334
21/03/2016 10.3 10.34 0.042437972 10.38 0.082345262
22/03/2016 10.3 10.22 0.075389161 10.36 0.061213954
EIB 23/03/2016 10.3 10.26 0.043699707 10.39 0.092827451
24/03/2016 10.3 10.29 0.007091926 10.38 0.07750506
25/03/2016 10.3 10.29 0.008889208 10.37 0.070477959
MAPEphân vị= 0.0034468 MAPETGARCH= 0.0074635
 74

Giá dự báo Chênh lệch giữa Giá dự báo Chênh lệch

Giá
Cổ phiếu Thời gian theo mô hình giá thực tế và theo mô hình giữa giá thực tế
thực tế
hàm phân vị giá dự báo GARCH và giá dự báo
21/03/2016 70 71.51 1.511839164 71.44 1.439536491
22/03/2016 70 69.96 0.042043143 71.45 1.454765938
MSN 23/03/2016 72 69.99 2.00776677 71.46 0.535784134
24/03/2016 73.5 71.58 1.923841776 71.47 2.031484495
25/03/2016 74 73.49 0.512433039 71.47 2.531773518
MAPEphân vị= 0.016636691 MAPEGARCH= 0.022128205
21/03/2016 6.3 6.404575921 0.104575921 6.402560766 0.102560766
22/03/2016 6.2 6.275996415 0.075996415 6.396974668 0.196974668
BIC 23/03/2016 6.3 6.193406271 0.106593729 6.399675706 0.099675706
24/03/2016 6.2 6.166128754 0.033871246 6.393957679 0.193957679
25/03/2016 6.2 6.188863967 0.011136033 6.388244761 0.188244761
MAPEphân vị= 0.010607143 MAPEGARCH= 0.025103338
21/03/2016 25.5 25.00559165 0.494408349 25.55098906 0.050989055
22/03/2016 25.2 25.40768066 0.207680659 25.5633113 0.363311303
BMI 23/03/2016 25.2 25.11046874 0.089531264 25.58404474 0.384044738
24/03/2016 24.9 24.5495527 0.350447302 25.60479499 0.704794989
25/03/2016 25.1 24.76567543 0.334324574 25.62556207 0.525562069
MAPEphân vị= 0.009051375 MAPEGARCH= 0.011992315
21/03/2016 31.9 32.33650711 0.436507111 32.30729227 0.407292265
22/03/2016 31.6 31.82707007 0.227070068 32.48402543 0.884025427
HCM 23/03/2016 32 31.48378315 0.516216849 32.50995165 0.509951647
24/03/2016 31.6 31.9119281 0.311928096 32.38597244 0.785972441
25/03/2016 31 31.56141764 0.561417645 32.51630874 1.516308742
MAPEphân vị= 0.012996507 MAPEGARCH= 0.026092998
21/03/2016 3.3 3.375116008 0.075116008 3.372908642 0.072908642
22/03/2016 3.3 3.220872658 0.079127342 3.353729817 0.053729817
OGC 23/03/2016 3.3 3.292475838 0.007524162 3.36872043 0.06872043
24/03/2016 3.3 3.254646394 0.045353606 3.390109079 0.090109079
25/03/2016 3.3 3.283309452 0.016690548 3.3762689 0.0762689
MAPEphân vị= 0.013564343 MAPEGARCH= 0.021923447
21/03/2016 16.1 16.47811616 0.378116159 16.50912602 0.409126023
22/03/2016 15.6 16.085182 0.485181995 16.52616107 0.92616107
PGI 23/03/2016 16.5 15.55903217 0.940967835 16.54643651 0.046436505
 75

Giá dự báo Chênh lệch giữa Giá dự báo Chênh lệch

Giá
Cổ phiếu Thời gian theo mô hình giá thực tế và theo mô hình giữa giá thực tế
thực tế
hàm phân vị giá dự báo GARCH và giá dự báo
24/03/2016 16.5 16.4848757 0.015124297 16.54123527 0.041235275
25/03/2016 16.2 16.48467434 0.284674342 16.54626742 0.346267424
MAPEphân vị= 0.026020871 MAPEGARCH= 0.022293765
21/03/2016 26.1 26.37 0.270060205 26.62 0.519804507
22/03/2016 26.3 26.6 0.299532447 26.62 0.318702187
PVD 23/03/2016 26.1 26.08 0.017747899 26.62 0.517144073
24/03/2016 25.3 26.29 0.985277745 26.61 1.309195396
25/03/2016 24.8 26.09 1.291217855 26.6 1.803882829
MAPEphân vị= 0.022685 MAPETGARCH= 0.0352664
21/03/2016 28.9 28.89 0.011378141 28.85 0.054516056
22/03/2016 28.9 28.88 0.022250845 28.81 0.086061907
DPM 23/03/2016 29 28.89 0.113663229 28.94 0.06208857
24/03/2016 29 28.99 0.007056378 28.99 0.007546617
25/03/2016 28.9 28.99 0.092157371 28.93 0.033727095
MAPEphân vị= 0.001703 MAPETGARCH= 0.0016865

Nguồn : Tính toán của tác giả.

Kết quả cho thấy, mô hình hàm phân vị cho kết quả dự báo khá tốt và có xu
hướng khá phù hợp với xu hướng thực tế, MAPE khi ước lượng bằng mô hình hàm
phân vị nhỏ hơn MAPE khi ước lượng bằng mô hình phương sai sai số có điều kiện
thay đổi cụ thể với các cổ phiếu CTG, EIB, MSN,BIC, BMI, HCM, OGC.
Như vậy, ta sẽ vận dụng mô hình này vào việc dự báo ngoài mẫu.
2.4.2.2. Dự báo ngoài mẫu.
Đối với dự báo này, mô hình hàm phân vị có thể dự báo cho năm phiên tiếp
theo. Kết quả dự báo chi tiết được thể hiện trong bảng 2.6.
Nhìn chung xu hướng giá của các cổ phiếu trong nhóm ngành này có xu
hướng giảm trong những phiên tiếp theo trong cả hai mô mình ước lượng.Với mô
hình GARCH, TGARCH hầu hết các kết quả dự báo không đổi. Trong khi đó mô
hình hàm phân vị cho kết quả linh động hơn. Do đó, nghiên cứu hy vọng mô hình
này cũng là một kênh tham khảo hữu ích cho nhà đầu tư.
 76

Bảng 2.6. Dự báo ngoài mẫu của mô hình hàm phân vị và mô hình phương sai có điều
kiện thay đổi.
DỰ BÁO THEO MÔ HÌNH HÀM DỰ BÁO THEO MÔ
CỔ PHIẾU NGÀY THÁNG
PHÂN VỊ HÌNH GARCH, TGARCH
28/03/2016 16.90 16.90
29/03/2016 16.89 16.92
CTG 30/03/2016 16.89 16.93
01/04/2016 16.80 16.93
02/04/2016 15.90 16.91
28/03/2016 42.05 42.83
29/03/2016 39.30 42.84
VCB 30/03/2016 39.06 42.85
01/04/2016 39.04 42.86
02/04/2016 39.00 42.86
28/03/2016 10.13 10.30
29/03/2016 9.93 10.30
EIB 30/03/2016 9.92 10.30
01/04/2016 9.92 10.30
02/04/2016 9.99 10.30
28/03/2016 73.49 73.93
29/03/2016 73.30 73.83
MSN 30/03/2016 73.32 73.73
01/04/2016 73.33 73.64
02/04/2016 73.17 73.55
28/03/2016 6.15 6.19
29/03/2016 6.08 6.19
BIC 30/03/2016 6.09 6.19
01/04/2016 6.09 6.18
02/04/2016 6.06 6.18
28/03/2016 24.96 25.15
29/03/2016 24.89 25.15
BMI 30/03/2016 24.34 25.17
01/04/2016 24.04 25.20
02/04/2016 24.04 25.22
28/03/2016 30.86 31.02
29/03/2016 30.71 30.91
HCM 30/03/2016 30.67 31.03
 77

DỰ BÁO THEO MÔ HÌNH HÀM DỰ BÁO THEO MÔ

CỔ PHIẾU NGÀY THÁNG
PHÂN VỊ HÌNH GARCH, TGARCH
01/04/2016 30.07 31.10
02/04/2016 29.98 31.00
28/03/2016 3.29 3.27
29/03/2016 3.28 3.28
OGC 30/03/2016 3.16 3.30
01/04/2016 3.10 3.30
02/04/2016 3.00 3.27
28/03/2016 16.18 16.26
29/03/2016 16.17 16.32
PGI 30/03/2016 15.78 16.31
01/04/2016 15.50 16.31
02/04/2016 15.37 16.33
26/03/2016 25.28 24.87
27/03/2016 24.77 24.91
PVD 28/03/2016 25.28 24.93
29/03/2016 24.78 24.93
30/03/2016 25.27 24.91
26/03/2016 28.89 28.91
27/03/2016 28.89 28.93
DPM 28/03/2016 28.87 28.86
29/03/2016 28.85 28.89
30/03/2016 28.84 29.01

Nguồn : Tính toán của tác giả.

Hình 2.3 dưới đây là kết quả minh họa cho giá trị ước lượng cho giá các cổ
phiếu theo mô hình hàm phân vị và giá thực tế của các cổ phiếu trong suốt thời kỳ
nghiên cứu.Trong hình vẽ trên, đường màu xanh thể hiện cho giá thực tế của các cổ
phiếu ở trên. Đường màu đỏ thể hiện cho giá của các cổ phiếu khi ước lượng bằng
mô hình hàm phân vị. Rõ ràng là mô hình hàm phân vị phản ánh phù hợp với hầu
hết xu thế chung của các cổ phiếu trên thực tế. Ngay cả trong trường hợp thị trường
chứng khoán bất ổn, bị sốc thông tin, mô hình hàm phân vị đều phản ánh phù hợp
và theo kịp thực tế. Đây cũng là một ưu thế của hàm phân vị trong việc phân tích
giá trị đuôi của phân phối.
 78
28 55

26 50

24 45

22 40

20 35

18 30

16 25

14 20

12 15
100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000

CTG_DUBAO_PHANVI CTG_THUCTE VCB_DUB AO_PHANVI VCB_THUCTE

140
22
130
20
120

18 110

100
16
90
14
80

12 70

60
10 100 200 300 400 500 600 700 800 900 1000
100 200 300 400 500 600 700 800 900 1000
MSN_DUBAO_PHANVI MSN_THUCTE
EIB_DUBAO_PHANVI EIB_THUCTE
28 28

44 44
24 24
40 40

36 36 20 20

32 32
16 16

28 28
12 12
24 24

20 20 8 8

16 16
4 4
100 200 300 400 500 600 700 800 900 1000
12 12
100 200 300 400 500 600 700 800 900 1000
BIC BIC_DUBAO_PHANVI

HCM_DUBAO_PHANVI HCM 18 18

32 32 16 16

28 28 14 14

24 24 12 12

10 10
20 20
8 8
16 16
6 6
12 12
4 4
8 8
2 2
100 200 300 400 500 600 700 800 900 1000
4 4
100 200 300 400 500 600 700 800 900 1000 OGC OGC_DUBAO_PHANVI

BMI_DUBAO_PHANVI BMI 50

120
45

100
40

80
35

60
30

40
25

20
20
100 200 300 400 500 600 700 800 900 1000
0
100 200 300 400 500 600 700 800 900 1000
DPM_DUBAO_PHANVI DPM_THUCTE

P VD_DUBAO_P HANVI PVD_THUCTE 20 20

18 18

16 16

14 14

12 12

10 10

8 8

6 6
100 200 300 400 500 600 700 800 900 1000

PGI_DUBAO_PHANVI PGI

Hình 2.3. Giá của cổ phiếu khi ước lượng bằng mô hình hàm phân vị và giá thực tế
của cổ phiếu.
Nguồn : Tính toán của tác giả.
 79

Kết luận chương 2

Về mặt lý thuyết, chương này đã tiếp cận và sử dụng một mô hình mới
trong phân tích và dự báo xu hướng giá cổ phiếu thông qua mô hình hàm phân vị
bằng cách mô hình hóa tính chất đuôi của lợi suất, cụ thể như:
- Tiếp cận mô hình hàm phân vị.
- Lập chương trình trên phần mềm Maple để ước lượng các tham s ố của
mô hình hàm phân vị. Do hàm mật độ tương ứng của mô hình này có dạng hiển
nên việc ước lượng các tham số dựa trên phương pháp ước lượng hợp lý cực đại.
K ết hợp với việc giải hệ phương trình vi phân phi tuyến thông qua phương pháp
Newton, nguyên lý cực trị địa phương,…
- Từ nghiên cứu trên ta thấy những thành phần quan trọng của mô hình hàm
phân vị là hệ số và hệ số . Hệ số cho phép mô tả rõ ràng về sự rủi ro của cổ
phiếu theo chỉ số thị trường, hệ số cho biết xu hướng sinh lợi của cổ phiếu..Đây
cũng là mô hình giúp nhà đầu tư có cái nhìn trực quan hơn, rõ ràng hơn trong việc
nhận định và phân tích chiến lược đầu tư của mình.
Về mặt thực tiễn, nghiên cứu đưa ra một số nhận dạng về xu hướng định giá
cổ phiếu trên một số cổ phiếu và ứng dụng vào thị trường tài chính Việt nam. Cụ
thể, trong phần phân tích thực nghiệm, nghiên cứu sử dụng giá đóng của một số cổ
phiếu được niêm yết trên sàn HOSE từ 03/01/2012 đến 25/03/2016. Dựa trên kết
quả phân tích thực nghiệm ta có một số kết luận sau:
- Khi thị trường ổn định hay biến động, tham số phản ánh rất đầy đủ xu
hướng giá trong thực tế của các cổ phiếu. Đối với các cổ phiếu EIB, MSN, OGC, BIC,
HCM…xu hướng của tham số này lớn hơn 1 trong khá nhiều giai đoạn, chứng tỏ nhà
đầu tư cần phải thận trọng và cân nhắc hơn khi đầu tư cho những cổ phiếu này. Còn các
cổ phiếu còn lại, xu hướng của hầu hết nhỏ hơn 1, chứng tỏ đây là cổ phiếu tương
đối ổn định, nhà đầu tư nên có kế hoạch tập trung hơn khi đầu tư cho các cổ phiếu này.
- So với các mô hình phương sai có điều kiện thay đổi như GARCH,
TGARCH, mô hình hàm phân vị có ưu thế hơn trong việc dự báo trong mẫu cũng
như ngoài mẫu. Quan trọng hơn nữa, khi thị trường tài chính khủng hoảng hay bị
sốc thông tin, mô hình này cũng tỏ rõ ưu thế khi phản ánh rất kịp thời xu hướng giá
của các cổ phiếu trong cả thời gian nghiên cứu.
 80

-Để thấy hơn nữa vai trò và tính ưu việt của thống kê phân vị trong phân tích đầu
tư, cũng như đánh giá mức độ rủi ro trong trường hợp thị trường tài chính khủng hoảng,
nhiều biến động, chúng ta tiếp tục nghiên cứu việc ứng dụng của phương pháp hồi quy
phân vị trong phân tích rủi ro khi đầu tư vào nhóm ngành này trong chương tiếp theo.
 81

CHƯƠNG 3
ỨNG DỤNG PHƯƠNG PHÁP HỒI QUY PHÂN VỊ
TRONG PHÂN TÍCH RỦI RO

Trong quản trị rủi ro, các ”biến cố hiếm” mặc dù rất ít có khả năng xảy ra
nhưng là vấn đề luôn được quan tâm nhất. Mục đích của chương này là đánh giá rủi
ro của các cổ phiếu trên thị trường chứng khoán Việt nam khi thị trường chứng
khoán khủng hoảng, bị sốc thông tin thông qua việc nghiên cứu và sử dụng công cụ
hồi quy phân vị, cụ thể là:
• Sử dụng phương pháp hồi quy phân vị để ước lượng hệ số bêta trong mô
hình CAPM. Nghiên cứu chỉ ra rằng giá trị của beta không phải là hằng số
mà biến động qua các mức phân vị khác nhau đặc biệt ở đuôi phân phối.
Các phân tích được thực hiện với dữ liệu là nhóm các cổ phiếu có vốn hóa
lớn VN30 và nhóm các cổ phiếu có vốn hóa nhỏ VNSMALL được niêm yết
trên Sàn GDCK Thành phố Hồ Chí Minh. Kết quả cho thấy rằng khi thị
trường tài chính khủng hoảng và biến động, hệ số bêta của các cổ phiếu
thuộc nhóm các cổ phiếu có vốn hóa nhỏ biến đổi nhanh và mạnh hơn
nhóm các cổ phiếu có vốn hóa lớn.
• Sau đó, nghiên cứu mở rộng mô hình CAPM bằng cách đưa thêm 2 nhân tố
quy mô vốn và giá trị sổ sách vào mô hình – đây chính là mô hình Fama-
French. Kết quả cho thấy rằng khi thị trường ổn định cũng như biến động, lợi
suất cổ phiếu không phụ thuộc vào quy mô vốn cũng như giá trị công ty.
• Cuối cùng, nghiên cứu bổ sung nhân tố ngành vào mô hình Fama-French, kết
quả cho thấy rằng trong trường hợp thị trường ổn định cũng như biến động,
lợi suất cổ phiếu phụ thuộc vào lợi suất thị trường cũng như yếu tố ngành
không phụ thuộc vào quy mô vốn cũng như giá trị công ty. Kết quả thực
nghiệm trên các cổ phiếu thuộc các nhóm ngành Tài chính, Ngân hàng và
Bảo hiểm, nhóm ngành Bất động sản, Xây dựng và nhóm ngành Hàng tiêu
dùng thiết yếu.
 82

3.1. Rủi ro và đo lường rủi ro

3.1.1. Khái niệm rủi ro và phân loại rủi ro
• Khái niệm rủi ro: Rủi ro có thể được hiểu một cách đơn giản là những kết
cục có thể xảy ra trong tương lai mà ta không mong đợi. Tùy từng lĩnh vực nghiên
cứu, rủi ro được định nghĩa theo những cách khác nhau.
Trong lĩnh vực tài chính, quan niệm rủi ro được hiểu là hậu quả của sự thay
đổi, biến động không lường trước được của giá trị tài sản hoặc giá trị các khoản nợ
đối với các tổ chức tài chính và nhà đầu tư trong quá trình hoạt động của thị trường
tài chính [2].
• Phân loại rủi ro tài chính: Tùy thuộc vào nguyên nhân, ta có thể phân loại
các hình thức, loại hình rủi ro tài chính như sau:
Rủi ro thị trường: rủi ro phát sinh về giá cả trên các thị trường tài chính.
Rủi ro thanh khoản: do tính thanh khoản các tài sản không được thực hiện.
Rủi ro tín dụng: do đối tác trong hoạt động tín dụng không có khả năng
thanh tóan.
Rủi ro hoạt động: do con người hoặc do kỹ thuật gây ra các sự cố.
Rủi ro pháp lý: do các giao dịch không đúng pháp luật.
Như vậy, nhà đầu tư có thể gặp phải nhiều rủi ro khi tham gia đầu tư trên thị
trường chứng khoán. Tuy nhiên trong phạm vi nghiên cứu, luận án chỉ tập trung
nghiên cứu rủi ro thị trường.
3.1.2. Một số công cụ đo lường rủi ro cơ bản
• Phương sai và độ lệch chuẩn
Phương pháp đo lường rủi ro phổ biến được dùng hiện nay vẫn là sử dụng độ
lệch chuẩn để đo lường độ biến động của lợi suất chứng khoán. Độ lệch chuẩn được
dùng để đánh giá rủi ro không những cho riêng từng chứng khoán mà còn cho cả
các danh mục. Với phương pháp đo lường này chỉ cần thu thập dữ liệu về giá của
chứng khoán. Hơn nữa thị trường chứng khoán Việt Nam mới hình thành từ năm
2000 nên nhiều nhà đầu tư ở thị trường chứng khoán đều chưa có kiến thức chuyên
sâu về đo lường rủi ro. Cùng với việc tính toán dễ dàng, đơn giản và tiết kiệm thời
 83

gian nên sử dụng phương pháp phương sai và độ lệch chuẩn được nhiều nhà đầu tư
ở Việt Nam ưa chuộng.
Tuy vậy nhược điểm của phương pháp đo lường là chỉ đo lường rủi ro tổng
thể của các khoản đầu tư chứ không đưa ra một con số chính xác về khoản lỗ, lãi cụ
thể và phương pháp này có thể ảnh hưởng bởi những biến ngoại lai, bất thường đặc
biệt bị tác động bởi thời kỳ quan sát.
• Hệ số biến thiên
Hệ số biến thiên là hệ số đo lường rủi ro tương đối. Phương pháp này dùng
để đo mức độ rủi ro lợi nhuận kỳ vọng khi so sánh các chứng khoán khác nhau.
Chứng khoán nào có hệ số biến thiên lớn thì rủi ro sẽ lớn hơn chứng khoán có hệ số
biến thiên nhỏ.

• Hệ số beta: Hiện nay trên một số trang web có công bố hệ số beta của các
cổ phiếu niêm yết trên 2 sàn chứng khoán Hà Nội và Thành phố Hồ Chí Minh. Hệ
số beta của các cổ phiếu được tính trên dữ liệu giao dịch 100 phiên liên tiếp gần thời
điểm hiện tại nhất của chứng khoán đó. Tuy nhiên việc tính toán còn ở mức hạn chế
và chưa chuyên nghiệp nên hệ số này chưa thực sự phản ánh đầy đủ ý nghĩa cũng
như tác dụng của nó trên thị trường chứng khoán.
3.2. Mô hình phân tích và định giá tài sản tài chính CAPM (Capital
Asset Pricing Model) - Tiếp cận bằng mô hình hồi quy phân vị
3.2.1. Mô hình CAPM
Mô hình CAPM có dạng:
(3.1)
trong đó
là lợi suất tài sản A,
là lãi suất tài sản phi rủi ro,
là lợi suất thị trường,
là hệ số chặn của phương trình hồi quy,
là hệ số đo lường rủi ro có hệ thống của tài sản, được xác định qua biểu
thức
 84

là ph ươ ng sai c ủ a l ợ i su ấ t th ị tr ườ ng,
là hi ệ p ph ươ ng sai gi ữ a tài s ả n A và l ợ i su ấ t th ị tr ườ ng.
3.2.2. Ý nghĩa của hệ số beta
Để có thể xác định mức rủi ro của một chứng khoán cụ thể, ta cần đo lường
độ nhạy cảm của chứng khoán đó với các biến động của thị trường và độ nhạy cảm
này gọi là beta (β). Về mặt thực tiễn, hệ số beta cho phép đo lường mức độ rủi ro hệ
thống, nó thể hiện mối quan hệ giữa mức độ rủi ro của một tài sản riêng lẻ so với
mức độ rủi ro của toàn thị trường. β cho ta biết khuynh hướng và mức độ biến động
của một chứng khoán nào đó đối với sự biến động của thị trường. Hay nói cách
khác beta phản ánh độ nhạy cảm của chứng khoán đang xem xét với mức giá chung
của thị trường.
- Nếu chứng khoán có β bằng 1, có nghĩa là chứng khoán đó sẽ có mức dao
động cùng mức dao động với thị trường.
- Nếu chứng khoán có β nhỏ hơn 1, có nghĩa là chứng khoán đó sẽ có mức
thay đổi ít hơn mức thay đổi của thị trường.
- Và nếu β lớn hơn 1 thì giá chứng khoán sẽ thay đổi nhiều hơn mức dao
động của thị trường.
3.2.3. Ước lượng CAPM
Việc ước lượng CAPM được thực hiện qua các bước cơ bản sau:
Xác định danh mục thị trường
Gọi Vi là tổng giá trị thị trường của tài sản i, là tổng giá trị thị trường
của toàn bộ tài sản rủi ro. Ta định nghĩa vecto M với các thành phần như sau:

Khi đó M được gọi là danh mục thị trường.

Như vậy để xác định danh mục thị trường theo định nghĩa ta phải sử dụng số
liệu về giá trị của tất cả tài sản rủi ro giao dịch trên thị trường và tỷ trọng có thể
 85

tính theo chu kỳ t: ngày, tuần, tháng… Sau đó tính đặc trưng của danh mục thị
trường:

Với rit là lợi suất chu kỳ t của tài sản i.

Tuy nhiên việc xác định danh mục thị trường bằng định nghĩa chỉ được thực
hiện khi số lượng tài sản là không quá lớn. Trong thực tế, nhất là ở những thị trường
tài chính phát triển, số lượng tài sản rất lớn, việc xác định danh mục thị trường cùng
các đặc trưng trên không đơn giản. Để giải quyết vấn đề trên, người ta thường chọn
chỉ số thị trườngđại diện cho danh mục thị trường. Ví dụ, ở Mỹ sử dụng SP500, ở
Việt nam sử dụng VN-Index [2].
Xác định lãi suất phi rủi ro
- Cách 1: Nhiều thị trường tài chính trên thế giới dùng lãi suất của trái phiếu
chính phủ hoặc lãi suất của ngân hàng Trung ương làm lãi suất phi rủi ro [2].
- Cách 2: Ước lượng rf từ phương trình đường thị trường vốn CML.

3.2.4. Kết quả phân tích thực nghiệm

Trong phần này, nghiên cứu sử dụng phương pháp hồi quy phân vị để ước
lượng tham số trong mô hình CAPM. Các phân tích được thực hiện với dữ liệu là
nhóm các cổ phiếu có vốn hóa lớn VN30 và nhóm các cổ phiếu có vốn hóa nhỏ
VNSMALL trên thị trường chứng khoán Việt Nam. Bằng cách ước lượng hệ số beta
trong mô hình CAPM với các cổ phiếu này, nghiên cứu đo lường rủi ro khi đầu tư
vào lớp cổ phiếu tương ứng trong trường hợp thị trường chứng khoán khủng hoảng,
bị sốc thông tin.
3.2.4.1. Mô tả số liệu
Nghiên cứ u sử dụng dữ liệu về giá đóng cửa hàng ngày của toàn bộ cổ
phiếu được niêm yết trên sàn giao dịch của Sở GDCK Thành phố Hồ Chí Minh
 86

(HOSE) trong khoảng thời gian từ 04/01/2011 đến 05/10/2015. Các cổ phiếu
trong nhóm VNSMALL là AAM, ABT, ACC, CLC, CCI, CMX, DAG, DSN,
ELC, GMC, HTI, HVX, KSB, PJT, RAL, RDP,LIX, LAF, các cổ phiếu trong
nhóm VN30 là CTG, DPM, EIB, FPT, GMD, KDC, MSN, PPC, PVD, STB,
VCB, VIC, VNM (thông tin cập nhật năm 2015), mỗi cổ phiếu gồm 1180 giá trị
quan sát (giá đóng cửa). Lãi suất phi rủi ro được lấy là lãi suất tín phiếu kho bạc
trung bình trong cùng thời gian nghiên cứ u. Dữ liệu được lấy từ các trang web
fpts.com.vn, hsx.vn.
Chuỗi lợi suất của các cổ phiếu được xác định như sau:

vớ i là giá đóng cửa phiên t.

Ta có bảng thống kê mô tả lợi suất của các cổ phiếu:
Bảng 3.1. Bảng thống kê mô tả lợi suất của các cổ phiếu trong nhóm VN30.
R_CTG R_DPM R_EIB R_FPT R_GMD R_KDC R_MSN

Mean -0.03163 -0.03165 -0.03172 -0.0318 -0.03141 -0.03214 -0.03155

Median -0.0315 -0.0315 -0.0315 -0.0315 -0.0315 -0.0315 -0.0315

Maximum 0.034819 0.032077 0.0358 0.034942 0.035938 0.034911 0.035507

Minimum -0.24368 -0.12562 -0.17159 -0.28841 -0.10361 -0.55696 -0.10356

Std. Dev. 0.021714 0.018795 0.016025 0.019842 0.024212 0.025255 0.021853

Skewness -0.95105 -0.22196 -0.54342 -3.60931 0.019177 -7.82846 0.047426

Kurtosis 13.17424 4.987002 10.66534 47.75819 3.595746 162.0297 3.645518

Jarque-Bera 5262.916 203.6351 2944.484 100971.7 17.50737 1254436 20.91208

Probability 0 0 0 0 0.000158 0 0.000029

Sum -37.2912 -37.3177 -37.3941 -37.4871 -37.0365 -37.8912 -37.1954

Sum Sq. Dev. 0.555427 0.416121 0.302507 0.463793 0.690586 0.75133 0.56257

Observations 1179 1179 1179 1179 1179 1179 1179

 87

R_PPC R_PVD R_STB R_VCB R_VIC R_VNM

Mean -0.03112 -0.03185 -0.0315 -0.03123 -0.03222 -0.03135
Median -0.0315 -0.0315 -0.0315 -0.0315 -0.0315 -0.0315
Maximum 0.035359 0.036155 0.036155 0.036117 0.033974 0.036155
Minimum -0.10382 -0.202 -0.17325 -0.1746 -0.36798 -0.41695
Std. Dev. 0.024455 0.023557 0.021236 0.021634 0.024451 0.023237
Skewness 0.01103 -0.33871 -0.25642 -0.26601 -4.33334 -8.54743
Kurtosis 3.35039 5.787405 6.276935 5.481968 53.29448 136.446
Jarque-Bera 6.055132 404.2266 540.4391 316.5226 127953.2 889165.3
Probability 0.048433 0 0 0 0 0
Sum -36.6846 -37.5511 -37.1357 -36.82 -37.9842 -36.9565
Sum Sq. Dev. 0.704496 0.653698 0.531261 0.551333 0.704249 0.636087
Observations 1179 1179 1179 1179 1179 1179
Nguồn: Tính toán của tác giả.
Bảng 3.2. Bảng thống kê mô tả lợi suất của các cổ phiếu trong nhóm VNSMALL.

R_AAM R_ABT R_ACC R_CLC R_CCI R_CMX R_DAG R_DSN R_ELC R_GMC
Mean -0.0322 0.0002 -0.0316 0.0007 -0.0321 -0.0008 -0.0318 -0.0307 -0.0323 -0.0308
Median -0.0315 0.0000 -0.0315 0.0000 -0.0315 0.0000 -0.0315 -0.0315 -0.0315 -0.0315
Maximum 0.0361 0.0669 0.1037 0.0731 0.0359 0.0674 0.0460 0.0330 0.0359 0.0361
Minimum -0.1309 -0.0894 -0.2291 -0.0790 -0.1159 -0.1775 -0.2517 -0.1604 -0.2067 -0.1448
Std. Dev. 0.0227 0.0206 0.0283 0.0232 0.0316 0.0342 0.0291 0.0172 0.0270 0.0216
Skewness -0.2793 -0.3828 -0.5060 -0.1375 -0.0566 -0.0752 -0.4058 -0.3106 -0.3784 -0.1718
Kurtosis 4.8827 5.2438 7.6806 3.9872 3.0596 2.7548 5.7675 8.1031 4.7584 4.9574
Jarque-Bera 188.6504 276.1043 1121.7840 51.5959 0.7993 4.0650 406.8725 1292.7650 179.2703 193.1948
Probability 0 0 0 0 0.67056 0.131006 0 0 0 0
Sum -37.7869 0.2017 -37.0964 0.8091 -37.6536 -0.9300 -37.3296 -36.0393 -37.8864 -36.1141
Sum Sq. Dev. 0.6040 0.5007 0.9370 0.6327 1.1682 1.3763 0.9932 0.3462 0.8568 0.5454
Observations 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179
R_HTI R_HVX R_KSB R_PJT R_RAL R_RDP R_VNA R_CLW R_LIX R_SZL
Mean -0.0315 -0.0317 -0.0322 -0.0316 -0.0309 -0.0310 -0.0330 -0.0311 -0.0002 -0.0001
Median -0.0315 -0.0315 -0.0315 -0.0315 -0.0315 -0.0315 -0.0315 -0.0315 0 0
Maximum 0.0354 0.0359 0.0362 0.0345 0.0362 0.0356 0.0352 0.0359 0.0672 0.0677
Minimum -0.1383 -0.1038 -0.5061 -0.1547 -0.1131 -0.1874 -0.1791 -0.1936 -0.6286 -0.1079
Std. Dev. 0.0226 0.0314 0.0279 0.0226 0.0250 0.0296 0.0306 0.0272 0.0289 0.0230
Skewness -0.2097 -0.0733 -5.4038 -0.6449 -0.0260 -0.3162 -0.1721 -0.4598 -9.2676 -0.1484
Kurtosis 3.8333 2.7560 85.5687 5.7964 3.4953 3.6748 2.9154 5.0133 197.2284 4.5278
Jarque-Bera 42.57 3.96 339207.30 463.88 12.13 41.84 6.14 239.65 1870102 118.99
Probability 0 0.137775 0 0 0.002319 0 0.046311 0 0 0
Sum -36.9827 -37.1953 -37.7601 -37.0674 -36.2287 -36.4035 -38.7787 -36.5215 -0.2671 -0.1011
Sum Sq. Dev. 0.5992 1.1535 0.9150 0.5994 0.7326 1.0281 1.1004 0.8704 0.9820 0.6240
Observations 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179

Nguồn: Tính toán của tác giả.

 88

Theo bảng các giá trị thống kê mô tả của 33 chuỗi lợi suất, ta thấy giá trị lợi
suất trung bình của các chuỗi đều là âm. Chuỗi CCI có giá trị độ lệch chuẩn mẫu
bằng 0.031 là lớn nhất. Điều đó cho thấy rằng độ biến động của CCI là lớn nhất. Đồng
thời chuỗi EIB có giá trị độ lệch chuẩn mẫu bằng 0.016 là nhỏ nhất- đây cũng là chuỗi
có độ biến động nhỏ nhất.
Dựa theo kiểm định Jarque-Bera về tính phân phối chuẩn, với mức ý nghĩa 0.05,
ta thấy chỉ có 2 chuỗi CCI và HVX có phân phối chuẩn, các chuỗi lợi suất còn lại đều
không có phân phối chuẩn.
3.2.4.2. Kết quả phân tích
Tiếp theo, chúng ta sử dụng phương pháp ước lượng OLS để ước lượng mô
hình CAPM cho các cổ phiếu trong nhóm VNSMALL và các cổ phiếu nhóm VN30.
Sau khi kiểm định về sự phù hợp của hàm hồi quy và thu được bảng kết quả sau:
Bảng 3.3. Giá trị hệ số beta của nhóm cổ phiếu VN30 ứng với phương pháp ước lượng
OLS.
stt Cổ phiếu Coefficient Std. Error t-Statistic Prob.
1 CTG 0.970066 0.04488 21.61475 0
2 DPM 1.0502 0.034219 30.69043 0
3 EIB 0.568755 0.035463 16.03802 0
4 FPT 0.845178 0.041745 20.24645 0
5 GMD 1.126769 0.049191 22.90613 0
6 KDC 0.564867 0.059456 9.500567 0
7 MSN 1.060019 0.043534 24.34906 0
8 PPC 1.117038 0.050087 22.3018 0
9 PVD 1.188763 0.045944 25.8739 0
10 STB 0.692137 0.047794 14.48162 0
11 VCB 1.214621 0.039237 30.95612 0
12 VIC 0.784209 0.055183 14.21116 0
13 VNM 0.676327 0.053232 12.70516 0

Nguồn: Tính toán của tác giả.

 89

Bảng 3.4. Giá trị hệ số beta của nhóm cổ phiếu VNSMALL ứng với phương pháp
ước lượng OLS.
Coefficient Std. Error t-Statistic Prob.

AAM 0.29681 0.054643 5.431849 0

ABT 0.242544 0.049864 4.864134 0

ACC 0.371412 0.068585 5.415348 0

CLC 0.291915 0.05597 5.215542 0

CCI 0.316413 0.076511 4.135539 0

CMX 0.435834 0.082529 5.281006 0

DAG 0.502679 0.069439 7.239156 0

DSN 0.388808 0.040602 9.576062 0

ELC 0.488123 0.064413 7.577976 0

GMC 0.438056 0.051155 8.563389 0

HTI 0.48337 0.053518 9.031922 0

HVX 0.410456 0.075635 5.42679 0

KSB 0.430825 0.066993 6.430925 0

PJT 0.549442 0.052953 10.37611 0

RAL 0.549684 0.05896 9.323059 0

RDP 0.255982 0.071891 3.560699 0.0004

VNA 0.692953 0.072034 9.619754 0

CLW 0.437923 0.065327 6.703521 0

LIX 0.426288 0.069428 6.139986 0

SZL 0.609004 0.053348 11.41559 0

Nguồn: Tính toán của tác giả.

Kết quả ước lượng các hệ số beta bằng phương pháp OLS với hai lớp cổ
phiếu VNSMALL và VN 30 được cho ở bảng 3.3 và 3.4 ta thấy: trong trường hợp
thị trường chứng khoán ổn định, khuynh hướng và mức độ biến động của các cổ
 90

phiếu thuộc lớp có vốn hóa nhỏ VNSMALL nhỏ hơn mức dao động của thị trường
do hệ số của các cổ phiếu này nhỏ hơn 1. Tuy nhiên, với các cổ phiếu có vốn hóa
lớn thuộc nhóm VN30, có khá nhiều cổ phiếu có khuynh hướng và mức độ biến
động lớn hơn mức độ biến động của thị trường, chẳng hạn như các cổ phiếu DPM,
GMD, MSN, PPC, PVD, STB, VCB,..
Câu hỏi đặt ra là, khi thị trường bất ổn, bị sốc thông tin, mức độ biến động
của các cổ phiếu trong hai lớp trên thay đổi thế nào?
Bằng phương pháp ước lượng hồi quy phân vị cho các tham số của mô hình
CAPM, bảng 3.5 và bảng 3.6 ta thấy, với nhóm VN30, khi thị trường có những cú
sốc, hệ số beta của các cổ phiếu cũng biến động. Tuy nhiên sự biến động của các cổ
phiếu trong nhóm này không mạnh mẽ như các cổ phiếu trong nhóm VNSMALL.
Chẳng hạn như, với các cổ phiếu CTG, DPM, FPT, VCB, VIC, MSN… với phương
pháp ước lượng OLS hệ số beta tương ứng là 0.97, 1.05, 0.84, 1.21, 1.06… Khi thị
trường có hiện tượng sốc thông tin, hệ số beta của các cổ phiếu cũng thay đổi tương
ứng là 1.15, 1.05, 0.87, 1.33, 0.94,0.83 ….ở đuôi trái phân phối hoặc 1.02, 1.21,
1.04, 1.26, 0.68, 0.95 ở đuôi phải phân phối.
Riêng với các cổ phiếu nhóm VNSMALL, khi thị trường có những cú sốc, hệ
số beta cổ phiếu biến động mạnh, thay đổi đột ngột. Ví dụ như, với các cổ phiếu
AAM, ACC, DAG, DSN, KSB, PJT, CLW….khi ước lượng theo phương pháp OLS
hệ số beta tương ứng là 0.29, 0.37, 0.5, 0.38, 0.43, 0.54, 0.43… Tuy nhiên khi thị
trường bị có những cú sốc, hệ số beta của các cổ phiếu này thay đổi mạnh tương
ứng là 0.46, 0.23, 0.26, 0.3, 0.65, 0.09, 0.74, 0.24…ở đuôi trái của phân phối hoặc
0.45, 0.22, 0.45, 0.56, 0.42, 0.52, 0.33…ở đuôi phải của phân phối. Nghĩa là khi thị
trường giảm mạnh hoặc tăng mạnh, sự biến động của các cổ phiếu trong nhóm
VNSMALL biến động mạnh hơn so với khi thị trường ổn định. Hơn nữa, mức độ
biến động của các cổ phiếu thuộc nhóm này mạnh hơn mức độ biến động của các cổ
phiếu thuộc nhóm VN30. Điều đó thể hiện rõ nét trong các biểu đồ hình 3.1, 3.2.
 91

Bảng 3.5. Giá trị hệ số beta của nhóm cổ phiếu VN30 với các mức phân vị khác nhau
– ước lượng bằng phương pháp hồi quy phân vị.
Cổ phiếu 0.05 0.1 0.2 0.3 0.7 0.8 0.9 0.95

CTG(coef.) 1.157597 1.073522 0.980742 0.913764 0.898463 1.019273 1.137741 1.023437

Prob. 0 0 0 0 0 0 0 0

DPM(coef.) 1.058828 1.110087 1.002932 0.956373 1.024732 1.08525 1.138628 1.214227

Prob. 0 0 0 0 0 0 0 0

EIB(coef.) 0.739695 0.663312 0.590166 0.503283 0.452077 0.469241 0.619492 0.727747

Prob. 0 0 0 0 0 0 0 0

FPT(coef.) 0.872665 0.861186 0.74499 0.718622 0.739785 0.840813 1.016632 1.04433

Prob. 0 0 0 0 0 0 0 0

GMD(coef.) 1.382847 1.260139 1.154326 1.108084 1.112584 1.126583 1.211363 1.280962

Prob. 0 0 0 0 0 0 0 0

KDC(coef.) 0.885399 0.753237 0.616603 0.52738 0.478278 0.530034 0.663409 0.452828

Prob. 0 0 0 0 0 0 0 0.0342

MSN(coef.) 1.230693 1.220701 1.090724 0.960404 1.027975 1.08608 1.145738 1.120622

Prob. 0 0 0 0 0 0 0 0

PPC(coef.) 1.054499 1.148515 1.130565 1.047721 1.186061 1.252236 1.222384 1.050887

Prob. 0 0 0 0 0 0 0 0

PVD(coef.) 1.278543 1.267442 1.1759 1.151712 1.197639 1.19097 1.205092 1.342889

Prob. 0 0 0 0 0 0 0 0

STB(coef.) 1.33096 1.243975 1.252285 1.180975 1.206702 1.239289 1.343473 1.261689

Prob. 0 0 0 0 0 0 0 0

VCB(coef.) 1.33096 1.243975 1.252285 1.180975 1.206702 1.239289 1.343473 1.261689

Prob. 0 0 0 0 0 0 0 0

VIC(coef.) 0.943636 0.864981 0.6903 0.683872 0.797782 0.889207 0.895973 0.687047

Prob. 0 0 0 0 0 0 0 0

VNM(coef.) 0.836165 0.720133 0.621644 0.594189 0.583576 0.658969 0.896593 0.956083

Prob. 0 0 0 0 0 0 0 0

Nguồn: Tính toán của tác giả.

 92

Bảng 3.6. Giá trị hệ số beta của nhóm cổ phiếu VNSMALL với các mức phân vị khác
nhau - ước lượng bằng phương pháp hồi quy phân vị.

0.05 0.1 0.2 0.3 0.7 0.8 0.9 0.95

AAM(coef.) 0.460 0.527 0.364 0.248 0.208 0.424 0.417 0.453

Prob. 0.0001 0 0 0 0 0 0.0001 0.0439

ABT(coef.) 0.630 0.536 0.335 0.198 0.230 0.298 0.177 0.048

Prob. 0.0095 0.0016 0 0.0002 0.0003 0 0.1429 0.7305

ACC(coef.) 0.231 0.627 0.541 0.215 0.307 0.539 0.468 0.220

Prob. 0.2059 0 0 0 0 0 0.0003 0.0009

CLC(coef.) 0.288 0.662 0.496 0.276 0.214 0.293 0.305 0.079

Prob. 0.1462 0 0 0 0.0011 0.0012 0.0024 0.4657

CCI(coef.) 0.260 0.198 0.692 0.492 0.321 0.260 0.208 -0.158

Prob. 0.0643 0.0204 0 0 0.0005 0.3536 0.1519 0.2656

CMX(coef.) 0.430 0.390 0.587 0.757 0.441 0.346 0.046 0.128

Prob. 0 0 0 0 0.0003 0.0135 0.6541 0.2899

DAG(coef.) 0.306 0.479 0.811 0.649 0.486 0.547 0.522 0.459

Prob. 0.0005 0.002 0 0 0 0 0.0002 0.001

DSN(coef.) 0.652 0.560 0.351 0.295 0.318 0.332 0.456 0.563

Prob. 0 0 0 0 0 0 0 0

ELC(coef.) 0.391 0.627 0.736 0.511 0.320 0.444 0.503 0.325

Prob. 0.0079 0.0001 0 0 0 0 0.0006 0.2249

GMC(coef.) 0.503 0.634 0.512 0.379 0.436 0.537 0.562 0.517

Prob. 0.0002 0 0 0 0 0 0 0

HTI(coef.) 0.566 0.690 0.671 0.531 0.429 0.417 0.346 0.234

Prob. 0 0 0 0 0 0 0.0071 0.1333

HVX(coef.) 0.157 0.261 0.548 0.663 0.592 0.466 0.328 0.195

Prob. 0.3029 0.0309 0 0 0 0 0.0345 0.1466

KSB(coef.) 0.099 0.660 0.578 0.365 0.384 0.453 0.660 0.421

Prob. 0.046 0 0 0 0 0 0 0.0003

PJT(coef.) 0.746 0.753 0.700 0.523 0.574 0.642 0.590 0.521

Prob. 0 0 0 0 0 0 0 0.0048

RAL(coef.) 0.576 0.665 0.691 0.484 0.649 0.681 0.580 0.144

Prob. 0 0 0 0 0 0 0 0.1326
 93

0.05 0.1 0.2 0.3 0.7 0.8 0.9 0.95

RDP(coef.) 0.220 0.182 0.503 0.241 0.327 0.433 0.155 0.000

Prob. 0.2747 0.1311 0.0001 0.0014 0 0.0005 0.1926 1

VNA(coef.) 0.488 0.546 0.642 0.886 0.895 0.721 0.403 0.503

Prob. 0 0 0 0 0 0 0 0.0005

CLW(coef.) 0.246 0.330 0.589 0.294 0.434 0.581 0.512 0.331

Prob. 0.164 0.0001 0 0.0001 0 0 0 0.0153

LIX(coef.) 0.659 0.689 0.453 0.308 0.253 0.363 0.380 0.192

Prob. 0 0 0 0 0 0 0.0021 0.0354

SZL(coef.) 0.605 0.697 0.675 0.503 0.593 0.697 0.722 0.418

Prob. 0 0 0 0 0 0 0 0.0013

Nguồn: Tính toán của tác giả.

Với phần mềm R, tác giả đã viết chương trình để minh họa diễn biến lợi suất
của các cổ phiếu theo lợi suất thị trường (chương trình cụ thể ở Phụ lục 5). Kết quả
được cho ở hình vẽ 3.1, 3.2. Đường màu đỏ là ước lượng theo phương pháp OLS, các
đường màu xanh là ước lượng theo phương pháp hồi quy phân vị ứng với các mức
phân vị 0.05, 0.1, 0.25, 0.50, 0.75, 0.9 và 0.95. Các giá trị được biểu diễn trên đồ thị
cho thấy, ước lượng OLS khá phân tán so với giá trị thực tế và không ước lượng được
các giá trị ở đuôi của phân phối. Trong khi đó các giá trị ước lượng từ mô hình hồi
quy phân vị lại cho thấy rõ ước lượng đuôi của phân phối. Đây cũng là một bằng
chứng để khẳng định rằng các ước lượng hồi quy phân vị sẽ rất hữu ích trong đo
lường rủi ro, đặc biệt là trong trường hợp thị trường có những cú sốc.
Thật vậy, đối với nhóm cổ phiếu VNSMALL, các cổ phiếu AAM, BRC,
CCI, DSN, PJT, RDP, đường hồi quy màu đỏ OLS chỉ cho ta nhận thấy xu hướng
chính của phân phối lợi suất, trong trường hợp thị trường có những cú sốc tích cực
và cú sốc tiêu cực, hồi quy này không phản ánh đầy đủ các ước lượng ở giá trị đuôi
như hồi quy phân vị. Điều này cũng tương tự đối với các cổ phiếu thuộc nhóm
VN30. Hơn nữa, so sánh hình 3.1 và hình 3.2 ta thấy, so với các cổ phiếu thuộc
nhóm VN30, các cổ phiếu thuộc nhóm VNSMALL có các đường hồi quy phân vị
phân tán khá xa so với hồi quy OLS, đặc biệt là các đường hồi quy ở các mức phân
vị 0.05, 0.1, 0.9 và 0.95.
 94

Hình 3.1. Phân phối lợi suất theo biến động thị trường của các cổ phiếu
trong nhóm VN30.
Nguồn: Tính toán của tác giả.
 95

Hình 3.2. Phân phối lợi suất theo biến động thị trường của các cổ phiếu trong nhóm
VNSMALL.
Nguồn: Tính toán của tác giả.
 96

Hình vẽ 3.3, 3.4 cho nhà đầu tư có cái nhìn rõ hơn về diễn biến lợi suất của
các cổ phiếu so với lợi suất của thị trường đối với hai lớp cổ phiếu: VNSMALL và
VN30 theo các mức phân vị khác nhau ứng với khoảng tin cậy 95% cho giá trị ước
lượng của các hệ số beta.
VNINDEX VNINDEX VNINDEX VNINDEX

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1.3 1.3 1.3 1.3 .8 .8 1.2 1.2

1.2 1.2 1.1 1.1

1.2 1.2 .7 .7

1.1 1.1 1.0 1.0

1.1 1.1 .6 .6

1.0 1.0 0.9 0.9

1.0 1.0 .5 .5
0.9 0.9 0.8 0.8

0.9 0.9 .4 .4
0.8 0.8 0.7 0.7

0.7 0.7 0.8 0.8 .3 .3 0.6 0.6

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Quantile Quantile Quantile Quantile

VNINDEX VNINDEX VNINDEX VNINDEX

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1.5 1.5 1.0 1.0 1.4 1.4 1.4 1.4

1.4 1.4 1.3 1.3

1.3 1.3
0.8 0.8
1.3 1.3 1.2 1.2
1.2 1.2
1.2 1.2 0.6 0.6 1.1 1.1
1.1 1.1
1.1 1.1 1.0 1.0
0.4 0.4
1.0 1.0
1.0 1.0 0.9 0.9

0.9 0.9 0.2 0.2 0.8 0.8 0.9 0.9

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Quantile Quantile Quantile Quantile

VNINDEX VNINDEX VNINDEX VNINDEX

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1.5 1.5 1.0 1.0 1.6 1.6 1.1 1.1

1.4 1.4 0.9 0.9 1.5 1.5 1.0 1.0

1.3 1.3 0.8 0.8 1.4 1.4 0.9 0.9

1.2 1.2 0.7 0.7 1.3 1.3 0.8 0.8

1.1 1.1 0.6 0.6 1.2 1.2 0.7 0.7

1.0 1.0 0.5 0.5 1.1 1.1 0.6 0.6

0.9 0.9 0.4 0.4 1.0 1.0 0.5 0.5

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Quantile Quantile Quantile Quantile

VNINDEX
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1.0 1.0

0.9 0.9

0.8 0.8

0.7 0.7

0.6 0.6

0.5 0.5

0.4 0.4
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Quantile

Hình 3.3. Khoảng ước lượng cho hệ số beta của nhóm cổ phiếu VN30 đối với lợi suất
thị trường VNINDEX ứng với các mức phân vị khác nhau.
Nguồn: Tính toán của tác giả.
 97

VNINDEX VNINDEX VNINDEX VNINDEX

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
.8 .8 1.0 1.0 1.0 1.0 1.0 1.0

0.8 0.8 0.8 0.8 0.8 0.8

.6 .6
0.6 0.6
0.6 0.6 0.6 0.6
.4 .4
0.4 0.4
0.4 0.4 0.4 0.4
.2 .2 0.2 0.2
0.2 0.2 0.2 0.2
0.0 0.0
.0 .0
0.0 0.0 0.0 0.0
-0.2 -0.2
-.2 -.2 -0.2 -0.2 -0.2 -0.2
-0.4 -0.4
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Quantile Quantile Quantile
Quantile

VNINDEX
VNINDEX VNINDEX VNINDEX
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1.0 1.0
.8 .8 1.0 1.0 1.0 1.0

0.8 0.8
.6 .6 0.8 0.8 0.8 0.8

0.6 0.6
0.6 0.6 0.6 0.6
.4 .4
0.4 0.4 0.4 0.4
0.4 0.4
.2 .2
0.2 0.2 0.2 0.2
0.2 0.2
.0 .0 0.0 0.0
0.0 0.0 0.0 0.0

-.2 -.2 -0.2 -0.2 -0.2 -0.2

-0.2 -0.2
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Quantile Quantile Quantile
Quantile

VNINDEX VNINDEX VNINDEX VNINDEX

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1.0 1.0 1.0 1.0 1.0 1.0 .9 .9

0.8 0.8 0.8 0.8 .8 .8

0.8 0.8

0.6 0.6 0.6 0.6 .7 .7

0.6 0.6

0.4 0.4 .6 .6
0.4 0.4
0.4 0.4
.5 .5
0.2 0.2 0.2 0.2
0.2 0.2
.4 .4
0.0 0.0 0.0 0.0
0.0 0.0 .3 .3
-0.2 -0.2 -0.2 -0.2
-0.2 -0.2 .2 .2
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Quantile Quantile
Quantile Quantile

VNINDEX VNINDEX
VNINDEX VNINDEX
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
.8 .8 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
.8 .8 1.2 1.2 .8 .8

.6 .6 1.0 1.0 .6 .6
.6 .6
0.8 0.8
.4 .4 .4 .4
.4 .4
0.6 0.6
.2 .2 .2 .2
.2 .2 0.4 0.4

.0 .0 0.2 0.2
.0 .0 .0 .0
0.0 0.0
-.2 -.2 -.2 -.2
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 -.2 -.2 -0.2 -0.2
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Quantile Quantile
Quantile Quantile

VNINDEX VNINDEX VNINDEX VNINDEX

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0

0.8 0.8 0.8 0.8

0.8 0.8 0.8 0.8
0.6 0.6
0.6 0.6 0.6 0.6 0.6 0.6
0.4 0.4
0.4 0.4 0.4 0.4 0.4 0.4
0.2 0.2
0.2 0.2 0.2 0.2 0.2 0.2
0.0 0.0

0.0 0.0 0.0 0.0 0.0 0.0 -0.2 -0.2

-0.2 -0.2 -0.2 -0.2 -0.2 -0.2 -0.4 -0.4

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Quantile Quantile Quantile Quantile

Hình 3.4. Khoảng ước lượng cho hệ số beta của nhóm cổ phiếu VNSMALL đối với
lợi suất thị trường VNINDEX ứng với các mức phân vị khác nhau.
Nguồn: Tính toán của tác giả.

Các biểu đồ cho thấy rõ ràng r ằng, khi th ị trường có nhữ ng cú s ốc, ứ ng
v ới các mứ c phân v ị khác nhau, hệ số beta của nhữ ng cổ phiếu trong nhóm
VNSMALL và nhóm VN30 thay đổ i qua các mứ c phân v ị khác nhau. Kết h ợp
 98

v ới bảng 3.5 và 3.6 ta thấy rằng: so vớ i các cổ phiếu trong nhóm VN30, hệ số
beta của nhóm VNSMALL biến động mạnh mẽ, đặc biệt ở đuôi của phân phối
tương ứng với các mức phân vị 0.05, 0.1, 0.9 và 0.95. Điều này hàm ý rằng khi
thị trường biến động mạnh việc đầu tư các cổ phiếu thuộc nhóm VNSMALL có
độ rủi ro cao hơn và nhà đầu tư cần thay đổi chiến lược đầu tư với mứ c chấp
nhận rủi ro mới. Hệ s ố beta của những cổ phiếu có vốn hóa nhỏ VNSMALL
tăng mạnh hơn so với những cổ phiếu có vốn hóa lớn VN30 hàm ý rằng khi thị
trường không ổn định, sự thay đổi mức độ rủi ro ở nhữ ng cổ phiếu nhỏ diễn ra
nhanh hơn nên chúng chỉ phù hợp cho những danh mục đầu tư ngắn hạn. Thông
qua phương pháp phân tích trên, nhà đầu tư có thể đưa ra các quyết định đầu tư
phù hợp

Phần này đã trình bày mô hình CAPM và mô hình hàm phân vị. Từ đó đư a
ra ứ ng dụng của việc kết hợp hai mô hình này trong việc phân tích rủi ro của hai
lớp cổ phiếu VNSMALL và VN30 trên thị trường chứng khoán Việt nam. Những
phân tích này phù hợp với quy luật vận động của các cổ phiếu trên thị trường
chứng khoán Việt nam. Đây cũng là một bằng chứng để xác thự c cho giả thiết
vốn đã tồn tại là: các cổ phiếu thuộc lớp cổ phiếu VNSMALL luôn luôn biến đổi
bất thường và đột ngột khi thị trường tài chính có những cú sốc dương hoặc sốc
âm. Điều này có thể lý giải bởi lý do đơn giản là do những cổ phiếu này có vốn
hóa thấp nên các nhà đầu tư lớn và không minh bạch thường hay dễ thao túng và
đầu cơ, kèm theo tâm lý bầy đàn của nhữ ng nhà đầu tư nhỏ nên độ biến động các
cổ phiếu thuộc dạng này thay đổi mạnh mẽ hơn so với thị trường trong trường
hợp thị trường tài chính không ổn định. Còn các cổ phiếu của nhóm VN30, đây
là lớp cổ phiếu có vốn hóa lớn, nên việc đầu cơ và thao túng khó khăn nên trong
trường hợp thị trường bị s ốc thông tin, những cổ phiếu này ổn định hơn các cổ
phiếu trong nhóm VNSMALL.

Trong phần tiếp theo, chúng tôi đã thêm hai yếu tố quy mô vốn công ty và
giá trị s ổ sách vào mô hình CAPM ( đây là mô hình Fama-French). Và sau đó sử
dụng công cụ là hồi quy phân vị để ước lượng mô hình này. Kết quả thực nghiệm
 99

được dựa trên số liệu là danh mục các cổ phiếu thuộc ba nhóm ngành: ngành
Ngân hàng, Tài chính và Bảo hiểm, ngành Bất động s ản, Xây dựng và ngành
Hàng tiêu dùng thiết yếu. Câu hỏi đặt ra là: ngoài yếu tố thị trường thì lợi suất cổ
phiếu còn ảnh hưởng bởi yếu tố gì? Phần tiếp theo sẽ giải đáp vấn đề này.

3.3. Mô hình Fama-French với yếu tố ngành - Tiếp cận bằng mô hình hồi
quy phân vị

3.3.1. Mô hình Fama-French

Mô hình Fama-French được giới thiệu bởi hai tác giả Fama & Kenneth
French (1992 và 1993) trên cơ sở các nghiên cứu thực nghiệm với mô hình định giá
tài sản vốn (CAPM) và lý thuyết định giá cơ lợi (APT) trên thị trường NYSE và
AMEX của Mỹ. Trên cơ sở CAPM, Fama-French đã thêm biến quy mô công ty (đo
lường bằng vốn hóa) và giá trị công ty (đo lường bằng tỷ số giá trị sổ sách trên giá
trị thị trường- BE/ME) vào mô hình. Mô hình này có dạng như sau:

(3.1)

trong đó:

: lợi suất tài sản A;

: lợi suất tài sản phi rủi ro;

: lợi suất thị trường;

SMB (Small minus Big): chênh lệch giữa lợi suất của danh mục cổ phiếu có
quy mô nhỏ so với lợi suất của danh mục cổ phiếu có quy mô lớn.

HML (High minus Low): chênh lệch giữa lợi suất của danh mục cổ phiếu
công ty có tỷ số giá trị sổ sách trên giá trị thị trường cao so với lợi suất của danh
mục cổ phiếu công ty có tỷ số giá trị sổ sách trên giá trị thị trường thấp.

hệ số chặn; thể hiện mức độ tác động của nhân tố thị trường tới chứng
khoán A; và thể hiện độ nhạy cảm của chứng khoán A đối với hai nhân tố bổ
sung SMB và HML; là sai số ngẫu nhiên.
 100

Như vậy, mô hình Fama-French chỉ ra rằng lợi suất của một danh mục (cổ phiếu)
phụ thuộc vào phần bù rủi ro thị trường cộng với phần bù quy mô và phần bù giá trị.
Trên thực tế, nền kinh tế Việt nam đang trong quá trình phát triển kinh tế theo
hướng công nghiệp hóa, hiện đại hóa cùng với việc mở cửa và hội nhập với nền
kinh tế thế giới nên có những định hướng phát triển riêng của ngành nghề theo
hướng phù hợp với yêu cầu chung. Vì vậy hoạt động của một công ty còn phụ thuộc
vào công ty đó thuộc ngành nào và hướng phát triển của ngành đó trong tương lai.
Ngược lại kết quả hoạt động của ngành sẽ tác động trực tiếp tới lợi nhuận của công
ty và sẽ ảnh hưởng tới giá của cổ phiếu. Như vậy lợi suất công ty không chỉ phụ
thuộc vào yếu tố thị trường và các chỉ số của công ty mà còn phụ thuộc vào yếu tố
ngành kinh tế. Câu hỏi đặt ra là khi thị trường ổn định cũng như khi thị trường bất
ổn thì mô hình Fama-French có phù hợp với thị trường chứng khoán Việt nam hay
không? Ngoài ba nhân tố: lợi suất thị trường, quy mô vốn, quy mô giá trị thì còn
nhân tố nào ảnh hưởng đến lợi suất của các cổ phiếu?

3.3.2. Mở rộng mô hình Fama-French với yếu tố ngành

Như đã phân tích ở trên, lợi suất của cổ phiếu không chỉ phụ thuộc vào các thông
tin cổ phiếu đó mà còn phụ thuộc thông tin của ngành. Do đó, ta mở rộng mô hình
Fama-French thêm yếu tố ngành như sau:

(3.3)

trong đó

là lợi suất trung bình của các cổ phiếu thuộc ngành i;

là hệ số ước lượng.

Cách tính chỉ số SMB và chỉ số HML

Toàn bộ sàn HOSE được chia thành hai nhóm được xếp theo quy mô vốn
hóa thị trường: 50% công ty có quy mô vốn hóa nhỏ và 50% công ty có quy mô
vốn hóa lớn.Nhóm S được xếp theo thứ tự tăng dần của tỷ số BE/ME. Sau đó, ta
chia nhóm S thành 3 danh mục: Danh mục SL, SM,SH lần lượt là các cổ phiếu
 101

công ty quy mô vốn hóa nhỏ và tỷ số BE/ME thấp, trung bình và cao. Tương tự
nhóm B được chia thành 3 phần, ta được 3 danh mục: BL, BM, BH lần lượt là
danh mục công ty quy mô vốn hóa lớn và tỷ s ố BE/ME thấp, trung bình và cao.
V ới kết quả phân chia như trên, ta có bảng phân chia thị trường thành 6 danh
mục như sau:

Bảng 3.7. Phân chia cổ phiếu theo giá trị vốn hóa và tỷ số BE/ME.

Nhóm S Nhóm B

SH SM SL BH BM BL

33.3% 33.3% 33.3% 33% 34% 33%

52 52 52 50 51 50

cổ phiếu cổ phiếu cổ phiếu cổ phiếu cổ phiếu cổ phiếu

Nguồn: Tính toán của tác giả.

Trên cơ sở tính toán trên, ta tính toán được các chỉ số như sau:

• SMB = 1/3 (RSH +RSM + RSL) – 1/3 (RBH + RBM + RBL)

• HML = ½ (RSH + RBH) – ½ (RSL + RBL)

Chỉ số lợi suất trung bình của ngành: Ta phân chia toàn bộ cổ phiếu trên sàn
HOSE thành 10 ngành tương ứng (theo quan điểm chia ngành trên trang web của Sở
GDCK Thành phố Hồ Chí Minh www.hsx.vn). Khi đó lợi suất trung bình ngành
tính theo công thức sau:

vớ i : Lợi suất trung bình của ngành j (j = 1, .., 10);

: Lợi suất của cổ phiếu i trong ngành j;
: Giá trị thị trường của cổ phiếu i trong ngành j.
Trong nghiên cứu này, chúng tôi đo lường ảnh hưởng của 4 nhân tố trên đến
lợi suất của các cổ phiếu riêng lẽ trong nhóm cổ phiếu các ngành Tài chính Ngân
hàng và Bảo hiểm, nhóm Bất động sản, Xây dựng và nhóm ngành Hàng tiêu dùng
thiết yếu trên sàn giao dịch HOSE.
 102

3.3.3. Mô hình Fama-French với yếu tố ngành trong phân tích một số cổ
phiếu trên thị trường chứng khoán Việt Nam - Tiếp cận mô hình hồi quy
phân vị
Với sự trợ giúp của phần mềm EVIEWS 8 và R, để nghiên cứu phân phối lợi
suất của các cổ phiếu thuộc các nhóm ngành Tài chính, Ngân hàng và Bảo hiểm,
Bất động sản, Xây dựng và nhóm ngành Hàng tiêu dùng thiết yếu, chúng tôi đã tiếp
cận theo hai phương pháp: phương pháp OLS và phương pháp hồi quy phân vị. Các
hệ số của cả bốn nhân tố trong mô hình (3.3) được tính toán cả bằng cả hai phương
pháp. Trong khi OLS tính hệ số dựa theo trung bình thì hồi quy phân vị tính toán
các hệ số dựa theo các mức phân vị 0.05, 0.1, 0.4, 0.5, 0.6, 0.7, 0.9 và 0.95 với độ
tin cậy 95%.
Bảng 3.8, 3.9, 3.10 cho kết quả ước lượng các hệ số của mô hình Fama -
French với yếu tố ngành đối với các cổ phiếu thuộc các nhóm ngành Tài chính,
ngân hàng và Bảo hiểm; nhóm Bất động sản, Xây dựng và nhóm Hàng tiêu dùng
thiết yếu bằng phương pháp OLS sau khi kiểm định về sự phù hợp của hàm hồi quy.
Bảng 3.8. Hệ số trong mô hình Fama-French với yếu tố ngành ước lượng bằng
phương pháp OLS của nhóm ngành Tài chính, Ngân hàng và Bảo hiểm.

t-Statistic S t-Statistic H t-Statistic N t-Statistic

AGR 0.368642 3.814413 0.061105 0.814892 -0.06832 -1.1435 0.624867 9.440787
BVH 1.488769 17.42759 -0.0067 -0.10112 -0.06342 -1.20094 0.178158 3.045186
CTG 0.305282 4.259833 0.070441 1.266823 0.079657 1.798088 0.566405 11.54027
EIB 0.247481 4.219077 0.064312 1.413091 0.063706 1.756922 0.279949 6.968705
SSI 0.353575 6.152948 -0.0893 -2.00284 -0.02865 -0.80664 0.808403 20.54126
STB 0.431364 5.371968 0.050254 0.806596 -0.04772 -0.96141 0.237557 4.319715
VCB 0.821596 12.67937 0.037955 0.754939 0.014228 0.355203 0.337372 7.602305
BID 0.817348 6.513482 0.163619 1.818229 0.110433 1.420283 0.34727 4.545916
MBB 0.422806 7.066859 0.033455 0.790121 0.024429 0.720862 0.365741 9.30014
TVS 0.145486 0.4984 -0.19809 -1.16815 0.10268 0.688631 0.296102 1.675654
BIC 0.627857 5.380553 0.095701 1.151646 -0.07801 -1.17879 0.310628 4.019811
BMI 0.625296 6.707754 0.226334 3.129239 -0.05032 -0.87329 0.279723 4.381447
BSI 0.23424 1.814237 -0.1764 -1.91149 0.019737 0.265846 0.524867 6.092436
SII 0.11588 0.610823 -0.19187 -1.5017 -0.18543 -1.83446 0.185281 1.549829
HCM 0.437825 5.807872 -0.17014 -2.90881 -0.07452 -1.59905 0.743541 14.40188
PGI 0.51911 4.133551 0.117872 1.315496 0.020625 0.285926 0.141134 1.68659

Nguồn: Tính toán của tác giả.

 103

Bảng 3.9. Hệ số trong mô hình Fama_French với yếu tố ngành ước lượng bằng
phương pháp OLS của nhóm ngành Bất động sản, Xây dựng.
Beta t-Statistic S t-Statistic H t-Statistic N t-Statistic

ASM 0.347139 2.44062 0.123908 0.983877 0.015841 1.57E-01 0.693133 8.180237

BIC 0.4284183 5.163855 0.047824 0.6510221 0.0277436 0.4720362 0.2571664 5.2032214

D2D 0.4219597 4.9763532 0.2832182 3.7722886 -0.1354 -2.254065 0.1213226 2.4017839

DIG 0.5375407 6.7568224 -0.030434 -0.432049 0.0459064 0.8145361 0.7210826 15.214869

HAG 0.4210464 6.5801051 0.0311379 0.5495863 0.0529427 1.1679243 0.6893717 18.084579

IJC 0.370449 4.234517 -0.084594 -1.092087 -0.002701 -0.043577 0.7578785 14.5421

ITA 0.2608064 4.1250716 -0.158793 -2.836537 -0.033958 -0.758152 0.9627068 25.559914

KHA 0.3595702 4.2060192 0.1749915 2.3117879 -0.065029 -1.073751 0.1617693 3.1764044

NTL 0.4125853 4.3867689 -0.098193 -1.179118 -0.202588 -3.040547 0.7464388 13.32224

QCG 0.2951255 3.6952885 0.0988134 1.3973365 0.024519 0.4333615 0.5291233 11.121173

SZL 0.4207813 5.3906321 0.0978749 1.4161133 -0.107742 -1.948378 0.1953687 4.2013639

TDH 0.4316555 6.7151193 -0.020472 -0.359692 -0.147344 -3.235604 0.639729 16.705695

VIC 0.4022282 5.0754913 0.1855875 2.6448308 0.0421776 0.7512655 0.3644018 7.7185942

HAR -0.452229 -2.924089 -0.259285 -2.004312 -0.238402 -2.398664 1.2193129 13.758562

VPH 0.3478129 3.4181699 0.1859282 2.0636534 -0.243777 -3.381785 0.6600704 10.889058

TDC 0.3828423 3.7034017 0.0057306 0.0626076 -0.125453 -1.71304 0.7050701 11.44894

PXL 0.356257 3.89673 -0.039646 -0.489755 -0.062322 -0.962239 0.760624 13.96559

ITC 0.3570071 5.170529 -0.060285 -0.986081 -0.113335 -2.31701 0.767469 18.658255

KBC 0.313461 4.036136 -0.029483 -0.428747 -0.068071 -1.237237 0.96973 20.95972

KDH 0.4351917 5.2275951 -0.098336 -1.334062 -0.108304 -1.836423 0.1629161 3.2850157

DXG 0.3251973 3.7333288 -0.060454 -0.783824 -0.077672 -1.258695 0.6584713 12.689319

SJS 0.3185568 3.4699679 -0.057524 -0.707676 -0.07921 -1.21793 0.6573734 12.019953

Nguồn: Tính toán của tác giả.

 104

Bảng 3.10. Hệ số trong mô hình Fama_French với yếu tố ngành ước lượng bằng
phương pháp OLS của nhóm ngành Hàng Tiêu dùng thiết yếu.
Beta t-Statistic S t-Statistic h t-Statistic N t-Statistic

AAM -0.268409 -3.884465 3.49E-06 0.898219 0.035327 0.627519 -0.037625 -0.83138

ABT 0.212086 3.363641 1.88E-06 0.528609 -0.045639 -0.888435 0.039368 0.953315

ACL 0.373276 4.436736 2.54E-06 0.537011 0.018744 0.273454 0.116029 2.105681

AGF 0.433709 4.820332 -1.07E-06 -0.211751 0.144231 1.967555 0.078339 1.329378

ANV 0.759912 10.86465 3.26E-06 0.828507 0.004903 0.086041 0.149591 3.265516

BBC 0.554356 6.575773 4.87E-06 1.025956 -0.297996 -4.33868 0.109061 1.975238

BHS 0.38665 5.129246 6.64E-06 1.565056 -0.053297 -0.86782 0.078672 1.593492

FMC 0.508192 6.618899 2.43E-06 0.563256 -0.121137 -1.936524 0.194994 3.877678

HVG 0.450554 5.873836 -3.25E-06 -0.751974 -0.064708 -1.035436 0.500273 9.958089

ICF 0.72345 8.574188 2.50E-06 0.527119 0.002637 0.038363 0.054689 0.989636

KDC 0.01155 0.164329 -2.59E-06 -0.653558 0.059514 1.039318 0.600422 13.04346

LAF 0.805613 9.995393 7.49E-06 1.650936 -0.138994 -2.116692 0.154344 2.923864

LIX 0.385287 4.447579 7.48E-06 1.534266 -0.369062 -5.229096 0.095615 1.685233

LSS 0.740361 11.13777 1.23E-06 0.328443 -0.043825 -0.809213 0.148619 3.413671

MSN 0.9236 16.9085 -4.85E-06 -1.578155 0.019174 0.430847 0.148958 4.163684

SBT 0.517136 8.637377 4.72E-07 0.139923 -0.004963 -0.101745 0.192855 4.918135

TS4 1.002108 13.81138 2.92E-06 0.714037 0.017095 0.289189 0.121828 2.563673

VCF 0.33537 4.030843 -6.94E-06 -1.463684 -0.131985 -1.932605 -0.069901 -1.28505

VNM -0.098743 -1.757055 -1.23E-06 -0.389791 0.199823 4.364303 0.823322 22.3688

Nguồn: Tính toán của tác giả.

Từ các kết quả ước lượng trên có thể thấy, với mức ý nghĩa 5%, bằng
phương pháp ước lượng OLS hầu hết các hệ số của các nhân tố SMB và HML của
các cổ phiếu thuộc ba nhóm ngành trên không có ý nghĩa thống kê do |t-Statistic| <
1,96 nhưng ta lại thấy rằng lợi suất của các cổ phiếu này lại phụ thuộc vào yếu tố
phần bù rủi ro thị trường và yếu tố ngành. Kết quả này cũng phù hợp với nhận định
đã phân tích ở trên về sự phụ thuộc của lợi suất cổ phiếu vào lợi suất ngành. Hơn
nữa kết quả ước lượng hệ số trong mô hình Fama-French với yếu tố ngành hầu
hết đều dương. Điều này cho thấy rằng lợi suất trung bình có tác động cùng chiều
 105

tới lợi suất của cổ phiếu thuộc ngành đó nên khi ngành này phát triển cũng ảnh
hưởng tích cực đến lợi suất cổ phiếu thuộc ngành tương ứng.
Bảng 3.8, 3.9, 3.10 cho kết quả ước lượng các hệ s ố của mô hình Fama -
French với yếu tố ngành đối với các cổ phiếu thuộc nhóm ngành Tài chính –
Ngân hàng và Bảo hiểm; nhóm ngành Bất động sản, Xây dựng và nhóm ngành
Hàng tiêu dùng thiết yếu với phương pháp hồi quy phân vị ở các mứ c phân vị
0.05; 0.1; 0.2; 0.8; 0.9 và 0.95 (kết quả đầy đủ ở phụ lục 6).
Nhìn vào kết quả ước lượng ta thấy rằng với mứ c ý nghĩa 5%, hầu hết ước
lượng các h ệ số của các nhân tố SMB và HML không có ý nghĩa thống kê ứng
với các mức phân vị khác nhau. Điều này cho thấy với thị trường Việt Nam,
dường như nhân tố quy mô vốn hóa và nhân tố giá trị ghi sổ không thực sự ảnh
hưởng tới sự biến động của lợi suất cổ phiếu, chỉ có 2 nhân tố ảnh hưởng đến lợi
suất cổ phiếu là rủi ro thị trường và chỉ số ngành.
Như vậy, kết quả ước lượng của cả hai phương pháp đã minh chứng rằng khi
thị trường tài chính ổn định cũng như có nhiều biến động thì các cổ phiếu trên sàn
HOSE không phụ thuộc vào nhân tố quy mô cũng như nhân tố giá trị ghi sổ mà phụ
thuộc vào nhân tố rủi ro thị trường và nhân tố ngành.
Ngoài ra kết quả ước lượng từ phương pháp hồi quy phân vị ta cũng thấy rằng
với các cổ phiếu của ba nhóm ngành trên, khi thị trường có những cú sốc - giảm mạnh
hoặc tăng mạnh, hệ số beta cũng như hệ số ngành của các cổ phiếu biến động mạnh,
thay đổi qua các mức phân vị khác nhau, đặc biệt ở đuôi của phân phối.
Cụ thể, đối với nhóm ngành Tài chính, Ngân hàng và Bảo hiểm, đây là nhóm
ngành đa số có các cổ phiếu có vốn hóa lớn. Tuy nhiên với các cổ phiếu có giá trị ghi
sổ lớn như CTG, EIB, SSI, STB, VCB, BID, MBB, HCM ứng với các mức phân vị
khác nhau, lợi suất của những ngành này phụ thuộc hoàn toàn vào nhân tố thị
trường và nhân tố ngành, đặc biệt ở đuôi phân phối với các mức phân vị 0.05, 0.1,
0.9, 0.95. Đối với các cổ phiếu có vốn hóa lớn và giá trị ghi sổ trung bình như BIC,
BMI, BSI, PGI… lợi suất của các cổ phiếu này phụ thuộc hoàn toàn vào nhân tố
ngành, tuy nhiên với nhân tố thị trường, lợi suất của các cổ phiếu này chỉ phụ thuộc
ứng với mức phân vị thấp từ 0.05 đến 0.9. Còn các cổ phiếu có vốn hóa lớn nhưng
 106

có giá trị sổ sách nhỏ như SII, TVS …thì hầu hết đều không phụ thuộc vào nhân tố
thị trường và phụ thuộc vào nhân tố ngành rất ít, đặc biệt ứng với mức phân vị thấp
như 0.01, 0.05, 0.1 hầu như không phụ thuộc.
Đối với nhóm ngành Bất động sản và Xây dựng, toàn bộ cổ phiếu có vốn hóa
cao thấp đều phụ thuộc vào nhân tố ngành. Những cổ phiếu có vốn hóa thấp, lợi suất
không phụ thuộc vào nhân tố ngành hoặc phụ thuộc rất ít vào nhân tố ngành. Ngoài ra
những cổ phiếu có giá trị sổ sách cao như ASM, HAG, DIG, IJC, ITA,…lợi suất của
các cổ phiếu này phụ thuộc hoàn toàn vào nhân tố thị trường. Với những nhóm có vốn
hóa cao và giá trị sổ sách trung bình và thấp, lợi suất hầu hết phụ thuộc ở các mức phân
vị như 0.05, 0.1,…,0.9. Riêng mức phân vị cao như 0.95 hầu như ít phụ thuộc.
Với nhóm cổ phiếu ngành Hàng tiêu dùng thiết yếu, nhóm này gồm phần lớn
các cổ phiếu có vốn hóa thấp ngoại trừ một số cổ phiếu thuộc nhóm có vốn hóa cao
như HVG, KDC, MSN, SBT, VNM…. Lợi suất của các cổ phiếu thuộc nhóm này hầu
hết đều phụ thuộc vào nhân tố thị trường ở các mức phân vị khác nhau. Ngoài ra các cổ
phiếu có vốn hóa cao và giá trị sổ sách cao như HVG, KDC, MSN, SBT, VNM… lợi
suất còn phụ thuộc hoàn toàn vào nhân tố ngành. Đối với nhóm có vốn hóa thấp nhưng
giá trị sổ sách cao như AAM, AGF, ICF…lợi suất phụ thuộc vào nhân tố ngành ở mức
phân vị thấp, đối với mức phân vị cao lợi suất ít phụ thuộc hoặc không phụ thuộc.
Như vậy, đối với cả ba nhóm ngành, các cổ phiếu có vốn hóa lớn và giá trị sổ
sách lớn đều phụ thuộc vào nhân tố thị trường và nhân tố ngành trong cả hai trường
hợp thị trường ổn định cũng như biến động. Riêng các cổ phiếu có vốn hóa nhỏ trong
trường hợp thị trường giảm mạnh, các cổ phiếu nhóm ngành Tiêu dùng thiết yếu chỉ
phụ thuộc vào nhân tố thị trường và phụ thuộc ít vào nhân tố ngành. Trong trường hợp
thị trường tăng mạnh, các cổ phiếu thuộc nhóm ngành này lại phụ thuộc vào nhân tố
ngành nhiều hơn trong trường hợp thị trường giảm mạnh. Với các cổ phiếu nhóm
ngành Bất động sản, với các cổ phiếu có vốn hóa lớn và giá trị sổ sách trung bình và
nhỏ, trong trường hợp thị trường tăng mạnh hoặc giảm mạnh, lợi suất của các cổ phiếu
này phụ thuộc vào nhân tố ngành, riêng nhân tố thị trường các cổ phiếu này phụ thuộc
ít hoặc không phụ thuộc. Các cổ phiếu có vốn hóa nhỏ cũng cho kết quả tương tự.
 107

Bảng 3.11. Bảng các hệ số ước lượng theo mô hình Fama-French mở rộng với yếu tố ngành với phương pháp ước lượng hồi quy phân vị của
các cổ phiếu ngành Tài chính, Ngân hàng và Bảo hiểm.
RM_RF SMB HML R_TCNHBH
0.05 0.1 0.2 0.8 0.9 0.95 0.05 0.1 0.2 0.8 0.9 0.95 0.05 0.1 0.2 0.8 0.9 0.95 0.05 0.1 0.2 0.8 0.9 0.95
AGR(coef) 0.304 0.403 0.549 0.338 0.173 0.026 0.177 0.136 0.077 -0.082 0.214 0.284 -0.078 -0.177 -0.047 0.000 -0.105 -0.092 0.517 0.627 0.595 0.624 0.735 0.747
stat. 1.547 2.239 3.856 2.387a 1.007 0.088 1.001 1.035 0.956 -0.794 1.602 1.063 -0.607 -1.713 -0.488 -0.005 -1.367 -0.494 4.141 4.621 6.997 6.352 7.388 4.246
BVH(coef) 1.161 1.570 1.514 1.492 1.528 1.554 -0.143 0.001 0.010 -0.051 -0.111 0.114 0.058 0.001 -0.119 -0.075 0.055 -0.007 0.078 0.071 0.179 0.257 0.179 0.206
Stat. 5.255 9.897 10.734 11.065 11.557 13.514 -0.899 0.011 0.126 -0.484 -0.638 0.522 0.650 0.020 -2.065 -1.027 0.545 -0.065 0.614 0.641 2.150 2.851 1.695 1.859
CTG(coef) 0.575 0.565 0.593 0.364 0.215 0.217 0.194 -0.007 0.062 0.062 0.057 0.029 0.034 -0.027 -0.026 0.159 0.098 0.134 0.512 0.408 0.343 0.512 0.673 0.710
stat. 4.784 7.942 7.781 1.819 2.046 1.461 1.569 -0.086 1.023 0.714 0.542 0.122 0.356 -0.371 -0.639 2.125 0.915 1.497 8.858 7.887 5.984 3.799 9.188 8.461
EIB(coef) 0.233 0.309 0.370 0.135 0.183 0.103 0.044 0.044 0.089 -0.059 0.067 0.127 0.016 0.085 0.066 0.091 0.117 0.084 0.444 0.295 0.222 0.267 0.346 0.548
stat. 2.275 3.208 5.024 2.215 1.744 1.012 0.470 0.959 2.504 -1.065 0.471 1.346 0.121 1.777 1.934 2.126 1.419 1.247 4.993 4.523 4.633 5.777 3.908 5.878
SSI(coef) 0.550 0.408 0.404 0.199 0.216 0.340 -0.132 -0.062 -0.045 -0.099 -0.079 -0.062 -0.131 -0.137 -0.018 -0.020 -0.059 -0.047 0.600 0.686 0.741 0.991 0.984 0.865
stat. 6.601 4.377 5.250 2.224 3.917 3.729 -2.540 -1.109 -0.970 -1.773 -1.254 -0.648 -2.319 -2.485 -0.319 -0.393 -0.993 -0.774 14.120 14.344 12.737 14.395 26.232 17.653
STB(coef) 0.388 0.541 0.474 0.384 0.427 0.203 0.304 0.197 0.094 0.011 0.031 -0.054 -0.005 0.032 -0.078 0.006 -0.050 -0.267 0.382 0.218 0.277 0.250 0.360 0.373
stat. 2.667 6.990 4.869 3.120 1.949 0.865 2.294 1.858 1.449 0.103 0.151 -0.240 -0.046 0.458 -1.394 0.078 -0.322 -2.057 4.505 3.569 3.745 3.052 2.785 1.891
VCB(coef)* 1.023 1.024 0.966 0.868 0.758 0.456 0.236 0.133 0.169 -0.013 -0.125 -0.286 -0.126 -0.052 -0.029 0.010 0.031 0.023 0.349 0.278 0.265 0.295 0.370 0.533
stat. 13.339 13.701 12.346 7.289 6.086 2.370 2.334 1.931 2.675 -0.171 -1.477 -1.826 -2.091 -0.849 -0.542 0.152 0.307 0.206 6.994 4.883 4.713 3.568 5.117 4.966
BID(coef) 1.010 0.961 0.746 0.889 0.877 0.981 0.385 0.240 0.117 0.124 0.244 0.376 -0.226 0.076 -0.003 0.218 0.421 0.338 0.430 0.282 0.233 0.321 0.431 0.410
stat. 5.449 5.338 6.455 4.482 3.996 3.605 2.049 2.063 1.103 1.147 1.459 1.593 -1.136 0.711 -0.043 1.818 3.203 2.077 4.817 3.747 3.380 2.335 2.745 2.431
MBB(coef) 0.529 0.576 0.526 0.375 0.230 0.209 -0.077 -0.022 0.039 -0.023 -0.045 -0.002 0.008 -0.031 -0.036 0.046 0.115 0.095 0.343 0.305 0.289 0.400 0.495 0.570
stat. 5.319 7.845 8.236 4.950 2.791 2.179 -1.064 -0.339 0.706 -0.369 -0.378 -0.015 0.117 -0.495 -0.820 1.216 2.116 1.182 7.256 6.443 5.778 6.845 9.467 7.669
TVS(coef)** 0.959 0.730 0.029 -0.109 -0.322 0.189 -0.429 -0.302 -0.145 -0.343 -0.440 -0.797 0.024 0.300 0.243 -0.038 0.067 0.131 0.365 0.230 0.411 0.271 0.557 0.282
stat. 1.672 1.238 0.066 -0.348 -0.775 0.325 -1.608 -1.283 -0.860 -1.666 -1.786 -2.303 0.108 1.158 1.627 -0.287 0.334 0.495 1.311 0.895 2.103 1.408 2.260 1.019
BIC(coef) 0.535 0.719 0.772 0.566 0.558 0.108 0.185 0.236 0.163 -0.001 -0.252 -0.040 -0.055 -0.064 -0.046 -0.245 -0.063 -0.113 0.549 0.427 0.292 0.289 0.239 0.582
stat. 2.658 4.539 5.030 2.562 2.414 0.369 0.892 1.986 1.607 -0.008 -0.876 -0.175 -0.624 -0.881 -0.462 -2.884 -0.311 -0.785 5.263 3.343 3.324 1.940 1.979 3.863
BMI(coef) 0.715 0.530 0.694 0.490 0.289 0.049 0.361 0.346 0.263 0.118 0.085 0.099 -0.171 -0.110 0.005 -0.124 -0.085 -0.083 0.402 0.423 0.285 0.337 0.435 0.645
stat. 3.280 2.919 7.713 3.626 1.274 0.170 1.942 2.129 2.922 1.389 0.390 0.449 -1.391 -0.894 0.074 -1.349 -0.536 -0.440 2.654 4.336 4.427 3.115 2.928 4.325
BSI(coef) 0.149 0.272 0.136 0.165 0.057 0.195 -0.102 -0.066 -0.055 -0.182 -0.081 -0.197 -0.030 0.077 -0.040 0.071 -0.062 -0.161 0.304 0.407 0.658 0.649 0.639 0.383
stat. 0.938 1.288 0.647 0.734 0.310 0.735 -0.502 -0.413 -0.367 -1.684 -0.655 -1.021 -0.235 0.494 -0.323 0.527 -0.485 -0.964 2.839 2.829 4.342 4.515 5.227 2.922
SII(coef) 0.033 0.541 0.584 -0.424 -0.612 -0.150 0.041 -0.247 0.112 -0.706 -0.385 -0.110 -0.092 -0.961 -0.395 0.011 0.009 -0.012 0.028 0.017 0.059 0.564 0.455 0.141
stat. 0.169 1.034 1.516 -1.073 -2.548 -0.669 0.220 -0.606 0.426 -4.205 -1.756 -0.725 -0.538 -4.655 -2.939 0.062 0.061 -0.116 0.242 0.039 0.204 2.428 2.699 1.200
HCM(coef) 0.576 0.651 0.601 0.371 0.372 0.229 -0.045 -0.092 -0.165 -0.235 -0.347 -0.320 -0.181 -0.166 -0.116 -0.068 -0.143 -0.223 0.661 0.527 0.557 0.866 0.818 0.855
stat. 5.432 5.991 6.705 3.594 2.381 1.982 -0.363 -1.023 -2.527 -3.376 -2.784 -2.982 -2.398 -2.570 -1.682 -1.076 -1.736 -2.384 10.117 8.571 7.358 11.161 8.473 15.362
PGI(coef) 0.215 0.432 0.550 0.597 0.492 0.364 0.043 0.182 0.152 0.146 0.153 0.068 -0.116 -0.153 0.029 0.129 0.057 -0.105 0.213 0.147 0.185 0.291 0.297 0.150
stat. 0.918 1.923 3.497 3.241 2.693 1.958 0.175 0.794 1.040 1.075 0.850 0.723 -0.528 -1.108 0.274 1.276 0.422 -0.798 1.286 0.801 1.484 2.123 2.091 1.307

Nguồn: Tính toán của tác giả.

 108

Bảng 3.12. Bảng các hệ số ước lượng theo mô hình Fama-French mở rộng với yếu tố ngành với phương pháp ước lượng hồi quy phân vị của
các cổ phiếu ngành Bất động sản.
RM_RF SMB HML R_BDS
0.05 0.1 0.2 0.8 0.9 0.95 0.05 0.1 0.2 0.8 0.9 0.95 0.05 0.1 0.2 0.8 0.9 0.95 0.05 0.1 0.2 0.8 0.9 0.95
ASM(coef) 0.351 0.325 0.486 0.194 0.102 0.404 0.214 0.147 0.156 0.113 0.060 0.059 -0.097 -0.140 -0.178 0.050 0.060 0.134 0.708 0.741 0.735 0.834 0.728 0.352
stat. 2.710 2.715 4.177 1.255 0.618 1.900 0.916 1.208 1.669 0.943 0.319 0.258 -0.821 -1.543 -2.509 0.426 0.435 0.599 8.507 11.122 11.306 10.631 6.380 2.898
D2D(coef) 0.398 0.586 0.541 0.416 0.358 0.370 0.048 0.146 0.374 0.311 0.399 0.450 -0.196 -0.227 -0.217 -0.036 -0.079 -0.136 0.052 0.108 0.221 0.174 0.124 -0.037
stat. 1.997 2.448 3.085 1.679 2.403 1.575 0.202 0.541 3.172 1.989 4.023 1.912 -1.192 -1.086 -2.234 -0.279 -0.524 -0.711 0.348 0.548 1.784 1.136 1.456 -0.309
DIG(coef) 0.355 0.440 0.462 0.514 0.355 0.424 -0.151 -0.035 -0.051 0.043 -0.058 -0.024 -0.028 -0.029 0.005 0.035 0.141 0.068 0.604 0.731 0.740 0.828 0.751 0.711
stat. 2.525 3.165 5.129 4.943 1.833 1.995 -0.936 -0.264 -0.782 0.528 -0.405 -0.137 -0.337 -0.318 0.076 0.385 1.892 1.180 6.347 8.739 12.978 11.657 10.047 11.180
HAG(coef) 0.604 0.551 0.632 0.604 0.710 0.731 0.198 0.179 0.068 -0.031 -0.033 0.074 -0.104 -0.073 -0.055 0.024 0.184 0.135 0.654 0.583 0.493 0.605 0.560 0.586
stat. 4.900 7.119 8.496 7.861 8.952 4.372 1.548 3.181 0.937 -0.496 -0.389 0.554 -1.092 -1.191 -1.034 0.522 3.311 1.368 12.329 11.939 9.911 11.991 10.718 7.562
IJC(coef) 0.355 0.380 0.504 0.309 0.179 0.244 -0.229 -0.107 -0.102 -0.050 -0.096 0.086 0.143 0.006 0.000 0.029 0.022 0.065 0.662 0.777 0.689 0.923 0.877 0.815
stat. 3.041 3.413 4.846 2.801 1.189 1.289 -2.039 -0.993 -1.203 -0.514 -0.757 0.405 1.997 0.074 -0.006 0.393 0.253 0.598 8.861 12.975 10.647 12.465 14.272 13.388
ITA(coef) 0.175 0.162 0.235 0.180 0.178 0.240 -0.168 -0.023 -0.112 -0.120 -0.104 0.025 0.001 0.038 0.009 -0.043 -0.098 -0.247 0.887 0.960 0.955 1.065 1.086 1.044
stat. 1.564 1.654 2.280 2.265 2.347 1.348 -1.908 -0.321 -2.008 -1.592 -1.299 0.133 0.031 0.952 0.157 -0.644 -1.323 -1.915 13.608 16.984 17.239 21.334 19.873 10.299
KHA(coef) 0.599 0.641 0.493 0.482 0.164 0.024 -0.147 -0.073 0.040 0.419 0.423 0.588 0.075 -0.120 -0.048 -0.057 -0.207 -0.266 -0.154 0.049 0.118 0.149 0.343 0.298
stat. 5.383 6.489 5.400 4.189 0.909 0.143 -0.391 -0.431 0.370 3.404 5.506 8.301 0.395 -0.898 -0.567 -0.807 -2.079 -2.537 -1.973 0.726 2.469 1.973 3.816 2.341
NTL(coef) 0.391 0.472 0.473 0.428 0.426 0.352 -0.104 0.032 -0.069 -0.192 -0.265 -0.373 -0.110 -0.214 -0.129 -0.062 -0.155 -0.213 0.727 0.730 0.750 0.734 0.665 0.489
stat. 2.636 4.589 5.309 3.535 3.123 2.612 -0.683 0.349 -1.278 -2.094 -2.490 -3.950 -1.135 -3.022 -2.185 -0.879 -1.522 -3.611 9.333 13.822 16.835 11.130 6.292 6.795
QCG(coef) 0.462 0.329 0.343 0.183 -0.174 -0.152 0.118 0.164 0.147 -0.044 -0.121 0.030 0.097 -0.027 -0.055 -0.089 0.071 0.204 0.433 0.561 0.558 0.650 0.755 0.661
stat. 2.751 2.842 3.083 1.608 -1.387 -0.900 0.558 1.304 1.622 -0.399 -0.983 0.203 0.667 -0.258 -0.874 -0.917 0.660 1.581 3.332 6.864 8.739 11.602 9.843 7.238
SZL(coef)** 0.256 0.369 0.482 0.442 0.502 0.351 0.240 0.239 0.133 0.142 -0.038 -0.048 -0.178 -0.301 -0.175 -0.061 -0.117 -0.177 0.321 0.314 0.197 0.270 0.224 0.128
stat. 1.403 2.972 4.496 4.517 3.506 1.822 1.004 1.527 1.486 1.446 -0.177 -0.457 -1.240 -2.880 -2.819 -0.756 -1.227 -0.869 2.175 3.242 3.225 4.264 2.638 0.763
TDH(coef) 0.582 0.502 0.454 0.304 0.221 0.306 -0.086 -0.056 -0.010 -0.078 -0.114 -0.157 -0.152 -0.114 -0.123 -0.171 -0.239 -0.145 0.565 0.633 0.610 0.759 0.761 0.639
stat. 3.912 3.920 5.324 2.451 1.627 2.110 -0.935 -0.620 -0.149 -0.761 -1.302 -0.691 -1.338 -1.367 -2.404 -2.156 -2.297 -1.234 7.889 10.055 12.185 10.312 10.877 7.088
VIC(coef)* 0.221 0.386 0.475 0.669 0.610 0.350 0.198 0.064 0.088 0.049 0.153 0.102 -0.104 -0.041 -0.010 0.095 0.219 0.425 0.623 0.368 0.210 0.159 0.257 0.313
stat. 1.265 4.348 6.245 8.827 11.263 2.021 1.260 0.639 1.486 0.717 1.492 0.336 -1.051 -0.416 -0.239 1.909 3.040 2.492 7.731 5.113 4.862 3.118 6.220 2.249
HAR(coef) -0.977 -0.857 -0.364 -0.579 -0.831 -0.407 -0.617 -0.223 -0.280 -0.369 0.123 0.163 -0.109 0.049 -0.171 -0.515 -0.615 -0.367 1.090 1.303 1.276 1.381 1.237 0.713
stat. -4.419 -3.354 -1.904 -2.624 -2.287 -0.987 -2.355 -0.966 -1.698 -2.041 0.369 0.551 -0.640 0.257 -1.324 -2.944 -1.951 -1.312 5.131 10.281 12.465 9.990 7.303 2.541
VPH(coef)** 0.327 0.227 0.120 0.407 0.417 0.340 0.203 0.302 0.032 0.144 0.377 0.498 0.038 -0.162 -0.226 -0.206 -0.302 -0.262 0.601 0.738 0.776 0.695 0.657 0.487
stat. 2.018 1.539 0.724 2.902 2.037 1.174 1.072 2.354 0.253 1.604 3.867 4.769 0.362 -1.417 -1.859 -1.594 -2.604 -2.546 5.305 7.085 9.302 8.326 7.835 4.567
TDC(coef) 0.314 0.307 0.350 0.306 0.020 0.194 -0.031 -0.021 0.022 0.015 -0.004 0.196 -0.363 -0.263 -0.215 0.018 -0.057 -0.163 0.639 0.657 0.702 0.763 0.846 0.763
stat. 2.738 2.242 3.608 2.970 0.139 1.092 -0.206 -0.207 0.279 0.249 -0.032 1.175 -4.110 -3.550 -3.716 0.282 -0.689 -2.104 6.739 8.240 11.262 14.035 12.894 12.484
PXL(coef) 0.031 0.279 0.378 0.296 0.542 0.440 -0.286 -0.170 -0.229 0.046 0.157 0.237 0.198 -0.055 -0.044 -0.146 0.013 0.060 0.526 0.634 0.661 0.878 0.603 0.453
stat. 0.198 2.292 3.055 2.205 1.753 1.581 -1.614 -1.119 -2.078 0.321 1.059 1.625 2.669 -0.573 -0.565 -1.429 0.111 0.492 4.855 7.064 10.519 9.826 5.167 8.146
ITC(coef) 0.334 0.283 0.327 0.377 0.346 0.367 0.093 -0.108 -0.086 -0.003 -0.069 -0.054 -0.095 0.016 -0.051 -0.112 -0.121 -0.115 0.727 0.713 0.723 0.862 0.735 0.643
stat. 2.830 3.380 3.160 3.832 1.946 2.342 0.740 -1.213 -1.169 -0.051 -0.541 -0.253 -1.148 0.285 -0.908 -1.595 -1.054 -0.825 9.925 13.983 12.674 15.227 7.994 8.427
KBC(coef) 0.421 0.213 0.226 0.137 0.343 0.422 0.083 0.126 0.067 -0.149 -0.073 -0.114 -0.090 -0.071 0.004 -0.065 0.015 0.024 0.826 1.019 1.040 1.089 1.013 0.884
stat. 3.134 1.843 2.282 1.044 2.325 1.548 0.568 1.243 0.724 -1.463 -0.663 -0.695 -1.108 -0.754 0.051 -0.869 0.109 0.179 9.560 12.040 16.961 12.936 12.294 9.338
KDH(coef) 0.280 0.705 0.562 0.482 0.567 0.087 0.016 -0.003 -0.101 -0.131 -0.112 -0.302 -0.240 -0.102 -0.115 -0.135 -0.139 -0.017 0.184 0.191 0.228 0.180 0.179 0.134
stat. 1.925 3.478 5.051 2.851 3.236 0.548 0.105 -0.014 -1.021 -1.163 -0.814 -0.994 -1.745 -0.619 -1.633 -1.327 -0.778 -0.144 1.637 1.813 3.230 1.436 1.844 2.923
DXG(coef) 0.302 0.278 0.144 0.200 0.360 0.174 0.078 -0.054 -0.069 0.001 -0.072 -0.302 -0.227 -0.258 -0.150 -0.034 -0.025 -0.085 0.561 0.719 0.772 0.762 0.612 0.509
stat. 2.531 2.471 1.042 1.292 1.882 0.921 0.952 -0.394 -0.624 0.005 -0.473 -1.667 -1.980 -2.985 -1.992 -0.300 -0.265 -0.724 5.546 9.153 10.050 8.737 6.299 8.621
SJS(coef) 0.502 0.371 0.355 0.251 0.112 0.060 0.113 0.078 -0.079 -0.253 -0.486 -0.248 0.048 0.020 -0.001 -0.069 -0.091 -0.258 0.474 0.630 0.682 0.655 0.626 0.521
stat. 1.805 3.073 3.329 1.331 0.680 0.263 0.613 0.670 -1.013 -1.857 -2.868 -0.629 0.298 0.166 -0.019 -0.516 -0.883 -1.349 3.669 8.061 11.342 6.535 7.253 2.668

Nguồn: Tính toán của tác giả.

 109

Bảng 3.13. Bảng các hệ số ước lượng theo mô hình Fama-French mở rộng với yếu tố ngành với phương pháp ước lượng hồi quy phân vị của
các cổ phiếu ngành Hàng Tiêu dùng Thiết yếu.
RM_RF SMB HML R_TIEUDUNG
0.05 0.1 0.2 0.8 0.9 0.95 0.05 0.1 0.2 0.8 0.9 0.95 0.05 0.1 0.2 0.8 0.9 0.95 0.05 0.1 0.2 0.8 0.9 0.95
AAM(coef) -0.238 -0.313 -0.283 -0.324 -0.543 -0.326 0.000 0.000 0.000 0.000 0.000 0.000 0.059 -0.164 -0.049 0.050 0.064 0.069 -0.161 -0.095 -0.054 0.004 0.081 -0.042
stat. -2.029 -4.294 -3.718 -2.564 -5.174 -1.948 -4.911 -4.386 -2.848 5.463 4.462 6.330 0.444 -1.591 -0.511 0.700 0.471 0.459 -6.653 -3.847 -2.534 0.042 2.468 -0.287
ABT(coef)** 0.327 0.614 0.276 0.257 0.139 0.020 0.000 0.000 0.000 0.000 0.000 0.000 -0.395 -0.173 -0.042 0.013 -0.001 0.139 0.243 -0.043 0.044 0.039 0.060 0.005
stat. 1.015 3.513 3.016 3.294 0.885 0.125 -0.011 1.026 -0.443 0.079 -0.431 0.133 -1.991 -1.035 -0.625 0.178 -0.008 0.618 1.053 -0.237 0.540 1.623 0.378 0.036
ACL(coef) 0.353 0.444 0.504 0.518 0.475 0.154 0.000 0.000 0.000 0.000 0.000 0.000 -0.147 -0.018 -0.061 -0.032 -0.176 -0.321 0.160 0.199 0.055 0.099 0.176 0.218
stat. 0.778 2.951 4.150 7.910 5.428 1.004 -1.600 -1.195 0.010 -0.157 -0.153 1.071 -0.746 -0.167 -0.705 -0.492 -1.810 -1.386 0.463 1.509 0.503 5.114 6.345 8.439
AGF(coef) 0.262 0.442 0.600 0.498 0.298 0.055 0.000 0.000 0.000 0.000 0.000 0.000 0.207 0.355 0.121 0.244 0.089 0.037 0.057 0.132 0.017 0.111 0.189 0.229
stat. 1.394 2.192 2.616 5.894 1.726 0.356 -0.326 1.224 0.869 -1.995 0.673 2.576 1.509 2.717 0.665 1.715 0.605 0.297 0.334 0.864 0.102 3.604 5.978 8.626
ANV(coef) 0.594 0.742 0.660 0.961 0.896 0.690 0.000 0.000 0.000 0.000 0.000 0.000 0.031 -0.042 -0.107 -0.035 0.043 0.144 0.193 0.083 0.178 0.047 0.077 0.154
stat. 3.959 5.812 4.984 12.139 4.411 3.630 3.068 2.606 2.871 -1.542 -1.315 0.841 0.250 -0.351 -1.263 -0.589 0.413 1.006 1.385 0.670 1.644 1.637 3.341 1.638
BBC(coef)* 0.822 1.093 0.796 0.521 0.432 0.103 0.000 0.000 0.000 0.000 0.000 0.000 -0.279 -0.279 -0.275 -0.449 -0.489 -0.245 -0.127 -0.015 0.107 0.158 0.166 0.078
stat. 3.386 5.938 5.553 3.819 2.115 1.011 -3.866 -2.721 0.420 1.169 2.131 4.222 -2.057 -1.864 -2.520 -4.233 -3.309 -1.433 -0.728 -0.089 0.874 2.050 0.902 2.681
BHS(coef) 0.255 0.522 0.479 0.412 0.494 0.356 0.000 0.000 0.000 0.000 0.000 0.000 -0.192 -0.208 -0.162 -0.086 0.047 -0.134 0.171 0.122 0.002 0.033 0.074 0.140
stat. 1.267 4.472 6.013 6.917 7.426 3.351 2.899 2.619 1.475 -0.079 -1.784 -2.682 -0.791 -1.938 -2.796 -0.995 0.595 -0.566 1.172 1.230 0.050 1.721 5.156 5.909
FMC(coef) 0.369 0.644 0.737 0.364 0.406 0.264 0.000 0.000 0.000 0.000 0.000 0.000 0.034 -0.042 -0.091 -0.200 -0.137 0.073 0.323 0.192 0.098 0.190 0.190 0.200
stat. 1.332 3.709 8.906 2.379 5.223 2.522 0.043 1.593 0.746 -0.489 0.622 2.896 0.186 -0.385 -1.113 -1.957 -1.073 0.445 1.844 1.280 2.267 1.399 6.364 7.923
HVG(coef) 0.382 0.596 0.545 0.563 0.712 0.685 0.000 0.000 0.000 0.000 0.000 0.000 0.068 -0.030 0.039 -0.228 -0.223 -0.257 0.553 0.396 0.379 0.517 0.481 0.439
stat. 2.388 4.178 6.100 2.866 4.799 3.569 0.347 1.325 0.888 -1.395 -1.303 0.044 0.616 -0.326 0.767 -2.832 -2.017 -1.756 3.745 3.751 4.723 3.044 6.387 10.396
ICF(coef) 0.513 0.502 0.726 0.625 0.387 0.407 0.000 0.000 0.000 0.000 0.000 0.000 -0.113 0.034 0.019 0.011 0.062 0.008 0.106 0.169 0.048 0.065 0.056 -0.024
stat. 2.392 2.960 5.044 3.699 2.955 2.215 -2.267 -0.520 0.955 -0.927 -0.548 1.544 -0.860 0.318 0.152 0.099 0.567 0.050 0.558 1.142 0.407 0.515 0.890 -0.289
KDC(coef)* 0.243 0.331 0.293 0.199 0.291 0.127 0.000 0.000 0.000 0.000 0.000 0.000 0.309 0.020 0.015 -0.051 -0.197 -0.178 0.519 0.468 0.308 0.404 0.429 0.470
stat. 1.398 3.165 3.451 1.874 2.006 0.651 1.282 0.538 -2.030 1.050 0.512 0.262 2.246 0.312 0.318 -0.896 -1.950 -0.950 4.728 5.861 5.287 4.320 3.199 4.581
LAF(coef) 0.942 0.855 0.818 0.954 0.816 0.610 0.000 0.000 0.000 0.000 0.000 0.000 -0.269 -0.290 -0.190 -0.007 -0.318 -0.142 0.020 0.092 0.140 0.145 0.222 0.254
stat. 3.000 3.148 5.630 12.655 7.488 3.275 -0.626 -0.954 0.373 1.985 2.852 3.878 -2.029 -2.315 -2.047 -0.057 -1.667 -0.687 0.112 0.471 1.079 4.385 8.329 7.729
LIX(coef) 0.706 0.381 0.345 0.428 0.368 0.186 0.000 0.000 0.000 0.000 0.000 0.000 -0.215 -0.042 -0.050 -0.169 -0.407 -0.504 0.014 0.082 0.111 -0.011 0.100 0.060
stat. 7.281 3.662 4.609 3.872 1.217 0.878 6.297 4.338 3.089 -0.426 -1.403 -2.875 -1.099 -0.351 -0.829 -2.044 -2.557 -2.696 0.325 1.803 2.991 -0.134 0.396 0.288
LSS(coef) 0.737 0.753 0.724 0.842 0.861 0.719 0.000 0.000 0.000 0.000 0.000 0.000 -0.167 -0.054 -0.014 -0.048 -0.081 0.000 0.067 0.005 0.111 0.180 0.239 0.266
stat. 4.842 13.002 6.609 13.176 11.992 4.592 0.245 -0.155 -1.198 0.102 1.609 0.490 -1.334 -0.549 -0.200 -0.627 -0.925 0.004 0.413 0.194 1.111 7.642 14.052 15.858
MSN(coef)* 0.884 1.043 0.949 0.833 0.961 0.900 0.000 0.000 0.000 0.000 0.000 0.000 0.125 0.017 -0.021 0.075 0.032 0.220 0.304 0.172 0.153 0.177 0.074 0.090
stat. 9.348 13.365 10.389 8.403 11.215 9.615 3.524 3.947 3.601 -4.938 -6.913 -5.165 1.623 0.246 -0.338 1.147 0.447 2.288 3.714 2.375 1.833 2.279 3.941 5.609
SBT(coef) 0.292 0.452 0.596 0.578 0.580 0.375 0.000 0.000 0.000 0.000 0.000 0.000 0.183 0.081 -0.064 0.002 -0.082 -0.161 0.389 0.281 0.141 0.129 0.188 0.296
stat. 2.444 3.904 6.877 4.371 3.291 2.366 2.364 1.945 1.879 -2.015 -2.224 -0.840 1.613 1.022 -1.164 0.025 -0.579 -1.044 4.229 3.309 2.029 1.144 1.279 2.601
TS4(coef) 0.461 0.879 0.970 1.119 0.949 0.631 0.000 0.000 0.000 0.000 0.000 0.000 -0.024 -0.036 -0.007 0.115 0.317 0.139 0.343 0.233 0.157 0.051 0.113 0.168
stat. 2.769 5.936 9.735 7.091 7.820 4.288 1.579 3.451 3.143 -1.538 -1.171 -0.282 -0.242 -0.445 -0.095 1.190 3.766 1.055 2.462 1.934 1.873 0.467 4.050 6.665
VCF(coef) 0.441 0.764 0.567 0.436 0.294 0.029 0.000 0.000 0.000 0.000 0.000 0.000 -0.180 -0.515 -0.385 -0.075 0.088 -0.049 -0.001 -0.190 -0.132 -0.085 0.002 0.056
stat. 1.682 4.234 3.767 3.002 2.279 0.340 -4.693 -1.259 -0.487 -2.468 -0.485 4.111 -1.212 -3.456 -3.896 -0.492 0.404 -0.315 -0.009 -2.207 -1.185 -1.514 0.052 2.563
VNM(coef) 0.400 0.400 0.393 0.299 0.446 0.403 0.000 0.000 0.000 0.000 0.000 0.000 0.067 0.079 0.056 0.070 0.180 0.179 0.432 0.382 0.268 0.362 0.400 0.466
stat. 4.484 5.822 7.130 3.382 5.888 4.379 0.279 0.775 0.477 -2.069 -1.714 -1.289 0.870 1.132 1.445 1.273 3.563 4.333 6.498 6.236 4.635 4.767 7.167 8.320

Nguồn: Tính toán của tác giả.

Sau khi kiểm định về sự khác nhau của hệ số hồi quy ở các phân vị tương ứng, kết quả thống kê Wald cho rằng sự khác nhau của các hệ số hồi quy đều
có ý nghĩa với mức ý nghĩa thống kê với mức ý nghĩa 1%, các cổ phiếu có dấu * có ý nghĩa thống kê với mức ý nghĩa với mức 5%, ** có ý nghĩa
thống kê với mức ý nghĩa 10% (xem phụ lục 7).
 110

Như vậy cả hai phương pháp ước lượng OLS và hồi quy phân vị đều cho ta
thấy, trong trường hợp thị trường chứng khoán ổn định hay biến động, hầu hết các
cổ phiếu có vốn hóa cao của cả ba nhóm đều phụ thuộc vào nhân tố thị trường và
nhân tố ngành. Các cổ phiếu có vốn hóa thấp phụ thuộc vào hai nhân tố này không
rõ nét hoặc yếu hoặc chỉ xảy ra trong trường hợp thị trưởng giảm mạnh hoặc trong
trường hợp thị trường tăng mạnh. Lý do của hiện tượng trên là các cổ phiếu có vốn
hóa cao chiếm tỷ trọng rất lớn trong lợi suất trung bình ngành và lợi suất thị trường,
do đó khi thị trường biến động các nhân tố thị trường và nhân tố ngành của các cổ
phiếu này biến động. Đối với các cổ phiếu có vốn hóa nhỏ, tỷ trọng trong lợi suất
trung bình ngành và lợi suất thị trường của các cổ phiếu này nhỏ nên khi thị trường
biến động, sự phụ thuộc của các cổ phiếu này vào hai nhân tố ngành và thị trường
hoặc ít hoặc phụ thuộc không rõ nét.

Câu hỏi đặt ra là: Mức độ phụ thuộc của nhóm ba cổ phiếu trên đến nhân tố thị
trường và nhân tố ngành như thế nào? Đồ thị ba chiều sau đây minh họa cho sự thay
đổi hệ số ước lượng lợi suất thị trường và hệ số ngành thông qua các mức phân vị khác
nhau của các cổ phiếu thuộc các nhóm ngành trên.

Biểu đồ 3.5, 3.6 và 3.7 dưới đây kết hợp với bảng biểu 3.10, 3.11, 3.12 cho thấy
giá trị beta của các cổ phiếu thuộc các nhóm này phân tán khá rộng.Với các cổ phiếu có
vốn hóa cao thuộc ngành Tài chính, Ngân hàng và Bảo hiểm, giá trị ước lượng hệ số
beta là cao nhất, sau đó là các cổ phiếu có vốn hóa cao ngành Hàng tiêu dùng thiết yếu
và cuối cùng là ngành Bất động sản, Xây dựng. Điều đó có nghĩa là sự phụ thuộc vào
nhân tố thị trường của các cổ phiếu này khá cao. Do tỷ trọng của các cổ phiếu trên vào
lợi suất trung bình của thị trường lớn nên khi thị trường biến động, lợi suất trung bình
của các cổ phiếu này biến động theo. Còn các cổ phiếu có vốn hóa nhỏ, tỷ trọng chiếm
không đáng kể nên sự phụ thuộc của lợi suất vào nhân tố thị trường không rõ nét.
 111

He so beta cua nhom nganh TC, NH va BH ung voi cac muc phan vi khac nhau.

1.8
1.6-1.8
1.6
1.4 1.4-1.6

1.2 1.2-1.4
1 1-1.2
0.8 0.8-1
0.6 0.6-0.8
0.4 0.9 0.4-0.6
0.2 0.6
0.2-0.4
0
0.3 0-0.2
0.05

Hình 3.5. Đồ thị 3 chiều của beta ứng với các mức phân vị khác nhau của các cổ phiếu
nhóm ngành Tài chính, Ngân hàng và Bảo hiểm.
Nguồn: Tính toán của tác giả.

Gia tri beta cua cac co phieu nhom nganh Bat dong san ung voi cac muc phan vi khac
nhau.

0.8
0.7 0.7-0.8
0.6 0.6-0.7
0.5
0.4 0.5-0.6
0.3 0.4-0.5
0.2
0.1 0.3-0.4
0 0.8
0.2-0.3
0.6
0.4 0.1-0.2

0.2 0-0.1

0.05

Hình 3.6. Đồ thị 3 chiều của hệ số beta ứng với các mức phân vị khác nhau của các cổ
phiếu nhóm ngành Bất động sản.
Nguồn: Tính toán của tác giả.
 112

He so beta cua cac co phieu nhom nganh Hang Tieu dung thiet yeu ung voi cac muc
phan vi khac nhau

1.2
1
1-1.2
0.8
0.8-1
0.6
0.6-0.8
0.4
0.4-0.6
0.2 0.9
0.2-0.4
0 0.6
ACL

0-0.2
AGF

0.3
ANV
BBC
BHS
FMC
HVG
ICF
KDC
LAF
LSS
MSN
0.05

SBT
TS4
VCF
VNM
Hình 3.7. Đồ thị 3 chiều của beta ứng với các mức phân vị khác nhau của các cổ phiếu
nhóm ngành Hàng tiêu dùng thiết yếu.
Nguồn: Tính toán của tác giả.
Hình 3.8, 3.9, 3.10 minh họa mức độ phụ thuộc vào nhân tố ngành của các cổ
phiếu thuộc ba nhóm ngành trên. Kết hợp với bảng biểu 3.11, 3.12, 3.13 cho thấy hệ
số ước lượng cho nhân tố ngành của ba nhóm ngành trên biến đổi qua các mức phân
vị. Hệ số ước lượng cho nhân tố ngành của các cổ phiếu có vốn hóa cao thuộc nhóm
ngành Bất động sản, Xây dựng có giá trị cao nhất, cụ thể các cổ phiếu như ITA,
HAR, KBC tiếp theo là nhóm ngành Tài chính, Ngân hàng và Bảo hiểm, cuối cùng
là nhóm ngành Hàng tiêu dùng thiết yếu. Đối với các cổ phiếu có vốn hóa thấp, sự
phụ thuộc vào nhân tố ngành của các cổ phiếu trong ba nhóm ngành đều tương
đương nhau, không có sự khác biệt rõ nét. Hơn nữa ta cũng thấy rằng, hầu hết lợi
suất các cổ phiếu phụ thuộc cùng chiều với chính ngành đó.
Như vậy, trong trường hợp thị trường chứng khoán biến động, các cổ phiếu
có vốn hóa cao phụ thuộc nhiều vào nhân tố ngành, đặc biệt là các cổ phiếu có vốn
hóa cao ngành Bất động sản, Xây dựng. Đối với các cổ phiếu có vốn hóa thấp, mức
độ phụ thuộc yếu hơn các cổ phiếu có vốn hóa cao.
 113

Chi so nganh c ua cac co phieuthuoc nhom nganh Tai chinh, NH v aBH voi cac
muc phan vi khac nhau

1
0.8
0.8-1
0.6
0.6-0.8
0.4
0.4-0.6
0.2
0.9 0.2-0.4
0
0.6
0-0.2
0.3
0.05

Hình 3.8. Đồ thị 3 chiều của chỉ số ngành ứng với các mức phân vị khác nhau của các
cổ phiếu nhóm ngành Tài chính, Ngân hàng và Bảo hiểm.
Nguồn: Tính toán của tác giả.

Gia tri beta cua cac co phieu nhom nganh Bat dong san ung voi cac muc phan vi
khac nhau.

1.6
1.4 1.4-1.6

1.2 1.2-1.4
1 1-1.2
0.8 0.8-1
0.6 0.6-0.8
0.4 0.4-0.6
0.2 0.2-0.4
0.9
0 0-0.2
0.6
ASM
BIC
DIG

-0.2
DXG
HAG
IJC

0.3 -0.2-0
ITA
ITC
KBC
KDH
KHA
NTL
PXL
QCG
SJS

0.05
SZL
TDC
TDH
VIC
VPH
HAR

Hình 3.9. Đồ thị 3 chiều của chỉ số ngành ứng với các mức phân vị khác nhau của các
cổ phiếu nhóm ngành Bất động sản-Xây dựng.
Nguồn: Tính toán của tác giả.
 114

Chi so nganh cua cac co phieu nganh hang tieu dung thiet yeu ung voi cac muc phan
vi khac nhau

0.6 0.5-0.6
0.5 0.4-0.5
0.4 0.3-0.4
0.3
0.2-0.3
0.2 0.9
0.1-0.2
0.1 0.6
0-0.1
0 0.3
-0.1 -0.1-0
0.05

Hình 3.10. Đồ thị 3 chiều của chỉ số ngành ứng với các mức phân vị khác nhau của
các cổ phiếu nhóm ngành Hàng tiêu dùng thiết yếu.
Nguồn: Tính toán của tác giả.

Điều này có thể lý giải là: trên thực tế, nhóm ngành Bất động sản, Xây dựng
nằm trong nhóm ngành hoạt động có tính chu kỳ. Các cổ phiếu thuộc nhóm ngành
này chịu ảnh hưởng lớn bởi các thay đổi trong chu kỳ kinh tế hoặc các thay đổi
trong giá cả. Vì vậy sự phụ thuộc của các cổ phiếu của nhóm này vào nhân tố ngành
là cao nhất.
Đối với nhóm ngành Tài chính, Ngân hàng và Bảo hiểm và Hàng Tiêu dùng
thiết yếu – đây là nhóm các ngành cơ bản. Các công ty thuộc ngành này ít chịu ảnh
hưởng bởi các chu kỳ kinh doanh thông thường. Do đó sự phụ thuộc vào nhân tố
ngành của các cổ phiếu của hai nhóm ngành này ít hơn nhóm ngành Bất động sản,
Xây dựng.
 115

Kết luận chương 3

Chương này đầu tiên xem xét phản ứng khác nhau của các cổ phiếu nhóm
VN30 và VNSMALL trong trường hợp thị trường ổn định và trường hợp thị
trường biến động mạnh thông qua mô hình CAPM với phương pháp ước lượng
hồi quy phân vị. Kết quả thực nghiệm cho thấy rằng khi thị trường tăng mạnh
hay giảm mạnh hệ số beta của những cổ phiếu có vốn hóa nhỏ VNSMALL
thay đổi mạnh hơn so với những cổ phiếu có vốn hóa lớn VN30. Điều này
hàm ý rằng khi thị trường không ổn định, sự thay đổi mức độ rủi ro ở những
cổ phiếu nhỏ diễn ra nhanh hơn nên chúng chỉ phù hợp cho những danh mục
đầu tư ngắn hạn và độ rủi ro khi đầu tư vào cổ phiếu của nhóm này cao hơn.
Những phân tích này phù hợp với quy luật vận động của các cổ phiếu trên
TTCK Việt nam. Đây cũng là một bằng chứng để xác thực cho giả thiết vốn
đã tồn tại là: các cổ phiếu thuộc lớp cổ phiếu VNSMALL luôn luôn biến đổi
bất thường và đột ngột khi thị trường tài chính có những cú sốc dương hoặc
sốc âm. Điều này có thể lý giải bởi lý do đơn giản là do nhữ ng cổ phiếu này
có vốn hóa thấp nên các nhà đầu tư lớn dễ thao túng và đầu cơ, kèm theo tâm
lý bầy đàn của nhữ ng nhà đầu tư nhỏ nên độ biến động các cổ phiếu thuộc
dạng này thay đổi mạnh mẽ hơn so với thị trường chung trong trường hợp thị
trường tài chính không ổn định. Còn các cổ phiếu của nhóm VN30, đây là lớp
cổ phiếu có vốn hóa lớn, nên việc đầu cơ và thao túng khó khăn nên trong
trường hợp thị trường bị sốc thông tin, những cổ phiếu này ổn định hơn các
cổ phiếu trong nhóm VNSMALL.
Sau khi đưa thêm hai yếu tố, đó là quy mô vốn và giá trị sổ sách thông qua
mô hình Fama-French. Kết quả phân tích thực nghiệm cho các cổ phiếu ngành
Tài chính, Ngân hàng và Bảo hiểm, ngành Bất động sản, Xây dựng và ngành
Hàng Tiêu dùng thiết yếu trong cả hai trường hợp cho thấy các nhân tố quy mô
vốn hóa và nhân tố giá trị ghi sổ không thực sự ảnh hưởng tới sự biến động của
lợi suất cổ phiếu khi thị trường ổn định cũng như khi thị trường có các cú sốc.
 116

Các nhân tố thực sự ảnh hưởng tới các cổ phiếu này là nhân tố thị trường và
nhân tố ngành.
Cụ thể, kết quả thực nghiệm cho thấy rằng, với các cổ phiếu có vốn hóa cao
thuộc ngành Tài chính, Ngân hàng và Bảo hiểm, giá trị ước lượng hệ số beta là cao
nhất, sau đó là các cổ phiếu có vốn hóa cao ngành Hàng tiêu dùng thiết yếu và cuối
cùng là ngành Bất động sản, Xây dựng. Nghĩa là sự phụ thuộc vào nhân tố thị trường
của các cổ phiếu này khá cao. Lý do là tỷ trọng của các cổ phiếu trên vào lợi suất trung
bình của thị trường lớn nên khi thị trường biến động, lợi suất trung bình của các cổ
phiếu này biến động theo. Còn các cổ phiếu có vốn hóa nhỏ, tỷ trọng chiếm không
đáng kể nên sự phụ thuộc của lợi suất vào nhân tố thị trường không rõ nét.
Ngoài ra, hệ số ước lượng cho nhân tố ngành của các cổ phiếu có vốn hóa
cao thuộc nhóm ngành Bất động sản, Xây dựng có giá trị cao nhất, cụ thể các cổ
phiếu như ITA, HAR, KBC…Sau đó là các cổ phiếu thuộc nhóm ngành Tài chính,
Ngân hàng và Bảo hiểm, cuối cùng là các cổ phiếu thuộc nhóm ngành Hàng tiêu
dùng thiết yếu. Đối với các cổ phiếu có vốn hóa thấp, sự phụ thuộc vào nhân tố
ngành của các cổ phiếu trong ba nhóm ngành đều tương đương nhau, không có sự
khác biệt rõ nét. Hơn nữa ta cũng thấy rằng, hầu hết lợi suất các cổ phiếu phụ thuộc
cùng chiều với chính ngành đó. Trên thực tế, nhóm ngành Bất động sản, Xây dựng
nằm trong nhóm ngành hoạt động có tính chu kỳ. Các cổ phiếu thuộc nhóm ngành
này chịu ảnh hưởng lớn bởi các thay đổi trong chu kỳ kinh tế hoặc các thay đổi
trong giá cả. Thực tế, sản phẩm của nhóm này chịu nhiều tác động của các chính
sách vĩ mô nên tăng giảm tương đối đồng đều với chỉ số ngành. Vì vậy sự phụ thuộc
của các cổ phiếu của nhóm này vào nhân tố ngành là cao nhất.
Đối với nhóm ngành Tài chính, Ngân hàng và Bảo hiểm và Hàng Tiêu dùng
thiết yếu – đây là nhóm các ngành cơ bản. Các công ty thuộc ngành này ít chịu ảnh
hưởng bởi các chu kỳ kinh doanh thông thường. Riêng nhóm ngành hàng Tiêu dùng
thiết yếu sản phẩm đa dạng nên khái niệm ngành không rõ nét, không có xu hướng
chung. Do đó sự phụ thuộc vào nhân tố ngành của các cổ phiếu của hai nhóm ngành
này ít hơn nhóm ngành Bất động sản, Xây dựng.
 117

MỘT SỐ KHUYẾN NGHỊ VÀ HÀM Ý CHÍNH SÁCH

Dự báo xu hướng lợi suất (xu hướng giá) và phân tích rủi ro khi đầu tư là hai
phạm trù luôn tồn tại song song không chỉ trong lĩnh vực đầu tư chứng khoán mà ở
hầu hết mọi lĩnh vực đầu tư khác. Trên cơ sở áp dụng hai phương pháp Thống kê
Toán học là phương pháp hàm phân vị và hồi quy phân vị trong phân tích đầu tư
chứng khoán, luận án đưa ra một số khuyến nghị như sau:
Thứ nhất, việc tiếp cận mô hình hàm phân vị cho dự báo xu hướng giá tốt hơn
so với mô hình dự báo khác khi phương sai sai số có điều kiện thay đổi. Điều đó thể
hiện qua kết quả ở chương 2, cụ thể các cổ phiếu CTG, EIB, MSN, BIC, BMI, HCM,
OGC cho sai số dự báo MAPE khá thấp, kết quả dự báo khá chính xác, xu hướng dự
báo trong cả thời kỳ quan sát phù hợp với xu hướng chung của thực tế.
Thứ hai, kết quả tiếp cận mô hình hàm phân vị còn cho chúng ta một chuỗi
dữ liệu về hệ số . Như vậy trong ngắn hạn các nhà phân tích đầu tư có thể dùng hệ
số để nhận dạng xu hướng thị trường trong ngày tiếp theo. Thông tin này sẽ hỗ trợ
cho việc ra quyết định mua vào hay bán ra một cổ phiếu nào đó trong danh mục đầu
tư. Khi phân tích và đầu tư cổ phiếu, nếu , nhà đầu tư nên thận trọng hơn
trong việc đầu tư (nắm giữ) cổ phiếu này, nếu , nhà đầu tư nên mạnh dạn hơn
trong việc ra quyết định đầu tư với các cổ phiếu này. Cụ thể, các cổ phiếu EIB,
MSN, OGC, BIC, trong hầu hết các giai đoạn, xu hướng của tham số trong
nhiều giai đoạn. Do đó nhà đầu tư cần phải thận trọng hơn trong việc đầu tư các cổ
phiếu này. Với các cổ phiếu còn lại như CTG, VCB, BMI,...xu hướng của tham số
trong nhiều giai đoạn, chứng tỏ đây là những cổ phiếu tương đối ổn định nên
nhà đầu tư nên có kế hoạch tập trung hơn khi đầu tư vào nhóm cổ phiếu này.
Thứ ba, từ kết quả của chương 3 ta nhận thấy trong trường hợp thị trường
biến động mạnh, những cổ phiếu có vốn hóa lớn như CTG, DPM, EIB, FPT,
GMD, KDC, MSN, PPC, PVD, STB, VCB, VIC, VNM ...phù hợp cho những nhà
đầu tư ít thích mạo hiểm và có phù hợp cho việc đầu tư (nắm giữ) dài hạn. Những
cổ phiếu có vốn hóa nhỏ như AAM, ABT, ACC, CLC, CCI, CMX, DAG, DSN,
ELC, GMC, HTI, HVX, KSB, PJT, RAL, RDP,LIX, LAF...có độ rủi ro cao hơn
 118

phù hợp cho những nhà đầu tư thích mạo hiểm và phù hợp cho việc đầu tư (nắm
giữ) ngắn hạn.
Cuối cùng, luận án thêm nhân tố ngành. Kết quả thực nghiệm phân tích trên
ba nhóm ngành Tài chính, Ngân hàng và Bảo hiểm, nhóm ngành Bất động sản và
Xây dựng, nhóm ngành Hàng Tiêu dùng Thiết yếu. Kết quả cho rằng, với những cổ
phiếu vốn hóa cao và có giá trị ghi sổ cao, các cổ phiếu của ba nhóm ngành này phụ
thuộc nhiều vào nhân tố thị trường và nhân tố ngành. Mức độ phụ thuộc vào nhân tố
thị trường của nhóm Tài chính, Ngân hàng và Bảo hiểm là cao nhất. Mức độ phụ
thuộc ngành của nhóm Bất động sản và Xây dựng là cao nhất. Với những cổ phiếu
có vốn hóa thấp, sự phụ thuộc vào hai nhân tố này yếu hơn, hoặc trong trường hợp
thị trường tăng mạnh hoặc trong trường hợp thị trường giảm mạnh.
Việc phân tích ngành nhằm giúp cho nhà đầu tư thấy rõ những lợi thế hoặc rủi ro có
thể gặp khi ra các quyết định đầu tư. Mỗi ngành thường có những đặc điểm riêng về
mặt kinh tế hoặc kỹ thuật, có những yêu cầu khác nhau về vốn hoặc công nghệ hoặc
có những chu kỳ phát triển nhất định...Chu kỳ kinh doanh và hoạt động kinh doanh
của ngành có ảnh hưởng lớn đến hiệu quả kinh doanh. Nếu một công ty hoạt động
kinh doanh trong một ngành kém phát triển thì cũng khó có triển vọng đầu tư đem
lại hiệu quả cao. Các doanh nghiệp kinh doanh trong các ngành khác nhau thì có
mức doanh lợi khác nhau và mức rủi ro khác nhau. Vì thế nhà đầu tư cũng cần có sự
theo dõi, phân tích ngành để đưa ra các quyết định đầu tư phù hợp.
 119

KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO

1. Kết luận
Luận án “Phân tích đầu tư chứng khoán trên thị trường chứng khoán Việt
nam bằng phương pháp thống kê phân vị” đã thực hiện được mục tiêu nghiên cứu
thông qua việc trả lời nội dung câu hỏi đã được đặt ra trong phần mở đầu:
- Thứ nhất, luận án đã tổng quan các các hướng nghiên cứu về phân tích và đầu
tư chứng khoán và các nghiên cứu của phương pháp thống kê phân vị trong phân tích
đầu tư chứng khoán.
- Thứ hai, luận án đề xuất một cách tiến cận mới trong phân tích và dự báo
chuỗi thời gian thông qua mô hình hàm phân vị, sử dụng phần mềm Maple để viết
chương trình ước lượng các tham số trong mô hình này. Từ đó nghiên cứu cung cấp
cho các nhà đầu tư một công cụ mới để dự báo xu hướng giá (lợi suất) cũng như xu
hướng và độ biến động cổ phiếu thông qua mô hình hóa tính chất đuôi phân phối.
Đồng thời, kết quả nghiên cứu sẽ giúp cho nhà đầu tư cũng như các nhà hoạch định
chính sách sẽ nhận định được mức lợi nhuận và sự biến động của thị trường để đưa
ra quyết định đúng đắn trong việc nắm giữ các loại cổ phiếu.
- Thứ ba, kết quả phân tích thực nghiệm cho thấy khi mô hình hàm phân vị
cho kết quả phân tích trực quan thông qua hai tham số của mô hình: tham số cân
bằng đuôi mô tả xu hướng của cổ phiếu và tham số điều khiển - mô tả độ biến
động của cổ phiếu. Hơn nữa, kết quả dự báo trong mẫu cho thấy rằng, dự báo theo
mô hình hàm phân vị cho xu hướng biến đổi phù hợp với giá thực tế cũng như sai số
tuyệt đối phần trăm (MAPE) của lợi suất nhỏ hơn so với mô hình dự báo khác. Như
vậy có thể sử dụng cách tiếp cận này để xây dựng chương trình dự báo xu hướng giá
thông qua một phần mềm. Phần mềm này sẽ được cung cấp cho các công ty chứng
khoán, công ty quản lý quỹ, công ty đầu tư tài chính và các nhà phân tích đầu tư như
một công cụ hỗ trợ cho việc dự báo xu hướng giá bên cạnh các phần mềm phân tích kỹ
thuật hiện nay.
- Thứ tư, luận án đã đã trình bày một cách có hệ thống cơ sở lý thuyết của
phương pháp thống kê hồi quy phân vị, đây là điều mà cho đến nay có rất ít có tác giả
 120

Việt Nam thực hiện mặc dù phương pháp này hiện nay được ứng dụng khá nhiều ở
Việt Nam. Sau đó sử dụng phương pháp hồi quy phân vị để ước lượng hệ số bêta
trong mô hình CAPM. Các phân tích được thực hiện với dữ liệu là nhóm các cổ
phiếu có vốn hóa lớn VN30 và nhóm các cổ phiếu có vốn hóa nhỏ VNSMALL trên
thị trường chứng khoán Việt Nam.
Khi xét nhóm cổ phiếu thuộc ba ngành Tài chính, Ngân hàng và Bảo hiểm,
nhóm Bất động sản, Xây dựng, nhóm Hàng tiêu dùng thiết yếu, luận án mở rộng mô
hình CAPM bằng cách đưa thêm 2 nhân tố quy mô vốn và giá trị sổ sách vào mô
hình – đây chính là mô hình Fama-French. Kết quả cho thấy rằng khi thị trường ổn
định cũng như biến động, lợi suất cổ phiếu không phụ thuộc vào quy mô vốn cũng
như giá trị công ty. Cuối cùng, nghiên cứu bổ sung nhân tố ngành vào mô hình Fama-
French, kết quả cho thấy rằng trong trường hợp thị trường ổn định cũng như bất ổn,
lợi suất cổ phiếu phụ thuộc vào lợi suất thị trường cũng như yếu tố ngành. Mức độ
phụ thuộc vào nhân tố thị trường và nhân tố ngành nhiều hay ít còn do đặc thù của
ngành quyết định.
- Thứ năm, luận án đã nêu ra một số khuyến nghị định hướng cho nhà đầu tư
và nhà quản lý chứng khoán khi đầu tư vào thị trường chứng khoán Việt Nam. Gắn
với việc xác định hệ số với tính tỷ lệ margin trong đòn bẩy tài chính. Từ tính toán
này, cho ta được một hạn mức hợp lý cho các công ty chứng khoán trong việc điều
chỉnh tỷ lệ margin của các cổ phiếu trong trường hợp thị trường chứng khoán có
những biến động bất thường.
2. Đề xuất các hướng nghiên cứu tiếp theo
Để tiếp tục tìm hiểu và đánh giá ngày càng đầy đủ về phân tích và đầu tư chứng
khoán trên thị trường chứng khoán Vệt Nam, tác giả xin đề xuất một số hướng nghiên
cứu trong tương lai có thể thực hiện với một số nội dung chính như sau:
-Thứ nhất, nghiên cứu này đã sử dụng phương pháp hợp lý cực đại để ước
lượng các tham số trong mô hình hàm phân vị. Tuy nhiên ngoài phương pháp này,
còn có thể sử dụng các phương pháp ước lượng khác như phương pháp hợp lý
Monte Carlo (Monte Carlo likehood method), các phương pháp mô phỏng như:mô
phỏng hợp lý cực đại (SML-Simulated Maximum Likehood), mô phỏng hàm sinh
 121

moment (GMM- General Method Moment)...những phương pháp này có thể tăng
tốc độ tính toán của mô hình.
- Thứ hai, khi sử dụng hàm phân vị, nghiên cứu chỉ mới dừng lại ở việc phân
tích và dự báo giá cổ phiếu và chưa đánh giá được rủi ro ở đuôi phân phối. Do đó
hướng nghiên cứu tiếp theo là sau khi phân tích và dự báo giá của cổ phiếu ta có thể
ước lượng mức độ rủi ro khi đầu tư vào các cổ phiếu tương ứng thông qua mô hình
hàm phân vị.
- Thứ ba là khi nghiên cứu về rủi ro trên thị trường chứng khoán Việt Nam
thông qua việc sử dụng mô hình hồi quy phân vị để ước lượng các tham số trong
các mô hình phân tích và định giá tài sản tài chính như CAPM, Fama-French,
Fama-French với yếu tố ngành...nghiên cứu chỉ mới dừng lại ở việc đánh giá tác
động của các nhân tố như lợi suất thị trường, quy mô vốn, giá trị sổ sách và yếu tố
ngành đến lợi suất của cổ phiếu khi thị trường chứng khoán ổn định và bất ổn. Như
vậy ta có thể mở rộng thêm ảnh hưởng của các yếu tố vĩ mô: lạm phát, GDP, khối
lượng giao dịch của mỗi cố phiếu....
- Thứ tư cần nghiên cứu sâu hơn nữa hàm phân vị và hồi quy phân vị để tính
VaR theo các mức phân vị. Từ đó tùy thuộc diễn biến thị trường mà có thể khuyến
nghị mức tổn thất có thể xảy ra khi nắm giữ danh mục đầu tư.
Như vậy, những kết quả luận án sẽ góp phần bổ sung cho các nghiên cứu về
phân tích đầu tư trên thị trường chứng khoán Việt Nam nói riêng và thị trường tài
chính Việt Nam nói chung được phong phú hơn để ngày càng hội nhập với các
nghiên cứu của khu vực và thế giới.
 122

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ

1. Phạm Lệ Mỹ (2015), “Phân tích đầu tư trên thị trường chứng khoán Việt
nam với hồi quy phân vị”, Tạp chí Khoa học Đại học Huế, Chuyên san Khoa
học Tự nhiên, T.110, S.11, trang 181-190.
2. Phạm Lệ Mỹ (2016), “Ứng dụng mô hình Fama-French với yếu tố ngành cho
các cổ phiếu trên sàn Hose – tiếp cận từ phương pháp hồi quy phân vị”, Tạp
chí Kinh tế và Phát triển, số 224(II) tháng 2 năm 2016,trang42-53.
3. Phạm Lệ Mỹ, Nguyễn Thị Liên (2016), “Mô hình Fama -French cho danh
mục các cổ phiếu trên sàn HOSE – với phương pháp ước lượng hồi quy phân
vị”,Tạp chí Khoa học Đại học Huế, Chuyên san Kinh tế và Phát triển, T118,
số 4, trang 145-157.
4. Phạm Lệ Mỹ (2016), “Phân tích và dự báo xu hướng giá của một số cổ phiếu
trên sàn HOSE- tiếp cận từ mô hình hàm phân vị”, Tạp chí Kinh tế và Phát
triển,số 226(II), trang 124-134.
5. Phạm Lệ Mỹ (2014), “Hàm phân vị và ứng dụng trong phân tích đầu tư trên
thị trường chứng khoán Việt nam, Đề tài NCKH cấp Đại học Huế, 2013-
2014, Mã số DHH 2013- 01-39.
6. Phạm Lệ Mỹ (2013), “Về phương pháp hồi quy phân vị và ứng dụng”, Kỷ
yếu hội thảo Khoa học quốc gia: Đào tạo và ứng dụng toán học trong kinh tế
xã hội, Nhà xuất bản Đại học Kinh tế Quốc dân, trang 187-193.
7. Ph ạ m L ệ M ỹ (2014), “ Về hàm phân vị và ứng dụng”, K ỷ y ế u h ộ i
th ả o Tài chính và đị nh l ượ ng, trang 251-258.
8. Trần Trọng Nguyên, Phạm Lệ Mỹ, (2015), “Phương pháp hồi quy phân vị
với phân tích đầu tư chứng khoán”, Kỷ yếu Hội thảo Khoa học Quốc gia,
Đổi mới Đào tạo Thống kê theo định hướng nghiên cứu và ứng dụng, Khoa
Thống kê, Nhà xuất bản ĐH Kinh tế quốc dân Hà nội, trang 276-284.
 123

DANH MỤC TÀI LIỆU THAM KHẢO

Tài liệu tham khảo Tiếng Việt:
1. Dương Văn Khánh, Dương Thị Mai Phương (2015), “Kiểm định mô hình
CAPM với các cổ phiếu trên sàn HOSE”, Tạp chí Kinh tế và dự báo, số 14,
trang 41-43.
2. Hoàng Đình Tuấn (2010), Mô hình phân tích và định giá tài sản tài chính,
Tập 1,2, Nhà xuất bản Khoa học và Kỹ thuật.
3. Hoàng Đức Mạnh (2013), Một số mô hình đo lường rủi ro trên thị trường
chứng khoán Việt Nam, Luận án Tiến sĩ Kinh tế, Đại học Kinh tế Quốc dân.
4. Hoàng Dương Việt Anh, Đặng Hữu Mẫn, (2011), “Chất lượng dự báo rủi ro
thị trường của các mô hình giá trị chịu rủi ro – nghiên cứu thực nghiệm trên
danh mục chỉ số VN-index”, Tạp chí Nghiên cứu Kinh tế, số 397, trang 19-27.
5. Hồng Anh (2001), Phân tích và Đầu tư chứng khoán, Nhà xuất bản Thống kê.
6. Lê Thị Mai Linh (2009), Giáo trình Phân tích và đầu tư chứng khoán, Nhà
xuất bản chính trị quốc gia.
7. Nguyễn Đăng Nam, Hoàng Văn Quỳnh (2009), Giáo trình Phân tích và Đầu
tư chứng khoán, Nhà xuất bản Tài chính.
8. Nguyễn Ngọc Vũ (2010), Tính toán hệ số beta của một số công ty niêm yết
trên sàn Giao dịch chứng khoán Hà Nội, Luận văn Thạc sĩ Kinh tế, Đại học
Kinh tế Thành Phố Hồ Chí Minh.
9. Nguyễn Quang Dong (2010), Phân tích chuỗi thời gian trong tài chính, Nhà
xuất bản Khoa học và kỹ thuật.
10. Nguyễn Quang Dong, Nguyễn Thị Minh (2013), Giáo trình kinh tế
lượng,NXB Đại học Kinh tế quốc dân.
11. Nguyễn Thị Thanh Nghĩa (2007), Các giải pháp nhằm hạn chế rủi ro trên
thị trường chứng khoán Việt Nam, Luận văn Thạc sĩ Kinh tế, Đại học Kinh tế
Thành Phố Hồ Chí Minh.
 124

12. Nguyễn Thu Thủy (2015), ”Cấu trúc và mức độ phụ thuộc giữa thị trường
chứng khoán Việt Nam và một số thị trường thế giới – Tiếp cận bằng phương
pháp hồi quy phân vị”, Tạp chí Kinh tế và Phát triển, số 2016, trang 48-56.
13. Phan Ngọc Hùng (2007), Xây dựng và quản lý danh mục đầu tư trên thị
trường chứng khoán Việt Nam” , Luận văn Thạc sĩ Kinh tế, Đại học Kinh tế
Thành Phố Hồ Chí Minh.
14. Phạm Đan Khánh (2014), “Bức tranh lợi nhuận của hệ thống ngân hàng năm
2014: Thế nào?”, Tạp chí Kinh tế và Dự báo, 7, 33-35.
15. Trần Chung Thủy (2010), “Khai thác thông tin về hệ số rủi ro beta để phân
tích hành vi định giá cổ phiếu trên thị trường chứng khoán Việt Nam giai
đoạn 2000-2010”, Tạp chí kinh tế và phát triển, số 159(II), 27-36.
16. Trần Minh Ngọc Diễm (2008), “Ứng dụng các lý thuyết tài chính hiện đại
trong việc đo lường rủi ro của các chứng khoán niêm yết tại Sở Giao dịch
chứngkhoán Thành phố Hồ Chí Minh”, Luận văn Thạc sĩ Kinh tế, Đại học
Kinh tế Thành Phố Hồ Chí Minh.
17. Trần Sỹ Mạnh, Đỗ Khắc Hưởng(2013), “Đo lường sự dao động của chỉ số
chứng khoán Vn-Index thông qua mô hình Garch”,Tạp chí Khoa học Học
viện ngân hàng, số 130 (I), p.10-16.
18. Trần Thị Bích Ngọc(2015), “Kiểm định mô hình định giá tài sản vốn
(CAPM) đối với cổ phiếu niêm yết trên Sở Giao dịch chứng khoán Thành
phố Hồ Chí Minh”, Tạp chí Khoa học, Đại học Huế, Số 2, trang 101-109.
19. Trần Thị Hải Lý (2010), “ Mô hình 3 nhân tố của Fama và French hoạt động
như th́ ế nào trên thị trường chứng khoán Việt Nam”,Tạp chí Phát triển Kinh
tế, số 239.
20. Trần Thị Tuấn Anh (2015), “Phân rã chênh lệch tiền lương thành thị - nông
thôn ở Việt Nam bằng phương pháp hồi quy phân vị”, Tạp chí Kinh tế và
Phát triển, số 209,trang 20-29.
21. Trần Trọng Nguyên (2014), “Ước lượng hệ số Fama-French cho các cổ phiếu:
Tiếp cận từ hồi quy phân vị”, Tạp chí Kinh tế và Dự báo, số 17, trang 45-47.
 125

22. Trần Văn Trí (2012), “Ứng dụng mô hình định giá tài sản vốn (CAPM) để
lựa chọn cổ phiếu đầu tư”, Tạp chí Công nghệ ngân hàng, số 76, trang 50-54.
23. Trương Đông Lộc, Trần Thị Hạnh Phúc (2011), “Kiểm định mối quan hệ giữa
lợi nhuận và rủi ro của các cổ phiếu niêm yết trên Sở Giao dịch Chứng khoán
Thành phố Hồ Chí Minh”, Tạp chí Phát triển Kinh tế, số 251, trang 2-8.
24. Trương Đông Lộc, Dương Thị Hoàng Trang (2014), “ Mô hình 3 nhân tố
Fama – French: các bằng chứng thực nghiệm từ Sở Giao dịch chứng khoán
Thành phố Hồ Chí Minh”, Tạp chí Khoa học Trường Đại học Cần Thơ, 32,
trang 61-68.
25. Trương Văn Khánh (2015), “Kiểm định mô hình CAPM với các cổ phiếu
trên sàn HOSE”, Tạp chí Kinh tế và Dự báo, Số 14, trang 41-43.
26. Võ Xuân Vinh, Nguyễn Thị Kim Ngân (2011), “Sự biến động lợi nhuận cổ
phiếu trên thị trường chứng khoán Việt nam”, Tạp chí Phát triển Khoa học
và Công nghệ, Số 3, T. 14-18.
27. Vương Quân Hoàng (2004), ”Hiệu ứng Garch trên dãy lợi suất: thị trường
chứng khoán Việt nam 2000-2003”, Tạp chí Ứng dụng toán học, tập II, số 1.
28. Vương Đức Hoàng Quân, Hồ Thị Huệ, ” Mô hình Fama-French: Một nghiên
cứu thực nghiệm đối với thị trường chứng khoán Việt Nam”, Tạp chí Ngân
hàng, 22,trang 38-45.
Tài liệu tham khảo Tiếng Anh
29. A. Farber, Nguyen V.H. and Vuong Q.H. (2006), “Policy Impacts on
Vietnam Stock Market: A Case of Anomalies and Disequilibria 2000-2006”,
available at: http://ssrn.com/abstract=1442382.
30. Alfred Cowles (1944), Stock Market Forecasting,Econometrica12 (3–4):
206–214, doi:10.2307/1905433. JSTOR 1905433.
31. Andreas Charitou, Eleni Constantinidis, Christodoulos Louca, “The relation
between changes in the information content of earnings and expected stock
returns: empirical evidence for Japan”, Investment Management and
Financial Innovations, Volume 9, Issue 1, 2012.
 126

32. Bachelier L.,Samuelson P. A., Davis M., Etheridge, A. (2006), “Louis

Bachelier's Theory of Speculation: the Origins of Modern Finance”,
Princeton NJ: Princeton University Press, ISBN 978-0-691-11752-2.
33. Bachelier Louis (1900), Théorie de la spéculation, Annales Scientifiques de
l’Ecole Normale Supérieure, pp 21–86 , Translated into English with
additional commentary and background, Bachelier et al. 2006.
34. Barnes, Michelle and Hughes, Anthony (Tony) W.A. 2002, Quantile
regression analysis of the cross section of stock market returns, November.
Available at SSRN: http://ssrn.com/abstract=458522, ngày truy cập
15/12/2014.
35. Bassett, G.W., Jr. and. Chen, H. L. 2001, ‘Portfolio style: return-based
attribution using quantile regression’, Empirical Economics, vol. 26, March,
pp. 293–305.
36. Buchinsky, M., Leslie, P., (1997), “Educational attainment and the changing
U.S. wage structure: Some dynamic implications”, Working Paper no. 97-13,
Department 36 of Economics, Brown University.
37. Cont,R. (2005),“Volatility Clustering in Financial Markets Empiricial Facts
and Agent_Based Models, Long Memory in Economics”, Springer NewYork.
38. Cristina Davino, Marilena Furno and Domenico Vistocco (2014), “Quantile
Regression: Theory and Application”, Wiley Series in Probability and
Statistics.
39. David E. Allen and Abhay Kumar Singh (2009), Minimizing Loss at Times of
Financial Crisis: Quantile Regression as a Tool for Portfolio Investment
Decisions.
40. David E. Allen and Abhay Kumar Singh (2009), “Minimizing Loss at Times
of Financial Crisis: Quantile Regression as a Tool for Portfolio Investment
Decisions”, Working Paper No.0912, Available at SSRN:
http://ssrn.com/abstract=1967312.
 127

41. David E. Allen, Abhay Kumar Singh and Robert Powell (2009), “Asset
Pricing, the Fama-French Factor Model and the Implications of Quantile
Regression Analysis”, Working Paper No.0911, Available at
SSRN:http://ssrn.com/abstract=1460470.
42. Deng, S.J. and Jiang,W.J. (2004), “Quantile-Based Probabilistic Models with
an Application in Modeling Electricity Prices. Modeling Prices in
Competitive Electricity Markets”, 161–176, Wiley, NewYork.
43. Fama, E. (1965),“The Behavior of Stock Market Prices”, Journal of
Business, No 38, 34-105.
44. Graham Benjamin, David Dodd (1996), Security Analysis: The Classic 1934
Edition,McGraw-Hill. ISBN 0070244960.
45. Graham Benjamin,Jason Zweig(2003)[1949],The Intelligent Investor,
HarperCollins front coverISBN 0-06-055566-1.
46. Kapil Choudhary& Sakshi Choudhary, “Testing Capital Asset Pricing
Model: Empirical Evidences from Indian Equity Market”,Eurasian Journal
of Business and Economics 2010, 3 (6), 127-138.
47. Kendall, M. G.; Bradford Hill, A (1953). "The Analysis of Economic Time-
Series-Part I: Prices". Journal of the Royal Statistical Society, Series A.
Blackwell Publishing. 116 (1): 11–34. doi:10.2307/2980947.
JSTOR 2980947.
48. Koenker, Roger W. 2005, Quantile regression, Cambridge University Press.
49. Kolani Pamane & Anani Ekoue Vikpossi, An Analysis of the Relationship
between Risk and Expected Return in the BRVM Stock Exchange: Test of
the CAPM, Research in World Economy, Vol. 5, No. 1, 2014, p.13-28.
50. Lingxin Hao, Daniel Q. Naiman,Quantile Regression, Sage Publications, 149.
51. Macaulay, F. (1938), The Movements of Interest Rates. Bond Yields and
Stock Prices in the United States since 1856, New York: National Bureau of
Economic Research.
 128

52. Philip A. Fisher (1958), “Common Stocks and Uncommon Profits”, Harper
& Brothers; Revised edition (December 1960).
53. Robert Faff, “An Examination of the Fama and French Three-Factor Model
Using Commercially Available Factors”, Australian Journal of Management,
Volume 26 No. 1 (2001), p. 1-17.
54. Roger Koenker , Quantile regression in R: Avignette, Available: cran:
http://cran.r-project.org. Truy cập vào 20/4/2014.
55. Ruey S.Tsay, Analysis of Time Series, John Wiley&Sons, Inc.
56. S. McNees, “Forecasting Accuracy of Alternative Techniques: A
Comparison of U.S. Macroeconomic Forecasts”, Journal of Business and
Economic Statistics , vol. 4, 1996, p5-15.
57. Shi-Jie Deng và Wenjiang (2002), “An Inverse-Quantile Function Approach
for Modelling Electricity Price”, Proceeding of 35th Hawaii International
Conference on System Science 2002.
58. Sidney S. Alexander (1964), The Random Character of Stock Market Prices,
Cambridge MA: MIT Press, 1964.
59. T. Kinal & J. B. Ratner, “Regional Forecasting Models with Vector
Autoregression: The Case of New York State”, Albany University Press,
vol. 155, 1982.
60. Taylor, S.J. (1986),Modeling Financial Time Series, Wiley, Chichester.
61. Warren G. Gilchrist (2000), Statistical Modelling with Quantile Functions,
Chapman & Hall/CRC.
62. Wenjiang Jiang, Zhenyu Wu and Gemai Chen(2008), “A new quantile
function based model for modeling price behaviors in financial markets”,
Statistics and Its Interface Volume1, p. 327–332.
63. William J. O'Neil (2004),How to Make Money in Stocks: Desk Diary 2005,
Wiley Spiral edition, ISBN 978-0-471-68053-6.
 129

CÁC TRANG WEB BỔ SUNG

64. www.cophieu68.com Truy cập vào ngày 20/4/2016,
65. www.fpts.com.vnTruy cập vào ngày 20/4/2016; 30/11/2016; 02/03/2016.
66. http://www.mathworks.comTruy cập vào ngày 20/4/2016,02/03/2016.
67. www.vndirect.com.vn
 130

PHỤ LỤC
PHỤ LỤC 1. MỘT SỐ MÔ HÌNH PHÂN TÍCH VÀ DỰ BÁO
1. Mô hình ARIMA
a. Quá trình tự hồi quy AR
Quá trình tự hồi quy bậc , ký hiệu , có dạng như sau:

trong đó là nhiễu trắng.

Điều kiện để quá trình dừng là nghiệm của phương trình đặc trưng nằm
trong vòng tròn đơn vị.
b. Quá trình trung bình trượt
Quá trình trung bình trượt bậc , ký hiệu , có dạng như sau :

trong đó là nhiễu trắng.

Điều kiện để chuỗi khả nghịch là hay nghiệm của
phương trình đặc trưng nằm trong vòng tròn đơn vị.
c. Quá trình trung bình trượt và tự hồi quy ARMA
Có thể kết hợp cả hai mô hình tự hồi quy và trung bình trượt để dự báo, và mô
hình như vậy được gọi là mô hình trung bình trượt tự hồi quy ARMA.
là quá trình n ếu có thể biểu diễn dưới dạng :

trong đó là nhiễu trắng.

d. Quá trình trung bình trượt, tích hợp, tự hồi quy ARIMA
Một chuỗi thời gian có thể dừng hoặc không dừng. Chuỗi không dừng được gọi
là tích hợp bậc 1, ký hiệu , nếu sai phân bậc nhất là chuỗi dừng. Chuỗi được gọi
là tích hợp bậc , nếu sai phân bậc là một chuỗi dừng, ký hiệu là . Nếu
thì chuỗi xuất phát là chuỗi dừng.
Nếu chuỗi tích hợp bậc , áp dụng mô hình cho chuỗi sai phân
b ậc thì có quá trình .
Như vậy, là quá trình nếu có thể biểu diễn dưới dạng :
 131

trong đó là nhiễu trắng .

2. Các mô hình phương sai có điều kiện thay đổi
a. Mô hình ARCH
Năm 1982 Engel đã đề xuất mô hình ARCH. Đây là mô hình đầu tiên đưa ra cơ
sở lý thuyết để mô hình hóa rủi ro.
Mô hình có dạng:

(1.4)
(1.5)

(1.6)

(1.7)

• là biến ngẫu nhiên độc lập có cùng phân phối với kỳ vọng bằng 0 và
phương sai bằng 1.
• Các hệ số phải thỏa mãn một số điều kiện nhất định sao cho phương
sai không điều kiện là hữu hạn.
• đặc trưng cho các cú sốc đối với lợi suất tài sản ở thời điểm t, thường
được giả thiết là có phân bố chuẩn hóa hoặc phân bố Student.
• (1.4) được gọi là phương trình trung bình đối với ; (1.6) được gọi là
phương trình phương sai hay còn gọi là phương trình độ rủi ro đối với .

b. Mô hình GARCH
Năm 1986, Bollerslev đã mở rộng mô hình ARCH và đặt tên mô hình ARCH
tổng quát (GARCH). Mô hình GARCH đã khắc phục được nhược điểm phải ước
lượng nhiều tham số trong mô hình ARCH.
Mô hình có dạng:
 132

Trong đó:

• là các biến ngẫu nhiên độc lập, cùng phân phối.

Mô hình trên được gọi là mô hình ARCH tổng quát, ký hiệu là

, vớ i là độ dài của trễ đối ứng với ; là độ dài của trễ ứng với
.
c. Mô hình TGARCH
Mô hình có dạng như sau:

Với

trong đó
• là các tham số không âm, thỏa mãn các giả thiết của mô hình
GARCH;
• Những tin tức tốt , những tin tức xấu có ảnh hưởng khác
nhau đến phương sai có điều kiện. Nếu đóng góp một lượng vào .
N ếu đóng góp một lượng vào . N ếu thì khi
sẽ đóng góp lớn hơn so với .
 133

PHỤ LỤC 2: CƠ SỞ TOÁN HỌC CỦA HỆ PHƯƠNG TRÌNH VI PHÂN PHI

TUYẾN.

Để ước lượng các tham số trong mô hình (2.1), nghiên cứu đã sử dụng phương pháp
ước lượng hợp lý cực đại. Các tham số trong mô hình là . Tuy nhiên
do là hàm hợp của , là hàm hợp của nên các
tham số trong mô hình trên sẽ là .

Xét bài toán tổng quát

Đặt

Suy ra

hay ta có thể viết dưới dạng truy hồi .

Và do đó có thể viết lại là

Hay

Trong (2.6), chọn giá trị ban đầu , trong (2.7) chọn giá trị ban đầu
và áp dụng công thức truy hồi trên ta có đạo hàm riêng của theo và , đạo hàm
riêng của theo và .
 134

Từ định nghĩa của :

ta có thể viết lại .

Do đó

Giải hệ phương trình vi phân trong (2.1.4) thay bởi và đạo hàm riêng của
theo ta được kết quả ở dạng hiển như đã trình bày.
 135

PHỤ LỤC 3

CHƯƠNG TRÌNH ƯỚC LƯỢNG CÁC THAM SỐ

TRONG MÔ HÌNH (2.2)

Với phần mềm Maple, tác giả đã viết chương trình để ước lượng các tham số trong
mô hình (2.2) cho các cổ phiếu CTG, VCB, EIB, DPM, PVD, MSN.

>
136
 137

>

>

>

>

>
 138

PHỤ LỤC 4
KẾT QUẢ ƯỚC LƯỢNG CÁC CỔ PHIẾU CTG, VCB, EIB, DPM,
PVD, MSN THEO MÔ HÌNH PHƯƠNG SAI CÓ ĐIỀU KIỆN
THAY ĐỔI
Dependent Variable: D(LOG(CTG))
Method: ML – ARCH
Date: 04/11/16 Time: 10:49
Sample (adjusted): 2 1050
Included observations: 1049 after adjustments
Convergence achieved after 47 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0) +
C(5)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C -0.000471 0.000520 -0.905812 0.3650

Variance Equation

C 1.83E-05 1.90E-06 9.642175 0.0000

RESID(-1)^2 0.213813 0.033367 6.407912 0.0000
RESID(-1)^2*(RESID(-1)<0) -0.106603 0.033566 -3.175879 0.0015
GARCH(-1) 0.819469 0.017619 46.50943 0.0000

R-squared -0.000527 Mean dependent var -5.62E-06

Adjusted R-squared -0.000527 S.D. dependent var 0.020288
S.E. of regression 0.020293 Akaike info criterion -5.110672
Sum squared resid 0.431570 Schwarz criterion -5.087051
Log likelihood 2685.547 Hannan-Quinn criter. -5.101715
Durbin-Watson stat 1.991270

Dependent Variable: D(LOG(EIB))

Method: ML – ARCH
Date: 04/11/16 Time: 10:23
Sample (adjusted): 7 1050
Included observations: 1044 after adjustments
Convergence achieved after 55 iterations
MA Backcast: 4 6
Presample variance: backcast (parameter = 0.7)
GARCH = C(9) + C(10)*RESID(-1)^2 + C(11)*RESID(-1)^2*(RESID(-1)<0) +
C(12)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C -0.000133 0.000342 -0.387648 0.6983

AR(1) -0.803048 0.041695 -19.26008 0.0000
AR(2) -0.898942 0.028826 -31.18489 0.0000
AR(4) -0.160525 0.041757 -3.844237 0.0001
AR(5) -0.104172 0.029648 -3.513630 0.0004
MA(1) 0.753415 0.047823 15.75427 0.0000
MA(2) 0.797658 0.045964 17.35390 0.0000
MA(3) -0.207353 0.047597 -4.356439 0.0000
 139

Variance Equation

C 2.95E-05 3.81E-06 7.749659 0.0000

RESID(-1)^2 0.354259 0.044521 7.957158 0.0000
RESID(-1)^2*(RESID(-1)<0) -0.106030 0.051599 -2.054878 0.0399
GARCH(-1) 0.614607 0.028000 21.95016 0.0000

R-squared 0.002309 Mean dependent var -0.000334

Adjusted R-squared -0.004432 S.D. dependent var 0.016888
S.E. of regression 0.016926 Akaike info criterion -5.589614
Sum squared resid 0.296792 Schwarz criterion -5.532708
Log likelihood 2929.779 Hannan-Quinn criter. -5.568031
Durbin-Watson stat 1.734172

Inverted AR Roots .27-.44i .27+.44i -.39 -.48-.87i

-.48+.87i
Inverted MA Roots .21 -.48-.88i -.48+.88i

Dependent Variable: D(LOG(VCB))

Method: ML – ARCH
Date: 04/11/16 Time: 10:15
Sample (adjusted): 6 1050
Included observations: 1045 after adjustments
Convergence achieved after 25 iterations
MA Backcast: 2 5
Presample variance: backcast (parameter = 0.7)
GARCH = C(10) + C(11)*RESID(-1)^2 + C(12)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000244 0.000616 0.395446 0.6925

AR(1) 0.546835 0.024478 22.34018 0.0000
AR(2) -1.026073 0.026406 -38.85816 0.0000
AR(3) 0.700378 0.023498 29.80567 0.0000
AR(4) -0.751803 0.031681 -23.73056 0.0000
MA(1) -0.509093 0.004238 -120.1338 0.0000
MA(2) 1.003880 0.025716 39.03710 0.0000
MA(3) -0.683285 0.017566 -38.89904 0.0000
MA(4) 0.709883 0.022981 30.89031 0.0000

Variance Equation

C 4.42E-05 9.27E-06 4.770879 0.0000

RESID(-1)^2 0.147976 0.025791 5.737624 0.0000
GARCH(-1) 0.760313 0.033956 22.39118 0.0000

R-squared 0.013097 Mean dependent var 0.000709

Adjusted R-squared 0.005476 S.D. dependent var 0.021019
S.E. of regression 0.020961 Akaike info criterion -4.961062
Sum squared resid 0.455183 Schwarz criterion -4.904199
Log likelihood 2604.155 Hannan-Quinn criter. -4.939496
Durbin-Watson stat 2.020596

Inverted AR Roots .58+.64i .58-.64i -.31+.95i -.31-.95i

Inverted MA Roots .57+.63i .57-.63i -.31+.95i -.31-.95i
 140

Dependent Variable: D(LOG(DPM))

Method: ML – ARCH
Date: 04/12/16 Time: 17:14
Sample (adjusted): 7 1050
Included observations: 1044 after adjustments
Convergence achieved after 20 iterations
MA Backcast: 2 6
Presample variance: backcast (parameter = 0.7)
GARCH = C(10) + C(11)*RESID(-1)^2 + C(12)*RESID(-1)^2*(RESID(-1)<0)
+ C(13)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000344 0.000435 0.789954 0.4296

AR(1) 0.029820 0.013694 2.177638 0.0294
AR(2) -0.965806 0.020718 -46.61622 0.0000
AR(4) -0.619912 0.021744 -28.50994 0.0000
AR(5) -0.411668 0.012940 -31.81437 0.0000
MA(1) -0.009361 0.000894 -10.46729 0.0000
MA(2) 1.013077 0.001082 936.4869 0.0000
MA(4) 0.642787 0.007480 85.93489 0.0000
MA(5) 0.377864 0.005360 70.49266 0.0000

Variance Equation

C 9.67E-06 1.87E-06 5.177027 0.0000

RESID(-1)^2 0.215013 0.028275 7.604441 0.0000
RESID(-1)^2*(RESID(-1)<0) -0.166251 0.029654 -5.606465 0.0000
GARCH(-1) 0.848803 0.015989 53.08637 0.0000

R-squared 0.019637 Mean dependent var 0.000194

Adjusted R-squared 0.012060 S.D. dependent var 0.017380
S.E. of regression 0.017275 Akaike info criterion -5.452984
Sum squared resid 0.308869 Schwarz criterion -5.391336
Log likelihood 2859.458 Hannan-Quinn criter. -5.429603
Durbin-Watson stat 2.123020

Inverted AR Roots .56+.76i .56-.76i -.31-.95i -.31+.95i

-.47
Inverted MA Roots .53+.77i .53-.77i -.31-.95i -.31+.95i
-.43

Dependent Variable: D(LOG(PVD))

Method: ML - ARCH (Marquardt) - Normal distribution
Date: 04/23/16 Time: 17:52
Sample (adjusted): 7 1050
Included observations: 1044 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 2 6
Presample variance: backcast (parameter = 0.7)
GARCH = C(12) + C(13)*RESID(-1)^2 + C(14)*GARCH(-1)
 141

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000342 0.000721 0.474078 0.6354

AR(1) 0.989283 0.038403 25.76087 0.0000
AR(2) -0.269170 0.044260 -6.081567 0.0000
AR(3) 0.816234 0.033028 24.71331 0.0000
AR(4) -0.985971 0.032908 -29.96139 0.0000
AR(5) 0.079911 0.034600 2.309582 0.0209
MA(1) -0.935285 0.011791 -79.32311 0.0000
MA(2) 0.216181 0.027069 7.986368 0.0000
MA(3) -0.841469 0.024408 -34.47558 0.0000
MA(4) 0.981876 0.002135 459.8088 0.0000
MA(5) -0.037565 0.001037 -36.22418 0.0000

Variance Equation

C 0.000144 2.83E-05 5.092937 0.0000

RESID(-1)^2 0.233240 0.033926 6.874917 0.0000
GARCH(-1) 0.519466 0.069604 7.463127 0.0000

R-squared 0.020544 Mean dependent var -0.000211

Adjusted R-squared 0.011063 S.D. dependent var 0.024299
S.E. of regression 0.024164 Akaike info criterion -4.682830
Sum squared resid 0.603181 Schwarz criterion -4.616440
Log likelihood 2458.437 Hannan-Quinn criter. -4.657650
Durbin-Watson stat 1.962361

Inverted AR Roots .92-.37i .92+.37i .09 -.47-.85i

-.47+.85i
Inverted MA Roots .93+.36i .93-.36i .04 -.48+.86i
-.48-.86i

Dependent Variable: D(LOG(MSN))

Method: ML – ARCH
Date: 04/11/16 Time: 10:45
Sample (adjusted): 3 1050
Included observations: 1048 after adjustments
Convergence achieved after 49 iterations
MA Backcast: 1 2
Presample variance: backcast (parameter = 0.7)
GARCH = C(5) + C(6)*RESID(-1)^2 + C(7)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C -0.000528 0.000364 -1.448352 0.1475

AR(1) 0.890794 0.046460 19.17354 0.0000
MA(1) -0.848065 0.058245 -14.56026 0.0000
MA(2) -0.078145 0.034662 -2.254495 0.0242

Variance Equation

C 3.01E-05 5.91E-06 5.093498 0.0000

RESID(-1)^2 0.128288 0.020845 6.154447 0.0000
GARCH(-1) 0.787689 0.029071 27.09550 0.0000
 142

R-squared 0.012950 Mean dependent var -0.000171

Adjusted R-squared 0.010113 S.D. dependent var 0.018697
S.E. of regression 0.018602 Akaike info criterion -5.211520
Sum squared resid 0.361271 Schwarz criterion -5.178426
Log likelihood 2737.836 Hannan-Quinn criter. -5.198970
Durbin-Watson stat 1.985420

Inverted AR Roots .89

Inverted MA Roots .93 -.08
 143

PHỤ LỤC 5
CHƯƠNG TRÌNH ƯỚC LƯỢNG HỒI QUY PHÂN VỊ BẰNG
PHẦN MỀM R
library("quantreg")
mydata = read.csv
attach(mydata)
x <- cbind(HIEU_VNINDEX)
y <- cbind(Hieu_BRC)
plot(x, y, type = "n", ylab = "Lợi suất BRC", xlab = "Lợi suất thị trường")
points(x, y, col = "blue")
abline(rq(y ~ x, tau = 0.5), col = "red")
taus <- c(0.01,0.05,0.25,0.75,0.95,0.99)
for (i in 1:length(taus)) {
abline(rq(y ~ x, tau = taus[i]), col = "gray")
}
%Vẽ khoảng ước lượng của beta ứng với mô hình hồi quy phân vị
library("quantreg")
mydata = read.csv
attach(mydata)
x <- cbind(HIEU_VNINDEX)
y <- cbind(Hieu_DRC)
plot(x, y, type = "n", ylab = "Lợi suất DRC", xlab = "Lợi suất thị trường")
points(x, y, col = "blue")
abline(rq(y ~ x, tau = 0.5), col = "blue")
abline(lm(y ~ x), lty = 2, col = "red")
taus <- c(0.05, 0.1, 0.25, 0.75, 0.9, 0.95)
for (i in 1:length(taus)) {
abline(rq(y ~ x, tau = taus[i]), col = "gray")
}
qr = summary(rq(y~x,tau = taus,data=mydata))
plot(qr)
 144

PHỤ LỤC 6
KẾT QUẢ ƯỚC LƯỢNG MÔ HÌNH CAPM BẰNG
PHƯƠNG PHÁP ƯỚC LƯỢNG HỒI QUY PHÂN VỊ
Quantile Process Estimates
Equation: CTG_PV
Specification: CTG C VNINDEX
Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.02016 0.002557 -7.883579 0

0.1 -0.015815 0.002064 -7.663859 0
0.2 -0.012014 0.001499 -8.014011 0
0.3 -0.010293 0.001478 -6.963701 0
0.4 -0.008631 0.001619 -5.329894 0
0.5 -0.006037 0.001676 -3.601739 0.0003
0.6 -0.002279 0.001693 -1.345943 0.1786
0.7 0.00246 0.00206 1.194165 0.2327
0.8 0.012466 0.001727 7.220056 0
0.9 0.024949 0.002909 8.575763 0
0.95 0.030262 0.002423 12.49084 0
0.99 0.035723 0.006756 5.28759 0
VNINDEX 0.05 1.157597 0.079195 14.61709 0
0.1 1.073522 0.06866 15.63528 0
0.2 0.980742 0.052614 18.64037 0
0.3 0.913764 0.050323 18.15801 0
0.4 0.850722 0.052044 16.34628 0
0.5 0.846803 0.051248 16.52377 0
0.6 0.867178 0.049456 17.53445 0
0.7 0.898463 0.056609 15.87134 0
0.8 1.019273 0.04193 24.30868 0
0.9 1.137741 0.061743 18.42713 0
 145

0.95 1.023437 0.093356 10.96276 0

0.99 0.60437 0.216928 2.786034 0.0054
Quantile Process Estimates

Equation: UNTITLED
Specification: DPM C VNINDEX
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.019772 0.002587 -7.641868 0

0.1 -0.011986 0.001336 -8.968682 0
0.2 -0.009414 0.001208 -7.791512 0
0.3 -0.007453 0.001376 -5.416815 0
0.4 -0.004595 0.001504 -3.054705 0.0023
0.5 -0.002442 0.001553 -1.572785 0.116
0.6 0.001926 0.001767 1.089842 0.276
0.7 0.00578 0.001697 3.405186 0.0007
0.8 0.011804 0.001736 6.799101 0
0.9 0.02188 0.002133 10.25851 0
0.95 0.029729 0.001857 16.01294 0
0.99 0.035428 0.005597 6.329408 0
VNINDEX 0.05 1.058828 0.058267 18.17203 0
0.1 1.110087 0.041793 26.56135 0
0.2 1.002932 0.040253 24.91592 0
0.3 0.956373 0.044154 21.65996 0
0.4 0.957936 0.046859 20.44296 0

0.5 0.950041 0.047029 20.20101 0

0.6 0.99253 0.050905 19.49752 0
0.7 1.024732 0.048198 21.26099 0
0.8 1.08525 0.047125 23.02923 0
0.9 1.138628 0.055285 20.59544 0
0.95 1.214227 0.046741 25.97804 0
0.99 0.960253 0.183899 5.221642 0
Quantile Process Estimates
 146

Equation: UNTITLED
Specification: DRC C VNINDEX
Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.062747 0.004556 -13.77251 0

0.1 -0.042102 0.003472 -12.12514 0
0.2 -0.030528 0.002884 -10.58508 0
0.3 -0.025726 0.002489 -10.33624 0
0.4 -0.0226 0.002103 -10.74672 0
0.5 -0.018858 0.002167 -8.703298 0
0.6 -0.01329 0.002412 -5.510496 0
0.7 -0.007703 0.003155 -2.441934 0.0148
0.8 0.001002 0.00391 0.256189 0.7978
0.9 0.013375 0.002669 5.011594 0
0.95 0.016596 0.001713 9.686359 0
0.99 0.029506 0.004724 6.245389 0
VNINDEX 0.05 0.353046 0.095527 3.695777 0.0002
0.1 0.526798 0.083799 6.286471 0
0.2 0.497387 0.091478 5.437233 0
0.3 0.429948 0.080089 5.368358 0
0.4 0.387318 0.064086 6.043725 0
0.5 0.406963 0.065524 6.21086 0
0.6 0.463144 0.071247 6.500527 0
0.7 0.473498 0.09542 4.962267 0

0.8 0.51083 0.112915 4.524013 0

0.9 0.370548 0.10067 3.680817 0.0002
0.95 0.065373 0.05713 1.144295 0.2527
0.99 0.173639 0.093235 1.862367 0.0628
Quantile Process Estimates
Equation: UNTITLED
Specification: EIB C VNINDEX
Estimated equation quantile tau = 0.5
 147

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.028424 0.001931 -14.72009 0

0.1 -0.024845 0.001223 -20.31519 0
0.2 -0.022319 0.001397 -15.97979 0
0.3 -0.021349 0.001471 -14.51214 0
0.4 -0.019724 0.00142 -13.88914 0
0.5 -0.01832 0.001316 -13.91685 0
0.6 -0.015895 0.001294 -12.28764 0
0.7 -0.012727 0.001339 -9.502303 0
0.8 -0.008906 0.001498 -5.944341 0
0.9 0.003099 0.002399 1.291701 0.1967
0.95 0.014543 0.003122 4.658549 0
0.99 0.026592 0.022697 1.171607 0.2416
VNINDEX 0.05 0.739695 0.065252 11.336 0
0.1 0.663312 0.039757 16.68398 0
0.2 0.590166 0.049091 12.02177 0
0.3 0.503283 0.050576 9.951121 0
0.4 0.459374 0.046755 9.825078 0
0.5 0.429866 0.041439 10.37349 0
0.6 0.439643 0.039508 11.12782 0
0.7 0.452077 0.039176 11.5397 0
0.8 0.469241 0.042065 11.1551 0
0.9 0.619492 0.055198 11.22316 0
0.95 0.727747 0.07828 9.296677 0

0.99 0.542506 0.917561 0.591248 0.5545

Quantile Process Estimates
Equation: UNTITLED
Specification: FPT C VNINDEX
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients
 148

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.02364 0.001478 -15.99875 0

0.1 -0.018454 0.000965 -19.13206 0
0.2 -0.016451 0.001082 -15.21139 0
0.3 -0.014413 0.001291 -11.1682 0
0.4 -0.012184 0.001427 -8.535912 0
0.5 -0.009955 0.001502 -6.627603 0
0.6 -0.007312 0.00152 -4.810145 0
0.7 -0.003896 0.001573 -2.476662 0.0134
0.8 0.002794 0.001898 1.47205 0.1413
0.9 0.015405 0.002054 7.501389 0
0.95 0.025311 0.003389 7.467859 0
0.99 0.056725 0.009271 6.118714 0
VNINDEX 0.05 0.872665 0.030133 28.96077 0
0.1 0.861186 0.03146 27.37368 0
0.2 0.74499 0.035876 20.76595 0
0.3 0.718622 0.041467 17.33012 0
0.4 0.699472 0.044395 15.75548 0
0.5 0.699906 0.045896 15.2498 0
0.6 0.718774 0.045003 15.97174 0
0.7 0.739785 0.044472 16.63477 0
0.8 0.840813 0.049724 16.90954 0
0.9 1.016632 0.046344 21.93671 0
0.95 1.04433 0.092519 11.28776 0
0.99 1.404034 0.285818 4.912338 0
Quantile Process Estimates
Equation: UNTITLED
Specification: GMD C VNINDEX
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

 149

C 0.05 -0.018701 0.002617 -7.145296 0

0.1 -0.015418 0.001997 -7.720744 0
0.2 -0.009902 0.001732 -5.716928 0

0.3 -0.00581 0.001692 -3.43453 0.0006

0.4 -0.0017 0.001879 -0.904681 0.3658
0.5 0.001705 0.002103 0.810871 0.4176
0.6 0.006371 0.002141 2.975158 0.003
0.7 0.01086 0.002011 5.400892 0
0.8 0.017233 0.002581 6.677724 0
0.9 0.031539 0.003874 8.140284 0
0.95 0.046608 0.007061 6.601096 0
0.99 0.046378 0.005791 8.009079 0
VNINDEX 0.05 1.382847 0.086694 15.95098 0
0.1 1.260139 0.06899 18.26551 0
0.2 1.154326 0.055292 20.87681 0
0.3 1.108084 0.051283 21.6071 0
0.4 1.10609 0.05789 19.10684 0
0.5 1.086651 0.065219 16.66166 0
0.6 1.108902 0.06482 17.10745 0
0.7 1.112584 0.058971 18.86676 0
0.8 1.126583 0.070657 15.94433 0
0.9 1.211363 0.106197 11.40675 0
0.95 1.280962 0.204541 6.26261 0
0.99 0.604442 0.233658 2.586864 0.0098
Quantile Process Estimates
Equation: UNTITLED
Specification: MSN C VNINDEX
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.021172 0.002137 -9.909196 0

0.1 -0.015733 0.001964 -8.009871 0
0.2 -0.010572 0.002101 -5.031734 0
 150

0.3 -0.009466 0.001817 -5.210148 0

0.4 -0.005363 0.001944 -2.759108 0.0059
0.5 -0.002704 0.002125 -1.272801 0.2033

0.6 0.001466 0.002191 0.669201 0.5035

0.7 0.007246 0.002262 3.202851 0.0014
0.8 0.014734 0.00195 7.554431 0
0.9 0.028008 0.003326 8.420639 0
0.95 0.036357 0.003275 11.10286 0
0.99 0.030646 0.003951 7.757014 0
VNINDEX 0.05 1.230693 0.061748 19.93098 0
0.1 1.220701 0.058435 20.88983 0
0.2 1.090724 0.07513 14.51787 0
0.3 0.960404 0.059535 16.1317 0
0.4 0.96898 0.06065 15.97654 0
0.5 0.935569 0.064551 14.49339 0
0.6 0.967037 0.065177 14.83702 0
0.7 1.027975 0.064487 15.94083 0
0.8 1.08608 0.054132 20.06369 0
0.9 1.145738 0.078323 14.62841 0
0.95 1.120622 0.115521 9.700561 0
0.99 0.470919 0.153836 3.061181 0.0023
Quantile Process Estimates
Equation: UNTITLED
Specification: PPC C VNINDEX
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.032527 0.00452 -7.195538 0

0.1 -0.019467 0.002621 -7.428547 0
0.2 -0.010517 0.002478 -4.244619 0
0.3 -0.007266 0.001806 -4.022982 0.0001
0.4 -0.00268 0.001841 -1.455385 0.1458
0.5 0.000998 0.001974 0.505432 0.6134
 151

0.6 0.006038 0.002121 2.847398 0.0045

0.7 0.014579 0.002228 6.54235 0
0.8 0.023374 0.002589 9.029759 0

0.9 0.033605 0.002524 13.31543 0

0.95 0.037579 0.003333 11.27465 0
0.99 0.050981 0.017339 2.940182 0.0033
VNINDEX 0.05 1.054499 0.122302 8.622059 0
0.1 1.148515 0.068563 16.75125 0
0.2 1.130565 0.08261 13.6856 0
0.3 1.047721 0.055672 18.81937 0
0.4 1.063617 0.055223 19.26046 0
0.5 1.036705 0.056971 18.19705 0
0.6 1.075306 0.058888 18.26029 0
0.7 1.186061 0.059489 19.93753 0
0.8 1.252236 0.069888 17.91779 0
0.9 1.222384 0.07887 15.49878 0
0.95 1.050887 0.134527 7.811703 0
0.99 0.808039 0.573525 1.408901 0.1591
Quantile Process Estimates
Equation: UNTITLED
Specification: PVD C VNINDEX
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.018388 0.00222 -8.283144 0

0.1 -0.013095 0.002163 -6.05541 0

0.2 -0.008408 0.001602 -5.248772 0
0.3 -0.004424 0.001607 -2.752697 0.006
0.4 -0.0017 0.001724 -0.986445 0.3241
0.5 0.002066 0.001701 1.214947 0.2246
0.6 0.006267 0.001877 3.338305 0.0009
0.7 0.013571 0.001846 7.35034 0
0.8 0.01889 0.002296 8.228133 0
 152

0.9 0.028185 0.002801 10.06258 0

0.95 0.040903 0.003716 11.00777 0
0.99 0.053126 0.007961 6.672958 0

VNINDEX 0.05 1.278543 0.063928 19.99969 0

0.1 1.267442 0.069396 18.26388 0
0.2 1.1759 0.051321 22.91271 0
0.3 1.151712 0.051568 22.33379 0
0.4 1.105312 0.053611 20.61733 0
0.5 1.102394 0.049666 22.19599 0
0.6 1.122386 0.052937 21.20228 0
0.7 1.197639 0.050067 23.92079 0
0.8 1.19097 0.06891 17.28296 0
0.9 1.205092 0.075326 15.99825 0
0.95 1.342889 0.090172 14.89261 0
0.99 1.078602 0.263866 4.087692 0
Quantile Process Estimates
Equation: UNTITLED
Specification: STB C VNINDEX
Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.037992 0.003143 -12.08728 0

0.1 -0.02767 0.001852 -14.94293 0
0.2 -0.022043 0.001714 -12.85829 0
0.3 -0.017463 0.001867 -9.35183 0

0.4 -0.015344 0.001679 -9.14111 0

0.5 -0.013779 0.001795 -7.676971 0
0.6 -0.00886 0.002175 -4.074445 0
0.7 -0.00502 0.002432 -2.064121 0.0392
0.8 0.003023 0.002635 1.147103 0.2516
0.9 0.01936 0.002704 7.158488 0
0.95 0.024759 0.003019 8.201075 0
0.99 0.026139 0.003581 7.300268 0
 153

VNINDEX 0.05 0.706546 0.089493 7.894954 0

0.1 0.773764 0.052207 14.82106 0
0.2 0.722464 0.052202 13.83983 0

0.3 0.697456 0.062796 11.10675 0

0.4 0.652652 0.053902 12.10807 0
0.5 0.605667 0.056313 10.75533 0
0.6 0.646735 0.065646 9.851829 0
0.7 0.638431 0.072649 8.787895 0
0.8 0.704477 0.069388 10.15275 0
0.9 0.832742 0.078231 10.64468 0
0.95 0.671247 0.118858 5.647484 0
0.99 0.26639 0.120025 2.219459 0.0266
Quantile Process Estimates
Equation: UNTITLED
Specification: VCB C VNINDEX
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.011333 0.001736 -6.529333 0

0.1 -0.009785 0.001468 -6.665987 0
0.2 -0.002908 0.001622 -1.792973 0.0732
0.3 -0.001489 0.00143 -1.041381 0.2979
0.4 0.001004 0.001485 0.676333 0.499
0.5 0.003486 0.001456 2.393449 0.0168
0.6 0.008224 0.001603 5.130313 0

0.7 0.011992 0.001614 7.430521 0

0.8 0.017909 0.001836 9.75409 0
0.9 0.030282 0.003813 7.94272 0
0.95 0.036765 0.0023 15.9864 0
0.99 0.037223 0.003509 10.60669 0
VNINDEX 0.05 1.33096 0.0639 20.82884 0
0.1 1.243975 0.046739 26.61524 0
0.2 1.252285 0.052335 23.92828 0
 154

0.3 1.180975 0.045883 25.73887 0

0.4 1.151725 0.046161 24.94995 0
0.5 1.141784 0.043652 26.15667 0

0.6 1.190274 0.046038 25.85429 0

0.7 1.206702 0.045629 26.44582 0
0.8 1.239289 0.051056 24.27311 0
0.9 1.343473 0.108098 12.42834 0
0.95 1.261689 0.076467 16.4998 0
0.99 0.708596 0.173292 4.08902 0
Quantile Process Estimates
Equation: UNTITLED
Specification: VNM C VNINDEX
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.022974 0.001004 -22.87569 0

0.1 -0.021522 0.001347 -15.9792 0
0.2 -0.019609 0.001309 -14.97673 0
0.3 -0.017477 0.001413 -12.36712 0
0.4 -0.014876 0.001273 -11.68597 0
0.5 -0.013423 0.001287 -10.43141 0
0.6 -0.011412 0.001301 -8.773556 0
0.7 -0.008441 0.001468 -5.749488 0
0.8 -0.001883 0.001925 -0.977996 0.3283
0.9 0.013698 0.002416 5.669119 0

0.95 0.022029 0.002908 7.575889 0

0.99 0.030042 0.006294 4.772995 0
VNINDEX 0.05 0.836165 0.029247 28.59004 0
0.1 0.720133 0.051394 14.01207 0
0.2 0.621644 0.04208 14.77305 0
0.3 0.594189 0.044442 13.37001 0
0.4 0.596172 0.040064 14.88052 0
0.5 0.571192 0.039805 14.34958 0
 155

0.6 0.565326 0.039953 14.14994 0

0.7 0.583576 0.04222 13.82221 0
0.8 0.658969 0.0482 13.67146 0

0.9 0.896593 0.051016 17.57458 0

0.95 0.956083 0.079939 11.96019 0
0.99 0.740723 0.263247 2.813794 0.005
Quantile Process Estimates
Equation: UNTITLED
Specification: AAM C VNINDEX
Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.061044 0.005199 -11.74183 0

0.1 -0.042376 0.004091 -10.35705 0
0.2 -0.032124 0.002207 -14.55527 0
0.3 -0.029325 0.001253 -23.39635 0
0.4 -0.029172 0.000877 -33.27395 0
0.5 -0.031504 0.000946 -33.2992 0
0.6 -0.031504 0.000917 -34.37173 0
0.7 -0.020284 0.001968 -10.30551 0
0.8 -0.005771 0.002994 -1.927637 0.0541
0.9 0.007232 0.003648 1.982783 0.0476
0.95 0.020618 0.005934 3.474555 0.0005
0.99 0.030167 0.007178 4.202885 0
VNINDEX 0.05 0.460125 0.117379 3.920008 0.0001

0.1 0.526629 0.110833 4.75155 0

0.2 0.364283 0.084673 4.302256 0
0.3 0.24754 0.049968 4.953969 0
0.4 0.109051 0.027872 3.912533 0.0001
0.5 1.39E-17 0.029714 4.67E-16 1
0.6 0 0.028869 0 1
0.7 0.208288 0.047666 4.369729 0
0.8 0.423524 0.061223 6.917752 0
 156

0.9 0.416726 0.107967 3.859762 0.0001

0.95 0.452657 0.224391 2.017265 0.0439
0.99 0.022058 0.199842 0.110376 0.9121

Quantile Process Estimates

Equation: UNTITLED
Specification: ACC C VNINDEX
Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.071979 0.006784 -10.60935 0

0.1 -0.045754 0.005378 -8.507473 0
0.2 -0.028257 0.002094 -13.49523 0
0.3 -0.028281 0.001342 -21.07897 0
0.4 -0.031504 0.000894 -35.24015 0
0.5 -0.031504 0.000932 -33.81978 0
0.6 -0.027944 0.000952 -29.36573 0
0.7 -0.015844 0.002358 -6.718291 0
0.8 0.000733 0.002828 0.259225 0.7955
0.9 0.015274 0.004009 3.810079 0.0001
0.95 0.019331 0.002225 8.686391 0
0.99 0.02456 0.004476 5.487651 0
VNINDEX 0.05 0.23096 0.182496 1.265559 0.2059
0.1 0.626807 0.105043 5.967118 0
0.2 0.541059 0.092392 5.856133 0
0.3 0.215464 0.052501 4.10398 0

0.4 5.55E-17 0.026748 2.08E-15 1

0.5 0 0.027877 0 1
0.6 0.085366 0.028012 3.047518 0.0024
0.7 0.306553 0.053388 5.741985 0
0.8 0.539157 0.057776 9.331938 0
0.9 0.467968 0.128679 3.636704 0.0003
0.95 0.220158 0.066064 3.332503 0.0009
0.99 -0.45168 0.207724 -2.17442 0.0299
 157

Quantile Process Estimates

Equation: UNTITLED
Specification: CCI C VNINDEX

Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.083994 0.006182 -13.58775 0

0.1 -0.071311 0.003478 -20.50619 0
0.2 -0.032048 0.002958 -10.835 0
0.3 -0.025636 0.002254 -11.37416 0
0.4 -0.031504 0.001603 -19.65081 0
0.5 -0.031504 0.00167 -18.8609 0
0.6 -0.031504 0.001603 -19.65081 0
0.7 -0.013791 0.003605 -3.825263 0.0001
0.8 -0.001526 0.008284 -0.184198 0.8539
0.9 0.017746 0.004161 4.265191 0
0.95 0.023629 0.005028 4.699772 0
0.99 0.035258 0.003704 9.519831 0
VNINDEX 0.05 0.260157 0.140477 1.85195 0.0643
0.1 0.198324 0.085387 2.322648 0.0204
0.2 0.692337 0.075337 9.189882 0
0.3 0.491606 0.094892 5.180667 0
0.4 1.11E-16 0.051952 2.14E-15 1
0.5 3.70E-32 0.054125 6.83E-31 1
0.6 5.47E-48 0.051952 1.05E-46 1

0.7 0.32095 0.091749 3.498136 0.0005

0.8 0.260227 0.280446 0.927906 0.3536
0.9 0.207885 0.145004 1.433652 0.1519
0.95 -0.158313 0.142133 -1.113835 0.2656
0.99 0.009423 0.105642 0.089196 0.9289
Quantile Process Estimates
Equation: UNTITLED
Specification: DAG C VNINDEX
 158

Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.069181 0.002944 -23.50184 0

0.1 -0.054376 0.006979 -7.790972 0
0.2 -0.025936 0.00251 -10.33197 0
0.3 -0.021343 0.002978 -7.167945 0
0.4 -0.022532 0.002451 -9.19226 0
0.5 -0.031504 0.001799 -17.50916 0
0.6 -0.017783 0.002332 -7.62429 0
0.7 -0.007177 0.002963 -2.422086 0.0156
0.8 0.006059 0.004644 1.304757 0.1922
0.9 0.022791 0.003941 5.782317 0
0.95 0.031911 0.004967 6.424095 0
0.99 0.035023 0.003664 9.558297 0
VNINDEX 0.05 0.306399 0.087489 3.502159 0.0005
0.1 0.47906 0.154627 3.098161 0.002
0.2 0.810741 0.070641 11.47688 0
0.3 0.648918 0.115469 5.619849 0
0.4 0.395105 0.082494 4.789498 0
0.5 2.22E-16 0.05384 4.12E-15 1
0.6 0.338047 0.068784 4.914581 0
0.7 0.486446 0.079581 6.112613 0
0.8 0.546551 0.127105 4.30001 0
0.9 0.521955 0.141436 3.690397 0.0002

0.95 0.458516 0.139163 3.294809 0.001

0.99 0.06357 0.144063 0.441264 0.6591
Quantile Process Estimates
Equation: UNTITLED
Specification: DSN C VNINDEX
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
 159

Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.035827 0.002668 -13.4305 0

0.1 -0.030849 0.001964 -15.71036 0
0.2 -0.029212 0.001265 -23.0952 0
0.3 -0.026669 0.001152 -23.1532 0
0.4 -0.028198 0.001051 -26.82494 0
0.5 -0.031504 0.000958 -32.8882 0
0.6 -0.025381 0.001337 -18.98922 0
0.7 -0.01609 0.001563 -10.29179 0
0.8 -0.011331 0.002039 -5.557992 0
0.9 0.002754 0.003986 0.690885 0.4898
0.95 0.017871 0.00379 4.714721 0
0.99 0.01873 0.00248 7.552609 0
VNINDEX 0.05 0.651575 0.06224 10.46873 0
0.1 0.559547 0.074784 7.482181 0
0.2 0.351033 0.042912 8.180362 0
0.3 0.29531 0.043629 6.768647 0
0.4 0.137008 0.034946 3.920583 0.0001
0.5 5.55E-17 0.030007 1.85E-15 1
0.6 0.149831 0.039471 3.796022 0.0002
0.7 0.317917 0.042362 7.50474 0
0.8 0.332021 0.056853 5.840026 0
0.9 0.455604 0.091464 4.981247 0
0.95 0.562827 0.128228 4.389273 0
0.99 0.090948 0.124022 0.733324 0.4635
Quantile Process Estimates
Equation: UNTITLED
Specification: VNA C VNINDEX
Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

 160

C 0.05 -0.064149 0.003274 -19.59098 0

0.1 -0.054377 0.002901 -18.7454 0

0.2 -0.041422 0.005298 -7.819129 0

0.3 -0.018945 0.002768 -6.844755 0
0.4 -0.016514 0.002936 -5.624973 0
0.5 -0.031504 0.002877 -10.94983 0
0.6 -0.015952 0.003452 -4.621564 0
0.7 0.008896 0.002964 3.001037 0.0027
0.8 0.01783 0.003497 5.098463 0
0.9 0.017284 0.002833 6.100998 0
0.95 0.027155 0.00487 5.576054 0
0.99 0.036566 0.008071 4.530751 0
VNINDEX 0.05 0.488354 0.083991 5.814371 0
0.1 0.546075 0.081149 6.729279 0
0.2 0.642006 0.135059 4.75353 0
0.3 0.886276 0.087471 10.13228 0
0.4 0.625443 0.097954 6.385056 0
0.5 3.33E-16 0.090806 3.67E-15 1
0.6 0.425039 0.104833 4.054437 0.0001
0.7 0.895307 0.073435 12.19178 0
0.8 0.721376 0.136017 5.303573 0
0.9 0.4027 0.097501 4.130224 0
0.95 0.50344 0.144852 3.47556 0.0005
0.99 0.134206 0.27871 0.481526 0.6302
Quantile Process Estimates
Equation: UNTITLED
Specification: CLW C VNINDEX
Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0.8 0.9 0.95 0.99
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.071275 0.005981 -11.91628 0

0.1 -0.058166 0.003566 -16.31281 0
 161

0.2 -0.028996 0.002522 -11.49732 0

0.3 -0.026399 0.001906 -13.85131 0
0.4 -0.031504 0.001274 -24.72506 0

0.5 -0.031504 0.001334 -23.61324 0

0.6 -0.031504 0.001274 -24.72506 0
0.7 -0.009934 0.003382 -2.93696 0.0034
0.8 0.00679 0.003584 1.894458 0.0584
0.9 0.019762 0.003005 6.575355 0
0.95 0.024378 0.004877 4.998341 0
0.99 0.048442 0.005121 9.460074 0
VNINDEX 0.05 0.246395 0.176934 1.392584 0.164
0.1 0.329602 0.084891 3.882648 0.0001
0.2 0.589392 0.077766 7.579053 0
0.3 0.293695 0.074064 3.965396 0.0001
0.4 5.55E-17 0.038571 1.44E-15 1
0.5 1.23E-32 0.040408 3.05E-31 1
0.6 2.74E-48 0.038571 7.10E-47 1
0.7 0.434096 0.080911 5.365132 0
0.8 0.580746 0.098683 5.884962 0
0.9 0.512091 0.087662 5.841663 0
0.95 0.331163 0.136359 2.428618 0.0153
0.99 0.644951 0.130892 4.927338 0
 162

PHỤ LỤC 7
KẾT QUẢ ƯỚC LƯỢNG MÔ HÌNH FAMA-FRENCH VỚI YẾU TỐ
NGÀNH BẰNG PHƯƠNG PHÁP ƯỚC LƯỢNG HỒI QUY PHÂN VỊ
Quantile Process Estimates
Equation: UNTITLED
Specification: AGR C RM_RF SMB
HML NGANH_TCNH
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.06396688 0.007147995 -8.9489261 1.37E-18

0.1 -0.05135184 0.005854926 -8.77070778 6.13E-18
0.2 -0.03599363 0.004777178 -7.53449653 9.76E-14
0.3 -0.03152805 0.004726488 -6.67050353 3.92E-11
0.4 -0.02292108 0.004344401 -5.27600542 1.57E-07
0.5 -0.01718146 0.003788132 -4.53560296 6.33E-06
0.6 -0.01399702 0.003594428 -3.89408941 1.04E-04
0.7 -0.01031293 0.003496295 -2.94967223 0.003244164
0.8 -0.00499464 0.00449993 -1.10993757 0.267253223
0.9 0.001607796 0.005620279 0.286070413 0.774874661
0.95 0.006921538 0.009106315 0.760081125 0.447358702
RM_RF 0.05 0.303901868 0.196386886 1.547465179 0.122020624
0.1 0.402738614 0.179840847 2.239416801 0.025315463
0.2 0.54866186 0.14230199 3.855616221 0.0001217
0.3 0.455327017 0.144561082 3.149720603 1.68E-03
0.4 0.511933268 0.131125668 3.90414229 9.99E-05
0.5 0.511630096 0.116579742 4.388670688 1.24E-05
0.6 0.440816953 0.111356594 3.958606653 7.99E-05
0.7 0.377798491 0.107007314 3.530585671 0.000430704
0.8 0.338366962 0.141744792 2.387156225 0.017136794
0.9 0.1726537 0.171441526 1.007070483 0.31410842
0.95 0.025790942 0.294010478 0.087721166 0.930113256
 163

SMB 0.05 0.177064631 0.176806521 1.001459848 0.316810907

0.1 0.135507828 0.130887077 1.035303344 0.300740472
0.2 0.077179031 0.080690584 0.956481252 0.339026066
0.3 -0.05000071 0.097495905 -0.51284936 0.608153182
0.4 0.101881291 0.100351555 1.015243764 0.310198824
0.5 0.043665112 0.102199758 0.427252601 0.669273699
0.6 -0.00827242 0.100436969 -0.08236433 0.934371042
0.7 -0.13577589 0.091567199 -1.48280056 0.138395788
0.8 -0.08159357 0.102726197 -0.79428199 0.427191809
0.9 0.214355685 0.133774753 1.602362777 0.109344414
0.95 0.284409861 0.267589325 1.062859519 0.288064238
HML 0.05 -0.07814442 0.128690875 -0.60722583 0.543818471
0.1 -0.17706232 0.103346961 -1.71328039 0.086924975
0.2 -0.04744779 0.097193672 -0.48817774 0.625515115
0.3 -0.0864772 0.088772623 -0.97414263 0.330186396
0.4 -0.087726 0.086473967 -1.01447876 0.310563386
0.5 -0.04453631 0.078471386 -0.56754844 5.70E-01
0.6 0.002435771 0.072956559 0.033386589 9.73E-01
0.7 -0.03808861 0.066275681 -0.57469962 5.66E-01
0.8 -0.00031245 0.062866748 -0.00497009 9.96E-01
0.9 -0.10493214 0.076773024 -1.36678405 1.72E-01
0.95 -0.09182413 0.185873578 -0.49401389 6.21E-01
NGANH_TCNH 0.05 0.516916815 0.124829689 4.140976557 3.71E-05
0.1 0.627027304 0.135692954 4.620927526 4.24E-06
0.2 0.594766137 0.085005093 6.996829433 4.39E-12
0.3 0.616718243 0.089292371 6.906729363 8.11E-12
0.4 0.603146135 0.095653218 6.305549832 4.06E-10
0.5 0.53579165 0.087653281 6.112625113 1.33E-09
0.6 0.605470335 0.086294923 7.016291509 3.84E-12
0.7 0.588211794 0.083371736 7.05529023 2.94E-12
0.8 0.623623671 0.098171923 6.35236282 3.03E-10
0.9 0.734612518 0.099428208 7.388371289 2.81E-13
0.95 0.747459311 0.176026385 4.246291319 2.35E-05
Quantile Process Estimates
Equation: UNTITLED
Specification: BVH C RM_RF SMB
HML NGANH_TCNH
 164

Estimated equation quantile tau = 0.5

User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.03069769 0.008630624 -3.55683333 0.000390308

0.1 -0.00657314 0.005414735 -1.21393637 0.225016169
0.2 0.000620739 0.004502397 0.137868567 0.890367935
0.3 0.005387271 0.003668426 1.468550967 0.142222501
0.4 0.011185467 0.003370497 3.318639708 0.000932322
0.5 0.011642593 0.003481337 3.344287835 8.51E-04
0.6 0.020243665 0.003759012 5.385369314 8.73E-08
0.7 0.026881374 0.003560196 7.550532755 8.68E-14
0.8 0.029320334 0.004120944 7.114956289 1.94E-12
0.9 0.043142209 0.005087441 8.480139839 6.67E-17
0.95 0.052544362 0.004239521 12.39393919 3.06E-33
RM_RF 0.05 1.16147107 0.22102685 5.25488678 1.76E-07
0.1 1.570178285 0.158644856 9.897442132 3.08E-22
0.2 1.513981025 0.141044452 10.73407001 1.05E-25
0.3 1.493969049 0.111603153 13.38644128 3.89E-38
0.4 1.530164916 0.102920441 14.86745397 6.13E-46
0.5 1.425554941 0.104268055 13.67202005 1.35E-39
0.6 1.575990951 0.110542294 14.25690473 1.18E-42
0.7 1.63231725 0.106541583 15.32094051 1.94E-48
0.8 1.491841171 0.134820189 11.06541369 3.84E-27
0.9 1.528369055 0.132244876 11.55711363 2.46E-29
0.95 1.55374457 0.114975654 13.51368327 8.76E-39
SMB 0.05 -0.14316533 0.159290541 -0.89876855 0.368960248
0.1 0.001225517 0.112840949 0.010860571 0.991336512
0.2 0.01000747 0.079531822 0.125829762 0.899888226
0.3 0.054364052 0.077290016 0.703377415 0.481960042
0.4 0.105163593 0.069282768 1.517889593 0.129311459
0.5 0.040653396 0.069150617 0.587896364 0.55671492
0.6 0.031284281 0.071615468 0.436836921 0.662309953
0.7 -0.04906844 0.059805737 -0.82046383 0.412118295
 165

0.8 -0.05056633 0.10457876 -0.48352387 0.628813983

0.9 -0.11122838 0.174268039 -0.63826033 0.523428711
0.95 0.114412518 0.219346524 0.521606251 0.602042895
HML 0.05 0.057534234 0.088576703 0.649541384 0.516115566
0.1 0.001411534 0.070932492 0.019899685 0.984126767
0.2 -0.11929456 0.057770138 -2.06498662 0.039143417
0.3 -0.11508632 0.056266924 -2.04536366 0.041041548
0.4 -0.10098694 0.055703659 -1.81293186 0.070097636
0.5 -0.08535783 0.053233379 -1.6034644 0.109101141
0.6 -0.06597472 0.059967497 -1.10017473 0.271481535
0.7 -0.0900707 0.080557825 -1.1180875 0.263758363
0.8 -0.07511867 0.073114542 -1.02741085 0.304438678
0.9 0.054692246 0.100290124 0.545340297 0.585623083
0.95 -0.0072215 0.110713954 -0.06522661 0.948004679
NGANH_TCNH 0.05 0.077819448 0.126742544 0.613996257 0.539336755
0.1 0.071302744 0.111202339 0.641198239 0.521519043
0.2 0.178807603 0.083173999 2.149801676 0.031774716
0.3 0.204915327 0.074262333 2.759344053 0.005881792
0.4 0.189485595 0.074300511 2.550259626 0.010890398
0.5 0.221878549 0.077161241 2.875518152 0.004106492
0.6 0.160960039 0.076227156 2.111583939 0.034933009
0.7 0.124809281 0.075849604 1.645483617 0.100137797
0.8 0.257256077 0.090240668 2.850777628 0.004437562
0.9 0.179297387 0.105784781 1.694926104 0.090354628
0.95 0.206212662 0.110950546 1.858599792 0.063334003
Quantile Process Estimates
Equation: UNTITLED
Specification: CTG C RM_RF SMB
HML NGANH_TCNH
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.03862058 0.00384919 -10.0334297 8.73E-23

 166

0.1 -0.03176358 0.002495879 -12.7264099 7.53E-35

0.2 -0.0246865 0.002553009 -9.66957038 2.47E-21
0.3 -0.02222677 0.00261685 -8.49371113 5.98E-17
0.4 -0.02109641 0.002409747 -8.75461744 7.01E-18
0.5 -0.01972522 0.002472791 -7.97690761 3.54E-15
0.6 -0.01653506 0.002830884 -5.84095462 6.71E-09
0.7 -0.0138387 0.003867047 -3.57862163 0.000359496
0.8 -0.00908511 0.006293558 -1.44355628 1.49E-01
0.9 -0.00436381 0.003298466 -1.32298239 1.86E-01
0.95 0.003450662 0.004754959 0.725697369 4.68E-01
RM_RF 0.05 0.575304342 0.12026117 4.783791313 1.94E-06
0.1 0.565125579 0.071154553 7.942226549 4.62E-15
0.2 0.593013047 0.076215485 7.780742246 1.57E-14
0.3 0.529139443 0.08453807 6.259185245 5.42E-10
0.4 0.474664873 0.075448626 6.291232789 4.44E-10
0.5 0.426812004 0.077164591 5.531189854 3.92E-08
0.6 0.430149756 0.087769188 4.900919858 1.09E-06
0.7 0.392425529 0.118317845 3.316706183 0.000938736
0.8 0.363953719 0.200061788 1.819206568 0.069134555
0.9 0.214897751 0.105028803 2.046083975 0.040970515
0.95 0.217043653 0.148540388 1.461176018 0.144234726
SMB 0.05 0.194048219 0.123674825 1.569019557 0.116912852
0.1 -0.0069892 0.081078652 -0.0862027 0.931319982
0.2 0.06211657 0.060694674 1.023427023 0.30631682
0.3 0.065130284 0.039571041 1.645907741 0.100050417
0.4 0.065755192 0.039494336 1.664927163 0.09619411
0.5 0.053012974 0.046096745 1.150037252 0.250362736
0.6 0.090666402 0.059168619 1.532339325 0.125708134
0.7 0.016549588 0.072165194 0.229329218 0.818652991
0.8 0.061755335 0.086521329 0.713758518 0.475518383
0.9 0.057274115 0.105702106 0.541844593 0.588028388
0.95 0.028723279 0.235298146 0.122071844 0.902863012
HML 0.05 0.03441321 0.096542889 0.356455154 0.721563781
0.1 -0.02701861 0.072737706 -0.37145258 0.710367492
0.2 -0.02573039 0.040286496 -0.6386853 5.23E-01
0.3 0.013946045 0.034376814 0.405681711 6.85E-01
0.4 0.031784689 0.03582453 0.887232561 3.75E-01
 167

0.5 0.07179886 0.03763495 1.907770837 5.67E-02

0.6 0.063133152 0.046438896 1.359488647 1.74E-01
0.7 0.08664715 0.056971448 1.520887272 1.29E-01
0.8 0.158892641 0.074760973 2.125342084 3.38E-02
0.9 0.097860428 0.107004531 0.914544714 0.360618485
0.95 0.133963782 0.08951014 1.496632474 1.35E-01
NGANH_TCNH 0.05 0.511846384 0.057783044 8.858072333 2.95E-18
0.1 0.407674839 0.051689048 7.887064235 7.04E-15
0.2 0.343210467 0.057351668 5.98431534 2.88E-09
0.3 0.302828531 0.053094775 5.70354671 1.48E-08
0.4 0.350851993 0.054642556 6.42085619 1.96E-10
0.5 0.353358487 0.059073393 5.981686024 2.93E-09
0.6 0.388556733 0.069414141 5.597659584 2.70E-08
0.7 0.41722317 0.083248483 5.011781048 6.22E-07
0.8 0.51228102 0.13484284 3.799096938 0.000152666
0.9 0.67325222 0.073275387 9.187972164 1.76E-19
0.95 0.710354193 0.083952793 8.461352673 7.77E-17
Quantile Process Estimates
Equation: UNTITLED
Specification: EIB C RM_RF SMB
HML NGANH_TCNH
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.04540846 0.003817794 -11.8938998 6.98E-31

0.1 -0.03647861 0.00339956 -10.7303934 1.09E-25
0.2 -0.02979561 0.002428899 -12.2671272 1.23E-32
0.3 -0.02801518 0.002132614 -13.1365457 7.06E-37
0.4 -0.02683804 0.002421643 -11.0825752 3.23E-27
0.5 -0.02520192 0.001959371 -12.8622486 1.62E-35
0.6 -0.02239476 0.001678491 -13.3421971 6.52E-38
0.7 -0.02084565 0.001703583 -12.2363567 1.72E-32
0.8 -0.01952588 0.001950907 -10.0086163 1.10E-22
 168

0.9 -0.0115343 0.003347369 -3.44577994 0.000589535

0.95 -0.00686226 0.003266895 -2.10054526 3.59E-02
RM_RF 0.05 0.233320947 0.102574357 2.274651813 2.31E-02
0.1 0.30942604 0.096451757 3.208091281 0.001372311
0.2 0.370091433 0.073660804 5.02426544 5.84E-07
0.3 0.291238326 0.068721278 4.237964318 2.43E-05
0.4 0.244436391 0.077068927 3.171659443 0.001554974
0.5 0.210516821 0.060175164 3.49840045 0.000485572
0.6 0.223538233 0.051684305 4.325069882 1.65E-05
0.7 0.198787629 0.053164021 3.739138359 0.000193554
0.8 0.135367885 0.061126717 2.214545319 0.026982773
0.9 0.182523586 0.104667407 1.743843577 0.081448109
0.95 0.103318996 0.102100929 1.011930025 0.311780019
SMB 0.05 0.043921849 0.093522033 0.469641723 0.638698225
0.1 0.044269608 0.046175586 0.958723267 0.337895568
0.2 0.088906728 0.035507381 2.503894268 0.01241832
0.3 0.070363812 0.049486125 1.421889723 0.155323869
0.4 0.069994146 0.050529758 1.385206418 0.166252493
0.5 -0.00989136 0.047656963 -0.20755329 0.835613775
0.6 -0.05066167 0.041330204 -1.22577837 0.220527917
0.7 -0.01785168 0.042343406 -0.42159293 0.67339935
0.8 -0.05879768 0.055217247 -1.06484259 0.28716612
0.9 0.066560009 0.141348664 0.47089238 0.637805069
0.95 0.12707156 0.094410059 1.345953605 0.178577326
HML 0.05 0.015557405 0.128785642 0.120800774 0.903869508
0.1 0.0851745 0.047940763 1.776661342 0.07588288
0.2 0.066159419 0.034207261 1.934075332 0.053343956
0.3 0.075678244 0.037425612 2.022097715 4.34E-02
0.4 0.071641098 0.034529766 2.074763502 3.82E-02
0.5 0.055728658 0.029414394 1.894605012 5.84E-02
0.6 0.085263927 0.028897124 2.950602543 3.23E-03
0.7 0.088265028 0.031436655 2.807710558 5.07E-03
0.8 0.091039141 0.042827941 2.125695024 3.37E-02
0.9 0.116957884 0.082445098 1.418615373 1.56E-01
0.95 0.08359432 0.067015087 1.247395525 2.13E-01
NGANH_TCNH 0.05 0.443998595 0.088928767 4.992744327 6.85E-07
0.1 0.29497047 0.065211152 4.523313316 6.71E-06
 169

0.2 0.222268038 0.047977193 4.632785418 4.01E-06

0.3 0.182223109 0.039551592 4.607225604 4.53E-06
0.4 0.179796438 0.04192274 4.288756818 1.94E-05
0.5 0.163125125 0.037873217 4.307136702 1.79E-05
0.6 0.167577832 0.036352167 4.609844423 4.47E-06
0.7 0.195790665 0.038002789 5.152007835 3.02E-07
0.8 0.267024272 0.046219931 5.777253854 9.72E-09
0.9 0.346127481 0.088576898 3.907649594 9.85E-05
0.95 0.548128709 0.093258296 5.877532991 5.42E-09
Quantile Process Estimates
Equation: UNTITLED
Specification: SSI C RM_RF SMB
HML NGANH_TCNH
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.03664161 0.002644643 -13.8550311 1.53E-40

0.1 -0.0375867 0.003019332 -12.4486797 1.67E-33
0.2 -0.03022333 0.002546763 -11.8673513 9.27E-31
0.3 -0.02620426 0.002838495 -9.23174437 1.21E-19
0.4 -0.02415672 0.002998984 -8.05496994 1.94E-15
0.5 -0.0225808 0.003209927 -7.03467556 3.39E-12
0.6 -0.02317031 0.003141981 -7.37442788 3.11E-13
0.7 -0.02136172 0.003009448 -7.09822072 2.18E-12
0.8 -0.01703333 0.003060152 -5.56617111 3.22E-08
0.9 -0.01103801 0.001898846 -5.81301045 7.90E-09
0.95 -0.00142274 0.003422183 -0.41574133 6.78E-01
RM_RF 0.05 0.550357035 0.083373421 6.601108929 6.17E-11
0.1 0.408039217 0.093218029 4.377256421 1.31E-05
0.2 0.403654648 0.076888081 5.249898882 1.81E-07
0.3 0.407555876 0.087939738 4.634490456 3.98E-06
0.4 0.383611322 0.09462569 4.05398706 5.37E-05
0.5 0.335726226 0.101794818 3.298067934 0.001002705
 170

0.6 0.226918626 0.099225555 2.286897006 2.24E-02

0.7 0.179933006 0.092293671 1.949570364 0.051465176
0.8 0.198934244 0.089445415 2.224085435 0.026332333
0.9 0.216288442 0.055224902 3.916502047 9.50E-05
0.95 0.340302257 0.091249061 3.729378159 0.000201115
SMB 0.05 -0.13178515 0.051892562 -2.53957696 0.011226779
0.1 -0.06237568 0.05624498 -1.10900001 0.267657301
0.2 -0.04506819 0.046467896 -0.96987791 0.332307119
0.3 -0.05588277 0.059782245 -0.93477206 0.350098004
0.4 -0.05080261 0.062252005 -0.81607997 0.414619946
0.5 -0.07795678 0.057875441 -1.34697518 0.178248169
0.6 -0.04562636 0.053608493 -0.85110316 0.39488561
0.7 -0.07627755 0.050665179 -1.50552211 0.132458887
0.8 -0.09853429 0.055568905 -1.77319119 0.076456254
0.9 -0.07905108 0.063051117 -1.25376176 0.210178213
0.95 -0.06179941 0.095404007 -0.6477654 0.517263352
HML 0.05 -0.13061673 0.056315461 -2.31937595 0.02054558
0.1 -0.13696082 0.055121385 -2.48471298 0.013104103
0.2 -0.0176604 0.055280059 -0.31947138 0.749425929
0.3 -0.01831637 0.041963351 -0.43648499 6.63E-01
0.4 -0.01813342 0.039870149 -0.45481203 6.49E-01
0.5 -0.01887934 0.038121536 -0.49524091 6.21E-01
0.6 -0.00524658 0.040442168 -0.12973042 8.97E-01
0.7 0.010539736 0.044338884 0.237708653 8.12E-01
0.8 -0.02040608 0.051943989 -0.39284779 6.95E-01
0.9 -0.05931349 0.05973931 -0.99287198 3.21E-01
0.95 -0.04681162 0.060505425 -0.77367641 4.39E-01
NGANH_TCNH 0.05 0.599834198 0.04248118 14.1199985 6.27E-42
0.1 0.685548164 0.047793566 14.34394267 4.08E-43
0.2 0.740965374 0.058173622 12.73713668 6.67E-35
0.3 0.737754975 0.065947964 11.18692581 1.12E-27
0.4 0.783739193 0.068534438 11.43569892 8.69E-29
0.5 0.812501879 0.079472258 10.223717 1.46E-23
0.6 0.92835092 0.07873432 11.79093089 2.09E-30
0.7 0.98089851 0.07344035 13.35639761 5.52E-38
0.8 0.990699406 0.068821011 14.39530451 2.17E-43
0.9 0.984182113 0.037518385 26.23199555 9.63E-120
 171

0.95 0.864654864 0.048980019 17.65321613 4.87E-62

Quantile Process Estimates
Equation: UNTITLED
Specification: STB C RM_RF SMB
HML NGANH_TCNH
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.04885987 0.005452484 -8.96102974 1.24E-18

0.1 -0.03537891 0.002683123 -13.1857201 4.00E-37
0.2 -0.03033186 0.003179192 -9.54074511 7.88E-21
0.3 -0.02725405 0.003194776 -8.5308168 4.42E-17
0.4 -0.02391445 0.00248291 -9.63162207 3.48E-21
0.5 -0.02025697 0.002452809 -8.25868401 3.93E-16
0.6 -0.01628004 0.003011001 -5.40685163 7.77E-08
0.7 -0.01357687 0.003841633 -3.53413976 0.000425014
0.8 -0.0071416 0.004208019 -1.69714038 0.089935176
0.9 0.005524516 0.007221832 0.764974399 4.44E-01
0.95 0.008219501 0.007859194 1.045845191 2.96E-01
RM_RF 0.05 0.387679497 0.145339417 2.667407817 7.75E-03
0.1 0.54148302 0.077470524 6.98953602 4.61E-12
0.2 0.474359624 0.097422323 4.869106057 1.27E-06
0.3 0.40179241 0.101212223 3.969801257 7.63E-05
0.4 0.392248098 0.076366178 5.136411293 3.28E-07
0.5 0.414924753 0.074653919 5.557976873 3.38E-08
0.6 0.42859081 0.092518897 4.632467792 4.02E-06
0.7 0.378007049 0.11760477 3.214215275 0.001343626
0.8 0.383997959 0.12307032 3.120150804 0.001851654
0.9 0.426563986 0.218890429 1.948755766 0.051562546
0.95 0.202926542 0.234638766 0.86484661 0.387299662
SMB 0.05 0.303640677 0.132340264 2.29439377 0.021943747
0.1 0.197152683 0.106126065 1.8577216 0.063458783
0.2 0.093869384 0.064765941 1.449363399 0.147503184
 172

0.3 0.027297399 0.065363635 0.417623633 0.676298679

0.4 -0.02085858 0.056720082 -0.367746 0.713128925
0.5 -0.00628075 0.04944273 -0.12703076 0.898937807
0.6 0.004109882 0.047364745 0.086770914 0.930868403
0.7 0.031087002 0.056143559 0.55370559 0.579885787
0.8 0.010966282 0.106260022 0.103202328 0.917820018
0.9 0.031437372 0.208748589 0.150599209 0.880317756
0.95 -0.05381716 0.224521401 -0.23969722 0.81060683
HML 0.05 -0.00533591 0.115949014 -0.04601947 0.963302551
0.1 0.032342254 0.070604023 0.458079472 0.64698012
0.2 -0.07756377 0.055646729 -1.39386038 0.163623541
0.3 -0.09143688 0.046818842 -1.95299325 0.051057713
0.4 -0.0813094 0.043488841 -1.86966134 0.061779618
0.5 -0.04253534 0.044660494 -0.9524154 3.41E-01
0.6 -0.06999744 0.050021847 -1.39933727 1.62E-01
0.7 -0.01473487 0.049680215 -0.29659425 7.67E-01
0.8 0.006492248 0.082895425 0.078318527 0.937588025
0.9 -0.05019695 0.155800103 -0.32218817 0.747367511
0.95 -0.26670913 0.12965963 -2.05699437 0.039907302
NGANH_TCNH 0.05 0.382436797 0.08488868 4.505156614 7.29E-06
0.1 0.218362205 0.061187579 3.568734208 0.000373185
0.2 0.277353035 0.074056361 3.745161552 0.000189023
0.3 0.236790698 0.055655697 4.254563531 2.26E-05
0.4 0.208778406 0.044334958 4.709114765 2.78E-06
0.5 0.176212601 0.044445091 3.964725843 7.79E-05
0.6 0.182177056 0.054960269 3.31470459 0.00094542
0.7 0.263722857 0.083061693 3.175023849 0.001537211
0.8 0.249951346 0.081902408 3.051819258 0.002325687
0.9 0.360304683 0.129351868 2.785461778 0.005431134
0.95 0.372562448 0.196978271 1.891388558 0.058818467
Quantile Process Estimates
Equation: UNTITLED
Specification: VCB C RM_RF SMB
HML NGANH_TCNH
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
 173

Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.02159321 0.002566154 -8.41462 1.13E-16

0.1 -0.01703159 0.002474235 -6.88357691 9.48E-12
0.2 -0.01312245 0.002580966 -5.08431677 4.29E-07
0.3 -0.00867262 0.002649563 -3.27322698 0.001094251
0.4 -0.00528707 0.002352121 -2.24778858 0.024774693
0.5 -0.00257933 0.002502228 -1.03081394 0.30284039
0.6 -0.00029127 0.00283878 -0.10260505 0.91829396
0.7 0.003384656 0.00333707 1.014259658 0.310667849
0.8 0.006732599 0.003656692 1.841172085 0.065848524
0.9 0.011194701 0.004107316 2.725551489 6.51E-03
0.95 0.00942852 0.005800332 1.625513965 1.04E-01
RM_RF 0.05 1.023463339 0.076729417 13.33860448 6.80E-38
0.1 1.023524801 0.074702887 13.70127507 9.54E-40
0.2 0.965713967 0.078222409 12.34574572 5.20E-33
0.3 0.964296623 0.07847073 12.28861548 9.73E-33
0.4 0.957749311 0.071276499 13.43709804 2.15E-38
0.5 0.957404041 0.076446677 12.52381499 7.26E-34
0.6 0.933253271 0.086993642 10.72783308 1.12E-25
0.7 0.941300798 0.102883414 9.149198665 2.47E-19
0.8 0.867540514 0.119028037 7.288539176 5.74E-13
0.9 0.758208028 0.124573996 6.086406907 1.56E-09
0.95 0.456468718 0.192574171 2.370352762 0.017931956
SMB 0.05 0.236201078 0.101211854 2.333729374 0.019777976
0.1 0.133327976 0.069042166 1.931109399 0.05371004
0.2 0.16924939 0.063275978 2.674781106 0.007581713
0.3 0.143635231 0.057482617 2.49875943 0.012598712
0.4 0.063581774 0.050067895 1.269911071 0.204367952
0.5 0.048612033 0.050947969 0.954150553 0.340203854
0.6 0.015765256 0.054924398 0.28703558 0.774135728
0.7 0.010428321 0.049776012 0.209504962 0.83409041
0.8 -0.013089 0.076651997 -0.1707588 0.864442848
0.9 -0.1250734 0.084668326 -1.47721595 0.139885955
0.95 -0.28628768 0.156825448 -1.825518 0.068176843
 174

HML 0.05 -0.12609733 0.06030839 -2.09087535 0.036753826

0.1 -0.05249601 0.061857633 -0.84865862 0.39624428
0.2 -0.02856029 0.052724988 -0.54168414 0.588138903
0.3 0.008970967 0.045691263 0.196338783 8.44E-01
0.4 0.044155586 0.03641604 1.212531261 2.26E-01
0.5 0.052177521 0.03461011 1.507580346 0.131931
0.6 0.007977422 0.038396899 0.20776213 0.835450737
0.7 -0.02601827 0.041061953 -0.63363449 0.526442812
0.8 0.009589424 0.063181145 0.151776681 0.879389152
0.9 0.03090853 0.100577447 0.307310746 0.758661361
0.95 0.023297202 0.11291263 0.206329459 0.836569345
NGANH_TCNH 0.05 0.349122837 0.049919617 6.9937003 4.49E-12
0.1 0.278288999 0.056995073 4.882685164 1.19E-06
0.2 0.265415987 0.05632031 4.712615894 2.74E-06
0.3 0.220911966 0.060567219 3.647385015 0.000276538
0.4 0.16732387 0.053467417 3.129454893 0.001794481
0.5 0.184012982 0.056177028 3.275591247 0.001085216
0.6 0.210892375 0.060575655 3.481470824 0.000516989
0.7 0.214630875 0.060880769 3.525429745 0.000439085
0.8 0.294837922 0.08264434 3.567551298 0.000374855
0.9 0.370429999 0.072389735 5.117161977 3.62E-07
0.95 0.532817428 0.107288054 4.966232578 7.84E-07
Quantile Process Estimates
Equation: UNTITLED
Specification: BSI C RM_RF SMB
HML NGANH_TCNH
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.07391068 0.005576196 -13.2546765 3.58E-37

0.1 -0.06068761 0.007071957 -8.58144468 3.35E-17
0.2 -0.05280211 0.007071857 -7.46651221 1.74E-13
0.3 -0.03693132 0.005839205 -6.32471671 3.76E-10
 175

0.4 -0.03250346 0.005079611 -6.39880841 2.36E-10

0.5 -0.02819226 0.004947993 -5.69771639 1.58E-08
0.6 -0.01618291 0.005085328 -3.1822737 0.001504421
0.7 -0.00945727 0.006047139 -1.56392457 0.118138625
0.8 -0.00393098 0.00723561 -0.54328295 0.587051086
0.9 0.005329567 0.005704552 0.934265659 0.350383112
0.95 0.021909737 0.00909118 2.409999099 0.016124841
RM_RF 0.05 0.149251615 0.159189415 0.937572479 0.348681208
0.1 0.271899118 0.211138283 1.28777744 0.198109096
0.2 0.135830526 0.209810382 0.647396593 0.517517763
0.3 0.29253531 0.178511309 1.63874945 0.101567039
0.4 0.207760521 0.155639369 1.334884107 0.182205579
0.5 0.17052707 0.149244167 1.142604592 0.253465014
0.6 0.321410133 0.150404073 2.136977589 0.03283193
0.7 0.31709474 0.180654906 1.755251195 0.079509908
0.8 0.164718635 0.224506872 0.733690841 0.463302066
0.9 0.056583419 0.182614187 0.309852261 0.756735203
0.95 0.195334387 0.265775213 0.73496089 0.462528528
SMB 0.05 -0.10188297 0.203022196 -0.50183169 0.615891834
0.1 -0.06632433 0.160679554 -0.41277395 0.679857075
0.2 -0.05515479 0.150325403 -0.36690264 0.713766063
0.3 -0.23379016 0.11901953 -1.96430085 0.049760435
0.4 -0.29190936 0.118522494 -2.46290262 0.013942408
0.5 -0.20299905 0.127692519 -1.58974898 0.112194447
0.6 -0.2271692 0.128257689 -1.77119362 0.076820497
0.7 -0.20334215 0.112012729 -1.81534863 0.069757434
0.8 -0.18176221 0.107944185 -1.68385368 0.092509172
0.9 -0.08134748 0.124246269 -0.65472772 0.512787431
0.95 -0.1972757 0.19315625 -1.02132702 0.307336358
HML 0.05 -0.03046424 0.129614659 -0.23503702 0.814226139
0.1 0.076989687 0.155714893 0.494427256 0.621108588
0.2 -0.04025251 0.12460002 -0.32305379 0.746719258
0.3 0.030064518 0.091342405 0.329140865 0.742115297
0.4 0.083808377 0.094811922 0.883943446 3.77E-01
0.5 0.06148935 0.096275705 0.638679826 5.23E-01
0.6 0.142915392 0.101202885 1.412167177 1.58E-01
0.7 0.063821533 0.111929638 0.570193329 5.69E-01
 176

0.8 0.071199549 0.13522266 0.526535634 5.99E-01

0.9 -0.06212272 0.128067049 -0.48507968 6.28E-01
0.95 -0.16135601 0.167410869 -0.96383233 3.35E-01
NGANH_TCNH 0.05 0.303977026 0.107084511 2.83866475 4.62E-03
0.1 0.407220354 0.143940899 2.829080239 0.004757672
0.2 0.658174793 0.151581226 4.342060106 1.55E-05
0.3 0.587458489 0.115499891 5.086225484 4.33E-07
0.4 0.561700201 0.104794966 5.359992232 1.02E-07
0.5 0.571787559 0.110980043 5.152165606 3.08E-07
0.6 0.526091392 0.119387137 4.406600267 1.16E-05
0.7 0.586055579 0.136677669 4.287866372 1.97E-05
0.8 0.648736318 0.143695361 4.514664303 7.06E-06
0.9 0.638774639 0.122202945 5.227162395 2.08E-07
0.95 0.383055114 0.131113987 2.921542718 0.003558098
Quantile Process Estimates
Equation: UNTITLED
Specification: SII C RM_RF SMB
HML NGANH_TCNH
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.09940268 0.006809433 -14.5977906 1.10E-42

0.1 -0.05786021 0.017764058 -3.25715065 0.001175791
0.2 -0.03228416 0.012411037 -2.60124615 9.47E-03
0.3 -0.02703896 0.004897196 -5.52131502 4.63E-08
0.4 -0.02519003 0.004469553 -5.63591784 2.46E-08
0.5 -0.0315036 0.004419597 -7.12816103 2.39E-12
0.6 -0.0233429 0.004454494 -5.24030274 2.08E-07
0.7 -0.01832339 0.007229177 -2.53464475 0.011457578
0.8 -0.01852275 0.011298686 -1.63937164 0.10155357
0.9 -0.00382054 0.008463378 -0.45141984 0.651816966
0.95 0.023041466 0.007865477 2.929442907 0.003498305
RM_RF 0.05 0.033101979 0.195687552 0.169157306 0.86571834
 177

0.1 0.540663544 0.523087229 1.033601117 0.301654514

0.2 5.84E-01 0.385552744 1.52E+00 0.130031352
0.3 0.374183701 0.153282054 2.44114487 0.014870095
0.4 0.256864872 0.142783278 1.798984278 0.072421474
0.5 5.55E-17 0.140226318 3.96E-16 1
0.6 0.136033962 0.140406542 0.968857724 0.332927266
0.7 0.044812666 0.23017148 0.194692522 0.845686182
0.8 -0.42442346 0.395680871 -1.07264083 0.283775935
0.9 -0.61196151 0.240183273 -2.54789396 0.011035123
0.95 -0.14988345 0.22415649 -0.66865539 0.503920256
SMB 0.05 4.12E-02 0.187436443 2.20E-01 0.826073331
0.1 -0.24695992 0.407273313 -0.60637393 0.544449231
0.2 0.111750053 0.262104424 0.426356991 0.669969589
0.3 0.012652539 0.108980265 0.116099356 9.08E-01
0.4 0.008701743 0.086390081 0.100726185 0.919794637
0.5 -4.16E-17 0.089543501 -4.65E-16 1.00E+00
0.6 -0.14492547 0.09315403 -1.55576165 0.120184953
0.7 -0.32493612 0.124116211 -2.61799903 0.009022394
0.8 -0.70624961 0.167973434 -4.20453158 2.93E-05
0.9 -3.85E-01 0.219433998 -1.76E+00 0.079515719
0.95 -0.110077 0.151754795 -0.72536095 0.468455978
HML 0.05 -0.09218041 0.171196464 -0.53844807 0.590426871
0.1 -0.96103486 0.206434541 -4.65539759 3.82E-06
0.2 -0.39520567 0.134448849 -2.93944999 0.003388554
0.3 -0.14588581 0.079529922 -1.8343512 0.066996293
0.4 -0.04220327 0.072147657 -0.58495697 0.558751882
0.5 0 0.0751815 0 1
0.6 -0.00671181 0.086333638 -0.07774275 0.938053343
0.7 -5.60E-02 0.152040507 -3.68E-01 0.712848491
0.8 0.010511483 0.169682893 0.061947805 0.950620834
0.9 0.009111108 0.148240347 0.061461732 0.951007797
0.95 -0.0118025 0.101689729 -0.11606383 0.907632903
NGANH_TCNH 0.05 0.02839568 0.117118387 0.242452795 0.808495351
0.1 0.016916653 0.429115124 0.039422179 0.96856424
0.2 0.059494853 0.292008954 0.203743248 0.838609192
0.3 0.056401716 0.104086387 0.541874083 0.588065554
0.4 -0.00364132 0.076189873 -0.0477927 0.961894123
 178

0.5 1.43E-17 0.075248715 1.90E-16 1

0.6 0.081506146 0.071428926 1.141080374 0.254199242
0.7 0.235383868 0.134130473 1.754887336 0.079685247
0.8 0.563573991 0.232134037 2.427795594 0.015424274
0.9 0.455483654 0.168765621 2.698912563 0.007112584
0.95 0.141218809 0.117696053 1.199860197 0.230571014
Quantile Process Estimates
Equation: UNTITLED
Specification: PGI C RM_RF SMB
HML NGANH_TCNH
Estimated equation quantile tau = 0.5
User-specified process quantiles: 0.05
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95
Display all coefficients

Quantile Coefficient Std. Error t-Statistic Prob.

C 0.05 -0.06985843 0.008114059 -8.6095541 2.69E-17

0.1 -0.05269693 0.007383464 -7.13715531 1.79E-12
0.2 -0.03384825 0.0055003 -6.15389204 1.08E-09
0.3 -0.02559253 0.004598353 -5.56558574 3.33E-08
0.4 -0.01869671 0.004271701 -4.3768783 1.33E-05
0.5 -0.01882221 0.004211204 -4.46955607 8.70E-06
0.6 -0.01225811 0.00500669 -2.44834671 0.014516467
0.7 -0.00023494 0.006098933 -0.03852177 0.969279094
0.8 0.008695767 0.006092872 1.427203178 0.153822952
0.9 0.016812029 0.006020499 2.79246426 0.005327188
0.95 0.023515949 0.00577559 4.071609872 5.02E-05
RM_RF 0.05 0.214645867 0.233747075 0.918282579 0.358684885
0.1 0.432025439 0.224604917 1.923490571 5.47E-02
0.2 0.55022032 0.15735404 3.496702841 0.000491034
0.3 0.517425697 0.142960395 3.619363935 0.000309616
0.4 0.541167866 0.134480701 4.024130303 6.14E-05
0.5 0.410131319 0.130951885 3.131923763 0.001785396
0.6 0.482221424 0.153431041 3.142919592 0.001720285
0.7 0.619484174 0.179324421 3.454544399 0.000573564
0.8 0.596595418 0.184087732 3.240821168 0.001229855
 179

0.9 0.492465129 0.182845017 2.693347276 0.007188208

0.95 0.36442185 0.186121558 1.957977652 0.050500991
SMB 0.05 0.042996974 0.245378382 0.175227229 0.860935363
0.1 0.18165396 0.228820036 0.793872614 0.427451564
0.2 0.151778456 0.145930045 1.040076811 0.298547116
0.3 0.116615634 0.099274513 1.174678477 0.24039356
0.4 0.076967952 0.07998497 0.962280193 0.336133635
0.5 0.02878464 0.073230988 0.393066397 0.694351387
0.6 -0.0532228 0.086570504 -0.61479143 0.5388276
0.7 -0.02396786 0.108270798 -0.22136955 0.824848366
0.8 0.14576162 0.135618168 1.0747942 0.28271737
0.9 0.152914787 0.179936261 0.849827523 0.39561752
0.95 0.067663404 0.093650593 0.722509082 0.470144761
HML 0.05 -0.11593227 0.219686509 -0.52771686 0.59780898
0.1 -0.15267454 0.137755899 -1.10829768 0.267990752
0.2 0.029158428 0.106556317 0.273643352 0.784413312
0.3 0.018376446 0.073861268 0.248796783 0.803567339
0.4 -0.06354904 0.061949292 -1.02582356 0.305214445
0.5 -0.03011195 0.06486879 -0.46419773 0.642603706
0.6 -0.01585695 0.073559261 -0.21556697 0.829367773
0.7 0.106913067 0.091525096 1.168128432 0.243023967
0.8 0.129376718 0.10140511 1.275840221 0.202298257
0.9 0.057020067 0.135113731 0.422015339 0.673101464
0.95 -0.10546327 0.13211734 -0.79825456 0.424905899
NGANH_TCNH 0.05 0.212790026 0.165503411 1.285713837 0.198830533
0.1 0.146672823 0.183221304 0.800522752 0.423591698
0.2 0.184593493 0.124384615 1.484054065 0.138099039
0.3 0.121359465 0.080388507 1.509661898 0.131434925
0.4 0.038290526 0.071130751 0.53831185 0.590477516
0.5 0.018553074 0.069866431 0.26555062 0.790638202
0.6 0.091329486 0.09038808 1.010415155 0.312532583
0.7 0.110501187 0.117358406 0.941570283 0.3466324
0.8 0.290507463 0.136828394 2.123151894 0.033977927
0.9 0.296702076 0.141889869 2.091073009 0.036764906
0.95 0.149816926 0.114667766 1.306530428 0.191662484
 180

PHỤ LỤC 8
KiỂM ĐỊNH SỰ KHÁC NHAU CỦA CÁC HỆ SỐ TRONG MÔ
HÌNH FAMA-FRENCH VỚI HỆ SỐ NGÀNH ỨNG VỚI CÁC
MỨC PHÂN VỊ KHÁC NHAU
Quantile Slope Equality Test
Equation: UNTITLED

Specification: AGR C RM_RF SMB HML

NGANH_TCNH
Estimated equation quantile tau = 0.5
Number of test quantiles: 10

Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 53.34466378 32 0.010340875

Quantile Slope Equality Test

Equation: UNTITLED
Specification: CTG C RM_RF SMB HML
NGANH_TCNH
Estimated equation quantile tau = 0.5
Number of test quantiles: 10
Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 68.43961921 32 0.000186989

Quantile Slope Equality Test

Equation: UNTITLED
Specification: EIB C RM_RF SMB HML
NGANH_TCNH
Estimated equation quantile tau = 0.5

Number of test quantiles: 10

Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

 181

Wald Test 77.64555123 32 1.15E-05

Quantile Slope Equality Test
Equation: UNTITLED
Specification: SSI C RM_RF SMB HML
NGANH_TCNH
Estimated equation quantile tau = 0.5
Number of test quantiles: 10

Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 68.69661203 32 0.000173515

Quantile Slope Equality Test
Equation: UNTITLED

Specification: STB C RM_RF SMB HML

NGANH_TCNH
Estimated equation quantile tau = 0.5
Number of test quantiles: 10
Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 45.64730844 32 0.055803112

Quantile Slope Equality Test

Equation: UNTITLED

Specification: VCB C RM_RF SMB HML

NGANH_TCNH
Estimated equation quantile tau = 0.5
Number of test quantiles: 10

Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 49.91252 32 0.0227

Quantile Slope Equality Test
Equation: UNTITLED
 182

Specification: BID C RM SMB HML TCNH

Estimated equation quantile tau = 0.5

Number of test quantiles: 10
Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 58.3679 32 0.003

Quantile Slope Equality Test

Equation: UNTITLED
Specification: MBB C RM SMB HML TCNH
Estimated equation quantile tau = 0.5
Number of test quantiles: 10
Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 99.55092 32 0

Quantile Slope Equality Test
Equation: UNTITLED
Specification: PGI C RM_RF SMB HML
NGANH_TCNH
Estimated equation quantile tau = 0.5
Number of test quantiles: 10
Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 91.36097 32 0

Quantile Slope Equality Test

Equation: UNTITLED
Specification: SII C RM_RF SMB HML NGANH_TCNH
Estimated equation quantile tau = 0.5

Number of test quantiles: 10

Test statistic compares all coefficients

 183

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 186.8105 32 0

Quantile Slope Equality Test
Equation: UNTITLED
Specification: HCM C RM_RF SMB HML
NGANH_TCNH
Estimated equation quantile tau = 0.5

Number of test quantiles: 10

Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 62.8674 32 0.0009

Quantile Slope Equality Test

Equation: UNTITLED
Specification: OGC C RM_RF SMB HML
NGANH_TCNH
Estimated equation quantile tau = 0.5
Number of test quantiles: 10
Test statistic compares all coefficients

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Wald Test 59.81127 32 0.002