MÔ HÌNH ĐA NHÂN TỐ VÀ MÔ

HÌNH ĐỊNH GIÁ TÀI SẢN VỐN

Phần bù rủi ro của các chứng khoán riêng lẻ nên phản ánh sự nhạy cảm của chứng khoán đối với sự
thay đổi của các rủi ro hệ thống khác ngoài rủi ro thị trường.

Lúc sử dụng chứng khoán để phòng ngừa rủi ro từ các nhân tố thì sẽ tạo ra 1 đường SML đa nhân tố
(SML Multifactor)

Mỗi nguồn rủi ro mà có thể phòng ngừa được thì sẽ có thêm một nhân tố (factor) giúp tìm được
đường SML

Các nhân tố rủi ro có thể được thể hiện hoặc là bằng với tỉ suất sinh lời của danh mục phòng ngừa
hoặc trực tiếp hơn là qua chính nhân tố rủi ro đó

A. Tổng quát về mô hình đa nhân tố:

Mô hình đa nhân tố (Multifactor) là những mô hình mô tả TSSL của chứng khoán phản ứng đối với
một số nhân tố hệ thống.

I. Tổng quát về mô hình đa nhân tố:

Xét mô hình n nhân tố như sau:

(1.1)

Trong đó:

Ri : Tỷ suất lợi nhuận vượt trội của tài sản i (cổ phiếu i)

α i = E ( Ri ): Tỷ suất Lợi nhuận trội vượt kỳ vọng của tài sản i

Fj: Nhân tố vĩ mô thứ j (độ lệch)

β ij: Hệ số nhạy cảm của tài sản i đối với nhân tố vĩ mô thứ j

ε i: Nhân tố nhiễu của tài sản i

II. Các giả thuyết của mô hình đa nhân tố:

- Giả thuyết 1: E(Fj) = 0, j =1,2,…,n. (Có nghĩa là các nhân tố đại diện cho những thay đổi không
thể lường trước trong các biến này)
- Giả thuyết 2: E(ε i) = 0, i =1,2,3,…,m
- Giả thuyết 3: Cov(Ft,Fs) = 0, t ≠s
- Giả thuyết 4: Cov(ε t , ε s ) = 0, t ≠s
- Giả thuyết 5: Cov(Fj, ε i) = 0, j=1,2,…,n; i =1,2,…,m
III. Mô hình đa nhân tố đối với tỷ suất lợi nhuận của danh mục:

Xét danh mục:

P:(w1,w2,…,wm)

Tỷ suất lợi nhuận của danh mục ký hiệu R P, khi đó:

 m
R P= ∑ ( w i R i )
i=1

Từ mô hình n nhân tố (1.2), suy ra phương trình nhân tố đối với danh mục P như sau:

(1.2)

Trong đó:

IV. Các Beta nhân tố:

Các hệ số beta của các nhân tố trong DMĐT là giá trị bình quân gia quyền các hệ số beta theo tỷ
trọng cảu những chứng khoán trong danh mục

V. Một số ứng dụng của mô hình đa nhân tố:

1. Ước lượng ma trận hiệp phương sai của tỷ suất lợi nhuận của các tài sản
- Ma trận hiệp phương sai: Ma trận hiệp phương sai của tập hợp biến ngẫu nhiên là một ma
trận vuông, được biểu diễn dưới dạng hằng số là m × m. Trong đó các phần tử nằm trên
cùng một đường chéo có hướng từ trái sang phải và có phương từ trên xuống dưới sẽ lần
lượt trở thành các biến số phương sai tương ứng của các biến này.

Trong đó:

Cov(Ri, Rj) = E[(Ri – E(Ri))(Rj – E(Rj))]

1≤i≤n, 1≤j≤n

Ký hiệu:

- Xét mô hình n nhân tố như sau:

Suy ra:
Ta định nghĩa các mô hình hiệp phương sai như sau: hiệp phương sai được những nhà phân tích đầu
tư liệt kê vào các phương án để xác định, giảm thiểu rủi ro tổng thể cho một hoặc nhiều danh mục
đầu tư có liên quan. Nó hoạt động bằng cách loại bỏ những yếu tố biến động nhờ vào sự đa dạng
hóa thông tin khỏi hiệp phương sai đã tính toán. Điều này chứng tỏ hiệp phương sai là một trong
những phép tính quan trọng trong cả lý thuyết danh mục đầu tư lẫn tài chính nói chung.

Dựa vào giả thuyết 3 và giả thuyết 4 ta suy ra được Cov(F) và Cov( ɛ)

Trong đó:

Cov(F): Ma trận chéo cấp n với các phần tử là phương sai của các nhân tố vĩ mô

Cov(ɛ): Ma trận chéo cấp m với các phần tử là phương sai của các nhân tố riêng

- Ta suy ra dạng ma trận của Cov(R):

Như vậy để ước lượng các phần tử của ma trận Cov(R)

Các phần tử của Cov(R) là các ma trận : ma trận hệ số nhân tố gồm m hàng n cột; ma trận chéo cấp n
Cov(F) và ma trận chéo cấp m, Cov(ɛ)

2. Phân tích rủi ro và tính Var của tài sản, danh mục:
a. Phân tích rủi ro của tài sản, danh mục:

Ta có:

2
Đại lượng σ i̇ gọi là tổng rủi ro của tài sản i.

Tổng rủi ro được phân tích thành hai phần bao gồm:

+) : Rủi ro nhân tố của tài sản i

+) var(ε i) :Rủi ro phi nhân tố của tài sản i

Dạng ma trận tương ứng của tài sản thứ i

2 T T
σ i̇ =β (i) Cov ( F ) β (i )+ e( i) Cov ( ε ) e (i)

Trong đó:

β (i ) : vectơ dòng i của ma trận

e (i ): vectơ đơn vị thứ i

B(i ) Cov ( F ) β T(i ): rủi ro nhân tố của tài sản i

T
e (i ) Cov ( ε ) e(i ): rủi ro phi nhân tố của tài sản i

Phân tích đối với danh mục:

Giả sử xét danh mục P(w1, w2, …, wm)

Khi đó có:

n m
σ 2P=∑ β 2Pj var ( F j ) + ∑ w 2i var ( ε i )
j=1 i=1

Trong đó

2
σ P: tổng rủi ro danh mục

∑ β 2Pj var ( F j ): rủi ro nhân tố danh mục

j=1

∑ w2i var ( ε i ): Rủi ro phi nhân tố của danh mục

i=1

Dạng ma trận tương ứng của danh mục:

σ 2P=wT ( β Cov ( F ) β T ) w+w T Cov ( ε ) w

Trong đó:

w ( β Cov ( F ) β ) w : Rủi ro nhân tố của danh mục

T T

w T Cov ( ε ) w : Rủi ro phi nhân tố của danh mục

b. Tính và phân tích Var của tài sản và danh mục:

Do rủi ro của tài sản và danh mục cấu thành từ rủi ro nhân tố và rủi ro riêng nên ta có thể tính var và
phân tích các bộ phận cấu thành tương ứng.
Nếu ký hiệu xi là giá trị tài sản i và X = (x1, x2,…, xm) vectơ giá trị tài sản có trong danh mục đầu tư nắm
giữ theo công thức tính Var, ta có:

+ Var đối với tài sản i:

Var (1 ngày , ( 1−a ) 100 %)=x i {ϕ ( α ) √ β (i ) Cov ( F ) β (i )+ e( i) Cov ( ε ) e (i) };

−1 T T

+ Var đối với danh mục:

Var (1 ngày , ( 1−a ) 100 %)=ϕ−1 ( α ) √ X T ¿ ¿

Trong đó

x i {ϕ ( α ) √ β( i) Cov ( F ) β (i ) }; ϕ ( α ) √ X ¿ ¿ đây được gọi là VaR riêng biệt của tài sản, danh mục.
−1 T −1 T

x
1
∫
2

Với ϕ ( x )= ⅇ−0,5t ⅆt là hàm phân phối xác suất của biến ngẫu nhiên có phân phối Gauss
√2 π −∞
(phân phối chuẩn tắc).

B. Các mô hình đa nhân tố:

Một mô hình nhân tố cố ép các nhân tố hệ thống vào giới hạn của một nhân tố đại diện thì không
hợp lý cho lắm.

Do đó một mô hình nhân tố phân tách được tỷ suất sinh lời thành các nhân tố hệ thống và các nhân
tố đặc trưng của công ty thì là hợp lý.

Như vậy các mô hình đa nhân tố (Multifactor Models) có thể mô tả tốt tỷ suất sinh lời của một chứng
khoán.

I. Mô hình hai nhân tố mô tả TSSL vượt trội của cổ phiếu i:

R( ⅈ )=E ( R( ⅈ )) + β ⅈ GDP GDP+ β ⅈ IR IR +ⅇ ⅈ

+ GDP là sự thay đổi ngoài kỳ vọng trong GDP

+ IR là sự thay đổi ngoài kỳ vọng trong IR

+ Hai nhân tố β ⅈGDP GDP và β ⅈ IR IR: là hai nhân tố vĩ mô của mô hình

- SML hai nhân tố:

r i=r f + β i GDP E (r i GDP−r f )+ β i IR E(r i IR −r f )

II. Mô hình ba nhân tố Fama-French:

Fama và French đã đề xuất một mô hình ba yếu tố để giải thích lợi nhuận trung bình đã trở thành
một công cụ tiêu chuẩn cho các nghiên cứu thực nghiệm về lợi nhuận tài sản.
Bên cạnh chỉ số thị trường, họ đề xuất một danh mục chuẩn, lợi nhuận được hình thành trên cơ
sở quy mô công ty và tỷ lệ sổ sách trên thị trường (B/M).

Mô hình đã bổ sung quan sát rằng lợi nhuận trung bình trên cổ phiếu của các công ty nhỏ và các
công ty có tỷ lệ giá trị sổ sách cao so với giá trị thị trường của vốn chủ sở hữu đã cao hơn dự
đoán của CAPM.

Các công ty có tỷ lệ sổ sách trên thị trường cao không tương xứng bao gồm các công ty có giá
thị trường được hình thành từ phần lớn tài sản họ có sẵn thay vì cơ hội tăng trưởng (hay còn gọi
là nhóm giá trị.

Các công ty có B/M thấp là các công ty mà giá thị trường đến từ các cơ hội tăng trưởng nhiều
hơn là từ các tài sản sẵn có.

Trong đó:

RM: TSSL vượt trội của thị trường

SMB: TSSL của danh mục các chứng khoán công ty có quy mô nhỏ - TSSL của danh mục các chứng
khoán công ty có quy mô lớn

• HML: TSSL của danh mục các chứng khoán có tỷ số giá trị sổ sách trên giá trị thị trường (BV/MV)
cao - TSSL của danh mục các chứng khoán có tỷ số giá trị sổ sách trên giá trị thị trường thấp.

III. Mô hình đa nhân tố và mô hình CAPM

Mô hình CAPM chỉ số đơn thất bại trong các thử nghiệm thực nghiệm bởi vì mô hình này giải thích
không đầy đủ lợi tức của quá nhiều chứng khoán. Nói tóm lại, có quá nhiều giá trị có ý nghĩa thống
kê của alpha (mà CAPM cho rằng phải bằng 0) xuất hiện trong hồi quy một chỉ số. Mặc dù thất bại
này, nó vẫn được sử dụng rộng rãi trong ngành công nghiệp.

Các mô hình đa yếu tố như mô hình FF cũng có thể được kiểm tra bằng mức độ phổ biến của các giá
trị alpha có ý nghĩa. Mô hình ba yếu tố cho thấy sự cải thiện đáng kể so với mô hình một chỉ số về
vấn đề đó. Nhưng việc sử dụng các mô hình đa chỉ số phải trả giá: Chúng yêu cầu dự báo về lợi
nhuận nhân tố bổ sung. Nếu bản thân các dự báo về các yếu tố bổ sung đó có sai số dự báo, thì các
mô hình này có thể kém chính xác hơn so với mô hình một chỉ số kém hơn về mặt lý thuyết. Tuy
nhiên, các mô hình đa yếu tố có một sức hấp dẫn nhất định bởi vì rõ ràng rủi ro trong thế giới thực
là nhiều mặt.

Mô hình FF ban đầu đã tạo ra một ngành tiểu thủ công nghiệp tạo ra các danh mục nhân tố mới, bao
gồm nhưng không giới hạn ở các nhân tố động lực hoặc thanh khoản. Người ta hy vọng rằng đóng
góp gia tăng của các yếu tố bổ sung này sẽ nhỏ hơn so với đóng góp của hai yếu tố đầu tiên, SMB và
HML. Tuy nhiên, việc tìm kiếm phiên bản cuối cùng của mối quan hệ rủi ro sinh lợi kỳ vọng còn lâu
mới kết thúc.

Mô hình đa nhân tố sẽ mô tả tốt hơn về lợi nhuận của chứng khoán.

Mô hình đa nhân tố được sử dụng để thiết lặp ra các mô hình định giá chứng khoán ở trạng thái cân
bằng, lượng hoá các nguy cơ tiềm ẩn của rủi ro hệ thống, và xây dựng danh mục để giảm thiểu các
rủi ro đó

IV. Kết quả ước lượng cho cổ phiếu Google: