Tóm Tắt Về Dữ Liệu Nghiên Cứu Được Sử Dụng Trong Mô Hình

Nội) và Upcom-Index (đại diện cho cổ phiếu công ty chưa được niêm yết). Trong ba chỉ số trên, VN-Index có quy mô và tính thanh khoản cao hơn hẳn, các nhà đầu tư trong nước và ngoài nước đều xem chỉ số này là tiêu biểu cho thị trường chứng khoán Việt Nam. Chính vì thế, bài nghiên cứu chọn chỉ số này là đại diện cho chỉ số giá thị trường. Dữ liệu được chọn là giá đóng cửa hang ngày của chỉ số VN-Index, được thu thập từ website www.vndirect.com.

Tỷ suất sinh lợi của chỉ số giá thị trường được tính theo công thức: MRKt = 100*ln(VNIndext/VNIndext-1)

Trong đó:

VNIndext: chỉ số giá thị trường thời điểm t. VNIndext-1: chỉ số thị trường tại thời điểm t-1.

3.1.2.2. Sự biến động của lãi suất.

Bài nghiên cứu của Saadet Kasman, Gulin Vardar và Gokce Tunc (2011) cho thấy những tác động tiêu cực của biến động tỷ giá và lãi suất đến tỷ suất sinh lợi cổ phiếu ngành ngân hàng. Chính vì thế bài nghiên cứu đưa vào yếu tố lãi suất và tỷ giá hối đoái là hai trong số các biến độc lập trong mô hình nghiên cứu. Trong bài nghiên cứu của Saadet Kasman, Gulin Vardar và Gokce Tunc (2011), tác giả sử dụng lãi suất trái phiếu chính phủ kỳ hạn 2 năm đại diện cho lãi suất thị trường. Tuy nhiên khi xét đến thị trường Việt Nam, lãi suất ảnh hưởng đến các ngân hàng nhiều nhất là lãi suất liên ngân hàng (lãi suất qua đêm). Lãi suất liên ngân hàng (lãi suất qua đêm) là lãi suất vay mượn lẫn nhau giữa các ngân hàng, thông qua thị trường liên ngân hàng. Trong kỳ bất ổn kinh tế, có rất nhiều công cụ của chính sách tiền tệ được nhà nước sử dụng để kiềm chế bất ổn thì cơ chế điều hành lãi suất và tỷ giá là công cụ chính, có những tác động và

ảnh hưởng mạnh đến hoạt động thị trường chứng khoán ở đa số tất cả các ngành và ngành mạnh mẽ nhất chính là ngành ngân hàng.

Ảnh hưởng của Lãi suất qua đêm đến nền kinh tế: Khi lãi suất qua đêm quá cao (có thể lên tới 17%, 18%, do thiếu hụt 1 lượng lớn tiền đồng) các ngân hàng khó có thể vay trên thị trường liên ngân hàng, và để bù đắp thiếu hụt vốn (phục vụ các nhu cầu vay, thanh khoản trong hoạt động), lúc này các ngân hàng phải điều chỉnh lãi suất huy động tăng để lôi kéo thêm nguồn tiền nhàn rỗi từ dân cư, lãi suất huy động tăng dẫn tới chi phí huy động vốn tăng thì Ngân hàng phải tăng lãi suất cho vay sẽ ảnh hưởng đến đầu tư từ đó ảnh hưởng đến nền kinh tế.

Dữ liệu lãi suất liên ngân hàng được tổng hợp từ nguồn Datastream, được xử lý theo công thức sau để tính toán sự thay đổi lãi suất trước khi đưa vào mô hình:

INTt=100*ln(lst/lst-1) Trong đó:

lst: lãi suất qua đêm thời điểm t.

lst-1: lãi suất qua đêm tại thời điểm t-1.

3.1.2.3. Sự biến động của tỷ giá

Tỷ giá đồng tiền USD/VND được đưa vào mẫu nghiên cứu, dữ liệu được thu thập từ website www.sbv.gov.vn . Dữ liệu được xử lý theo công thức sau để tính toán sự biến động của tỷ giá hối đoái:

FXt = 100*ln(tgt/tgt-1) Trong đó:

Tgt: tỷ giá bình quân liên ngân hàng thời điểm t.

Tgt-1: tỷ giá bình quân liên ngân hàng tại thời điểm t -1.

Tỷ giá hối đoái tác động gián tiếp đến giá cổ phiếu ngân hàng thông qua một số yếu tố kinh tế vĩ mô khác. Ví dụ như khi tỷ giá thay đổi tác động đến cán cân thương mại quốc tế của quốc gia và ảnh hưởng đến kim ngạch xuất nhập khẩu của các doanh nghiệp trong nước, từ đó tác động đến chi phí và doanh thu của các công ty kéo theo thị trường chứng khoán và giá cổ phiếu ngân hàng bị ảnh hưởng. Ngoài ra, tỷ giá hối đoái thay đổi ảnh hưởng đến dòng chu chuyển vốn nước ngoài. Trong trường hợp nợ danh nghĩa vượt quá tài sản danh nghĩa bằng ngoại tệ, một sự giảm giá đồng nội tê (tỷ giá tăng) sẽ làm giảm lợi nhuận của ngân hàng từ đó làm giảm giá cổ phiếu ngân hàng (Hahm, 2004; Saadet Kasman, Gulin Vardar và Gokce Tunc, 2011). Theo nghiên cứu trên, sự thay đổi của tỷ giá hối đoái có tác động ngược chiều đối với tỷ suất sinh lợi cổ phiếu ngân hàng.

3.1.3. Giai đoạn nghiên cứu và tần suất dữ liệu

Dữ liệu của các biến trong bài nghiên cứu được thu thập trong giai đoạn từ ngày 01/11/2011 đến 30/11/2017, dữ liệu được thu thập theo ngày ngoại trừ ngày thứ 7, ngày chủ nhật và ngày nghỉ lễ tại Việt Nam. Dữ liệu đảm bảo số lượng quan sát tối thiểu là 300 quan sát để kết quả nghiên cứu là đáng tin cậy (Ryan và các cộng sự, 2004). Ngoài ra, giai đoạn nghiên cứu trên đảm bảo cổ phiếu của mẫu tám ngân hàng được chọn đã được niêm yết trên sản chứng khoán và có đầy đủ dữ liệu về chỉ số giá.

Bảng 3.2. Tóm tắt về dữ liệu nghiên cứu được sử dụng trong mô hình

Tên biến

Ký hiệu	Cách tính toán (%)	Thời gian chọn mẫu	Nguồn dữ liệu	Kỳ vọng dấu
TSSL cổ phiếu ngân hàng	rt	rt = 100*ln(pt/pt-1)	1/11/2011- 30/11/2017	www.vndirect.com
TSSL chỉ số thị trường	MPKt	MPKt= 100*ln(VN- indext/VN-indext – 1)	1/11/2011- 30/11/2017	www.vndirect.com	+
TSSL của lãi suất	INTt	INTt = 100*ln(lst/lst-1)	1/11/2011- 30/11/2017	Datastream	-
TSSL của tỷ giá	FXt	FXi = 100*ln(tgt/tgt-1)	1/11/2011- 30/11/2017	www.sbv.gov.vn	-

Có thể bạn quan tâm!

Xem toàn bộ 96 trang tài liệu này.

Nguồn: Tác giả tự tổng hợp

3.2. Quy trình nghiên cứu

Để tiến hành nghiên cứu tác giả sử dụng hai mô hình là mô hình OLS và GARCH. Ý tưởng chính để thực hiện bài nghiên cứu dựa trên bài “The impact of interest rate and exchange rate volatility in banks” stock returns and volatility. Evidence from Turkey” của Saadet Kasman, Gulin Vardar và Gokce Tunc (2011). Bài nghiên cứu được thực hiện qua các bước như sau:

Đầu tiên, tác giả thực hiện thu thập, xử lý số liệu và chạy thống kê mô tả các dữ liệu đưa vào mô hình.

Tiếp theo tác giả kiểm định tính dừng của các chuỗi dữ liệu bằng kiểm định nghiệm đơn vị ADF test (Augumented Dickey – Fuller test).

Sau đó, tác giả dùng mô hình OLS với ba biến độc lập là tỷ suất sinh lợi chỉ số thị trường, biến động lãi suất và biến động tỷ giá hối đoái, biến phụ thuộc là tỷ suất sinh lợi của cổ phiếu ngân hàng.

Tiếp theo, tác giả sử dụng mô hình ARCH để kiểm định sự phù hợp của mô hình tuyến tính OLS và tính thích hợp của mô hình GARCH. Nếu tồn tại hiệu ứng ARCH, tác giả tiếp tục sử dụng mô hình GARCH để đánh giá sự tác động của các biến.

Sau đó, tác giả sử dụng mô hình GARCH (1,1) với mục đích đánh giá lại tác động của các biến độc lập đến biến phụ thuộc và mức độ tác động là như thế nào.

Tiếp theo, để đo lường sự tác động của biến động các biến độc lập đến biến động của biến phụ thuộc, tác giải sử dụng mô hình GARCH (1,1), nhưng khác với mô hình trước đó ở phương trình trung bình có điều kiện sẽ không có biến giải thích và biến giải thích được đưa vào phương trình phương sai có điều kiện.

Cuối cùng tác giả tổng hợp, phân tích kết quả để đưa ra đánh giá về chiều hướng và mức độ tác động của biến động tỷ giá, lãi suất, tỷ suất sinh lợi của thị trường đến biến động tỷ suất sinh lợi của cô phiếu các ngân hàng thương mại tại Việt Nam.

3.3. Phương pháp nghiên cứu

3.3.1. Phân tích thống kê mô tả

Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Nói đến thống kê mô tả

là nói đến việc mô tả dữ liệu bằng các phép tính và chỉ số thống kê như số trung bình, số trung vị, giá trị lớn nhất và bé nhất, phương sai độ lệch chuẩn, hệ số đối xứng, hệ số nhọn, thống kê JB (thống kê Jarque-Bera) cho các biến độc lập và biến phụ thuộc trong giai đoạn ngày 01 tháng 11 năm 2011 đến 30 tháng 11 năm 2017.

3.3.2. Kiểm định tính dừng của chuỗi dữ liệu thời gian

Một chuỗi thời gian là dừng khi giá trị trung bình, hiệp phương sai, phương sai (tại các độ trễ khác nhau) không thay đổi vào bất kỳ thời điểm nào. Chuỗi dừng sẽ tịnh tiến về giá trị trung bình và những biến động quanh giá trị trung bình sẽ là bằng nhau.

Hầu hết các chuỗi thời gian về kinh tế là không dừng nhưng có thể chuyển các chuỗi dữ liệu này về chuỗi dừng thông qua sai phân. Chuỗi dữ liệu bậc n là khi sai phân bậc n của chuỗi dữ liệu đó có tính dừng, ký hiệu là I(d).

Kiểm tra tính dừng của chuỗi thời gian gồm các phương pháp: kiểm định Phillip– Person (PP), kiểm định nghiệm đơn vị Dickey–Fuller (DF), và kiểm định nghiệm đơn vị Dickey và Fuller mở rộng (ADF), kiểm tra bằng giản đồ tự tương quan,… trong đó kiểm định nghiệm đơn vị là một kiểm định được sử dụng khá phổ biến.

Tác giả sử dụng kiểm định ADF để thực hiện kiểm định tính dừng của chuỗi dữ liệu. Mô hình kiểm định nghiệm đơn vị mở rộng ADF có dạng:

𝑘

∆𝑦𝑡 = 𝛼0 + 𝛽𝑦𝑡−1 + ∑ ∅𝑡∆𝑦𝑡−𝑗 + 𝜀𝑡 (1)

𝑗=1

𝑘

∆𝑦𝑡 = 𝛼0 + 𝛿𝑡 + 𝛽𝑦𝑡−1 + ∑ ∅𝑡∆𝑦𝑡−𝑗 + 𝜀𝑡 (2)

𝑗=1

Trong đó:

∆𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1 ; yt: chuỗi dữ liệu; k: chiều dài độ trễ

𝜀𝑡: Nhiễu trắng

Trong hai mô hình trên thì mô hình (2) có thêm biến xu hướng về thời gian t, mô hình

(1) thì không có biến này. Biến xu hướng số 1 đại diện cho quan sát đầu tiên và biến xu hướng số n đại diện cho quan sát cuối cùng trong chuỗi dữ liệu.

Nhiễu trắng đáp ứng đầy đủ các giả thiết của mô hình cổ điển là khi nó có giá trị trung bình bằng không, phương sai không thay đổi và hiệp phương sai bằng không.

Khi nghiên cứu chúng ta sẽ thực hiện kiểm định lần lượt các mô hình (1) và (2) cho trường hợp có xu hướng và không có xu hướng. Để chọn lựa k tối ưu cho mô hình ADF chúng ta dựa vào tiêu chuẩn thông tin AIC (Akaike’s Information Criterion) của Akaike (1973). Giá trị k tối ưu khi AIC nhỏ nhất. Giá trị này sẽ được tìm một cách tự động khi dùng phần mềm Eviews để thực hiện kiểm định nghiệm đơn vị.

Giả thuyết kiểm định:

H0: β = 0 (Yt là chuỗi dữ liệu không dừng) H1: β < 0 (Yt là chuỗi dữ liệu dừng)

Trong kiểm định ADF, giá trị kiểm định ADF giá trị t ước lượng của các hệ số trong các mô hình sẽ theo phân phối xác suất τ (tau statistic, τ = giá trị hệ số ước lượng/ sai số của hệ số ước lượng), giá trị kiểm định ADF không tuân theo phân phối chuẩn. Giá trị tới hạn τ được xác định dựa trên bảng giá trị tính sẵn của Mackinnon (1996). Khi chúng ta sử dụng phần mềm Eviews, giá trị tới hạn này cũng được tính sẵn. Để kiểm

định giả thuyết H0 nghiên cứu so sánh giá trị kiểm định τ tính toán với giá trị τ tới hạn của Mackinnon và kết luận về tính dừng của các chuỗi quan sát. Cụ thể, nếu trị tuyệt đối của giá trị tính toán lớn hơn trị tuyệt đối giá trị tới hạn thì giả thuyết H0 sẽ bị bác bỏ, tức chuỗi dữ liệu có tính dừng và ngược lại chấp nhận giả thuyết H0, tức dữ liệu không có tính dừng.

3.3.3. Mô hình ước lượng bình phương nhỏ nhất (OLS)

Phương pháp bình phương nhỏ nhất (OLS) được sử dụng để ước lượng mối tương quan giữa các biến khác nhau. Trong các nghiên cứu trước đây, hầu hết đều sử dụng phương pháp bình phương nhỏ nhất (OLS) để ước lượng tác động của thay đổi trong lãi suất và tỷ giá đến tỷ suất sinh lợi của cổ phiếu ngành ngân hàng.

Phương pháp bình phương nhỏ nhất (OLS) được nhà toán học người Đức Carl Friedrich Gauss đưa ra. Phương pháp trên xác định các hệ số hồi quy dựa trên tiêu chuẩn cực tiểu tổng bình phương của các sai số thống kê.

Mô hình hồi quy tuyến tính tổng hợp có dạng như sau:

𝑦𝑡 = 𝛽0 + 𝛽1𝑋1𝑡 + ⋯ + 𝛽𝑘 𝑋𝑘𝑡 + 𝜇𝑡

Các giả thiết của mô hình hồi qui tuyến tính với dữ liệu chuỗi thời gian sử dụng Phương pháp OLS.

- Giả thiết 1: Biến Xi là không ngẫu nhiên.

- Giả thiết 2: Các sai số là đại lượng ngẫu nhiên có giá trị kì vọng bằng 0

E (Ui / Xi) = 0

- Giả thiết 3: Các sai số là đại lượng ngẫu nhiên có phương sai không thay đổi Var (Ui / Xi) = 𝜎2= const