Luận văn: TÍNH HIỆU QUẢ VỀ MẶT THÔNG TIN CỦA THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM doc

1

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM


CÔNG TRÌNH DỰ THI
GIẢI THƢỞNG NGHIÊN CỨU KHOA HỌC SINH VIÊN
“NHÀ KINH TẾ TRẺ – NĂM 2010”



TÊN CÔNG TRÌNH:
TÍNH HIỆU QUẢ VỀ MẶT THÔNG TIN CỦA THỊ
TRƢỜNG CHỨNG KHOÁN VIỆT NAM


THUỘC NHÓM NGÀNH: KHOA HỌC KINH TẾ


Trang i


TÓM TẮT ĐỀ TÀI

Lý do nghiên cứu:
Có khi nào bạn tự hỏi tại sao nhiều người lại tham gia đầu tư vào thị trường chứng khoán
thay vì đầu tư vào sản xuất kinh doanh, vàng vật chất, ngoại tệ hay gửi tiền tiết kiệm để làm giàu
hay không? Yếu tố hấp dẫn nào của thị trường khiến mọi người hành động như vậy? Câu trả lời
dễ thấy chính là tỷ suất sinh lợi cao (so với các hình thức khác) và có thể dự đoán được, thể hiện

qua phương pháp phân tích kỹ thuật và phân tích cơ bản được sử dụng rộng rãi trong thị trường
chứng khoán HOSE. Thế nhưng càng nhiều người tham gia vào thị trường, khi đó nỗ lực của
những nhà đầu tư có tự triệt tiêu tỷ suất sinh lợi dự báo được này hay không? Một lý thuyết góp
phần giải thích cho sự tự triệt tiêu này là lý thuyết thị trường hiệu quả - cho biết giá cả chứng
khoán phản ánh mọi thông tin và giá cả biến động ngẫu nhiên. Nhiều bằng chứng trên thế giới
cho biết có sự tồn tại lẫn không tồn tại tính hiệu quả về mặt thông tin của thị trường. Vậy Việt
Nam - thị trường chứng khoán mới trải qua gần 10 năm hoạt động có thực sự hiệu quả hay không
và mức độ hiệu quả này như thế nào? Hiện nay, chưa có bài viết hoàn chỉnh nào đi sâu vào vấn
đề này, khi mà mỗi bài nghiên cứu trước đây về thị trường chứng khoán HOSE và HASTC đều
trình bày mỗi khía cạnh khác nhau của vấn đề. Do đó, bài viết này ra đời nhằm mục đích giúp ta
có cái nhìn hoàn thiện hơn về thị trường chứng khoán Việt Nam, tiêu biểu là HOSE và các chứng
khoán tiêu biểu.

Mục tiêu nghiên cứu:
Bài viết này nhằm mục tiêu xem xét các mức độ hiệu quả về mặt thông tin của thị trường
HOSE và các bất thường trên thị trường, đồng thời giải thích cho sự không hiệu quả này bằng lý
thuyết tài chính hành vi khi mà lý thuyết thị trường hiệu quả không thể giải thích được.

Phƣơng pháp nghiên cứu:
Phép định lượng được sử dụng nhằm kiểm định mức độ hiệu quả của thị trường, bao gồm
kiểm định nghiệm đơn vị, kiểm định hệ số tương quan, kiểm định phương sai, kiểm định sự tồn
tại các hiệu ứng bất thường bằng việc xây dựng mô hình hồi quy, mô hình GARCH và các dạng
mở rộng của nó, đồng thời ứng dụng lý thuyết tài chính hành vi để giải thích.
Trang ii


Nội dung nghiên cứu:
Chương 1: Các kết quả gần đây về sự hiệu quả của thị trường
Đưa ra lý thuyết tổng quát về thị trường hiệu quả và các bằng chứng trên thế giới chứng
minh cho sự tồn tại tính chất này của thị trường

Chương 2: Thực tiễn về thị trường hiệu quả về mặt thông tin ở Việt Nam
Nêu lên phương pháp đo lường và kết quả thực tế của thị trường chứng khoán HOSE và
các chứng khoán tiêu biểu là VNM và FPT, thông qua các kiểm định được sử dụng rộng rãi trên
thế giới đối với tính hiệu quả dạng yếu và và dạng vừa của thị trường, đồng thời kiểm tra sự tồn
tại của hiệu ứng tháng Một và hiệu ứng theo tuần.
Chương 3: Những giải thích cho sự không hiệu quả của thị trường
Nêu lên lý thuyết giải thích cho sự không hiệu quả của thị trường và ứng dụng của lý
thuyết đó để diễn giải cho thực tế ở Việt Nam, cụ thể là phần bù rủi ro trong tỷ suất sinh lợi, sự
biến động mạnh trong tỷ suất sinh lợi, vấn đề của quỹ đóng, hiệu ứng tháng Một, hiệu ứng theo
tuần và cơn sốt giá chứng khoán, từ đó nêu lên các biện pháp đang được thực hiện lẫn những gợi
ý đối với các nhà làm chính sách.

Đóng góp của đề tài:
Ứng dụng các kiểm định được sử dụng trên thế giới và lời giải thích từ lý thuyết tài chính
hành vi, bài viết giúp các nhà đầu tư và các nhà làm chính sách có cái nhìn cụ thể hơn về tính
hiệu quả thực sự về mặt thông tin của thị trường, từ đó mang lại những cảm xúc khác nhau cho
họ. Đối với nhà đầu tư, sự không hiệu quả cho biết phân tích kỹ thuật hay thông tin nội gián giúp
họ kiếm được lợi nhuận một cách dễ dàng và nhanh chóng. Đối với các nhà làm chính sách, đây
là bài toán khó bởi sự không hiệu quả này gây ra các hiệu ứng tiêu cực đến thị trường chứng
khoán và nền kinh tế, đòi hỏi các biện pháp làm tăng tính hiệu quả này.

Hƣớng phát triển của đề tài:
Trong tương lai, các phương pháp định lượng mới nhằm xem xét sự hạn chế trong việc
kiểm định thị trường hiệu quả chẳng hạn như thay thế mô hình CAPM trong kiểm định tính hiệu
quả vừa, kiểm định tính chất cuối cùng đối với tính hiệu quả yếu. Ngoài ra, các lời giải thích dựa
trên tài chính hành vi sẽ được hoàn thiện hơn về mặt lý luận nhằm trả lời thoả đáng cho toàn bộ
các vấn đề chứ không phải chỉ giải thích cho mỗi vấn đề riêng lẻ.
Trang iii

MỤC LỤC

Lời mở đầu 1
Chƣơng 1: Các kết quả nghiên cứu gần đây về sự hiệu quả của thị trƣờng 3
1.1 Bằng chứng về thị trường hiệu quả dạng yếu 3
1.2 Bằng chứng về sự bất thường của thị trường 4
1.2.1 Hiệu ứng theo tuần 4
1.2.2 Hiệu ứng theo tháng 5
1.3 Bằng chứng về thị trường hiệu quả dạng vừa 5
Chƣơng 2: Thực tiễn về thị trƣờng hiệu quả ở Việt Nam 6
2.1 Phương pháp đo lường 6
2.1.1 Kiểm định nghiệm đơn vị 7
2.1.2 Kiểm định hệ số tương quan 8
2.1.3 Kiểm định phương sai 10
2.1.4 Kiểm định phương sai có điều kiện 10
2.1.5 Kiểm định các hiệu ứng bất thường 12
2.1.6 Dữ liệu nghiên cứu 14
2.2 Kết quả thực tế 15
2.2.1 Kiểm định tính hiệu quả yếu 15
2.2.1.1 Kiểm định nghiệm đơn vị 15
2.2.1.2 Kiểm định hệ số tương quan 16
2.2.1.3 Kiểm định phương sai 17
2.2.1.4 Kiểm định phương sai có điều kiện 18
2.2.2 Kiểm định các hiệu ứng bất thường 20
2.2.2.1 Hiệu ứng tháng Một 20
2.2.2.2 Hiệu ứng theo tuần 21
2.2.3 Kiểm định tính hiệu quả vừa 22
2.2.3.1 Công bố lợi nhuận 22
2.2.3.2 Công bố mua cổ phiếu quỹ 23
Chƣơng 3: Những giải thích cho sự không hiệu quả của thị trƣờng 25

Trang iv


3.1 Giới hạn kinh doanh chênh lệch giá 25
3.2 Tâm lý hành vi 27
3.2.1 Niềm tin 27
3.2.2 Sở thích 29
3.2.3 Tâm lý bầy đàn 31
3.3 Ứng dụng giải thích trong thực tế 34
3.3.1 Phần bù rủi ro trong tssl 34
3.3.2 Tính biến động mạnh trong tssl 35
3.3.3 Vấn đề với quỹ đóng 36
3.3.4 Hiệu ứng tháng Giêng và hiệu ứng theo tuần 38
3.3.4.1 Hiệu ứng tháng Giêng 38
3.3.4.2 Hiệu ứng theo tuần 39
3.3.5 Cơn sốt giá chứng khoán 41
3.3.6 Biện pháp làm tăng tính hiệu quả của thị trường 44
3.3.6.1 Minh bạch thông tin 45
3.3.6.2 Tăng tính thanh khoản 47
Kết luận 50
Tài liệu tham khảo 51
Phụ lục bảng 53
Phụ lục hình và biểu đồ 73

Trang v


DANH MỤC CÁC BẢNG

Bảng 1: thống kê miêu tả VN-INDEX, VNM và FPT 53
Bảng 2: kiểm định nghiệm đơn vị VN-INDEX, VNM, FPT 54
Bảng 3: hệ số tương quan tuyến tính VN-INDEX, VNM, FPT 55
Bảng 4: hệ số tương quan phi tuyến VN-INDEX, VNM, FPT theo ngày 56
Bảng 5: hệ số tương quan phi tuyến VN-INDEX, VNM, FPT theo tuần 56
Bảng 6: hệ số tương quan phi tuyến VN-INDEX, VNM, FPT theo tháng 57
Bảng 7: kiểm định đoạn mạch VN-INDEX, VNM, FPT 58
Bảng 8: kiểm định BDS VN-INDEX 58
Bảng 9: kiểm định BDS VNM 59
Bảng 10: kiểm định BDS FPT 60
Bảng 11: kiểm định Lo Mackinlay VN-INDEX 61
Bảng 12: kiểm định Lo Mackinlay VNM 61
Bảng 13: kiểm định Lo Mackinlay FPT 62
Bảng 14: kiểm định Chow Denning VN-INDEX, VNM, FPT 62
Bảng 15: kiểm định Chow Denning theo Wright VN-INDEX, VNM, FPT 63
Bảng 16: mô hình ARMA VN-INDEX 63
Bảng 17: mô hình ARMA FPT theo ngày 64
Bảng 18: mô hình M-GARCH, T-GARCH VN-INDEX theo ngày 65
Bảng 19: mô hình M-GARCH, T-GARCH VN-INDEX theo tuần 66
Bảng 20: kiểm định Lo Mackinlay VN-INDEX 66
Bảng 21: kiểm định Chow Denning VN-INDEX 67
Bảng 22: kiểm định Chow Denning theo Wright VN-INDEX 67
Bảng 23: bảng kết quả tổng hợp VN-INDEX, VNM, FPT 20

Bảng 24: kiểm định hiệu ứng theo tháng VN-INDEX 67
Bảng 25: kiểm định hiệu ứng theo tuần VN-INDEX 68
Bảng 26: kiểm định GARCH, E-GARCH kết hợp theo tuần VN-INDEX 69
Bảng 27: khối lượng giao dịch, AER, CAER VNM 69
Bảng 28: khối lượng giao dịch, AER, CAER FPT 70
Trang vi


Bảng 29: khối lượng giao dịch, AER, CAER VNM 71
Bảng 30: kiểm định theo tuần VN-INDEX 72

DANH MỤC CÁC HÌNH, BIỂU ĐỒ

Hình 1: biểu đồ giá tssl theo ngày, tuần, tháng của VN-INDEX, VNM, FPT 73
Hình 2: biểu đồ AER, CAER của VNM về công bố lợi nhuận 75
Hình 3: biểu đồ AER, CAER của FPT về công bố lợi nhuận 76
Hình 4: biểu đồ AER, CAER của VNM về công bố mua cổ phiếu quỹ 77
Hình 5: hàm υ và π theo lý thuyết triển vọng 78
Hình 6: chênh lệch giữa NAV- giá thị trường các quỹ VF1, VF4, PRUBF1, MAFPF1 78

Trang 1


LỜI MỞ ĐẦU

Trên các thị trường hàng hoá lẫn tài chính như thị trường nông sản, thị trường các công
cụ phái sinh và đặc biệt là thị trường chứng khoán, sự không hiệu quả về mặt thông tin luôn thu
hút sự quan tâm của nhiều nhà đầu tư bởi ai cũng mong muốn mình là kẻ chiến thắng và để lại
phần thua cho người khác. Không như những năm đầu của thế kỷ 20, hiện nay sức mạnh công
nghệ như Internet, điện thoại hay các phương tiện truyền thông đã giúp cho các nhà đầu tư nhanh
chóng với những nguồn thông tin có sẵn và sử dụng các thông tin này để thực hiện các hành vi
của họ. Tuy nhiên, sự cạnh tranh giữa những nhà đầu tư có thực sự giúp thị trường trở nên hiệu
quả hơn hay không, hoặc là nếu không thì đâu là lời giải thích hợp lý nhất? Nhiều câu hỏi được
đặt ra bởi các nhà đầu tư bởi lẽ nó tác động đến hành vi của họ cũng như khả năng tạo ra lợi
nhuận, có thể được tóm tắt như sau:
Điều đầu tiên ai cũng quan tâm đến, đặc biệt là những người sử dụng phân tích kỹ thuật,
chính là liệu họ có thể dự đoán giá chứng khoán dựa trên giá cả trong quá khứ hay không, một
hình thức phân tích không đòi hỏi nhiều kỹ năng phân tích và kiến thức tài chính. Không dừng
lại ở đó, hiện tượng bong bóng giá chứng khoán cũng là một điều đáng quan tâm bởi lẽ khi đó,
giá chứng khoán hầu như không phản ánh các thông tin nào liên quan đến công ty niêm yết mà
chủ yếu mang theo niềm kỳ vọng bán được giá cao của các nhà đầu tư. Như đã biết, sau cơn sốt
giá là thời kỳ thị trường èo uột, tiêu biểu là giai đoạn 2006-2008 của sàn HOSE hay bong bóng
dotcom nổi tiếng vào đầu thập niên 2000. Ngoài ra, các hiện tượng bất thường trên thị trường tài

chính đã được các nhà kinh tế phát hiện ra, tiêu biểu là hiệu ứng quy mô công ty của Banz và
Reiganum (1981), hiệu ứng theo tuần của French (1980), hiệu ứng sức ỳ của DeBondt và Thaler
(1985)… có tồn tại trên thị trường HOSE hay không? Nếu câu trả lời là có, các nhà đầu tư sẽ
nhanh chóng khai thác hiệu ứng này bởi nó mang lại lợi nhuận có thể biết trước được. Câu hỏi
cuối cùng chính là liệu các công bố thông tin công cộng có được phản ánh nhanh chóng vào
trong giá chứng khoán hay không? Nếu tồn tại sự rò rỉ thông tin từ trước khi công bố, điều đó
cho thấy các nhà đầu tư biết trước thông tin này có thể khai thác nó và để lại các khoản lỗ dành
cho những kẻ đến sau cùng.
Bên cạnh đó, tính hiệu quả về mặt thông tin này còn thu hút sự chú ý của các cơ quan
chức năng, cụ thể là Ủy Ban Chứng Khoán Nhà Nước (UBCKNN) và Bộ Tài Chính (BTC) bởi
Trang 2


tác động tiêu cực của sự phi hiệu quả. Hiện nay, pháp luật nước ta về thị trường chứng khoán
chưa hoàn thiện, còn thiếu cơ chế rõ ràng cho phép minh bạch hóa thông tin cũng như gia tăng
tính thanh khoản cho thị trường. Đó là điều hiển nhiên khi thị trường HOSE chỉ mới trải qua gần
10 năm hoạt động, đồng thời việc học tập các kinh nghiệm nước khác có thể không phù hợp với
trình độ phát triển của thị trường Việt Nam, tiêu biểu là việc bán khống các chứng khoán như ở
Mỹ. Ngoài ra, các công ty niêm yết cũng quan tâm đến sự hiệu quả của thị trường bởi lẽ việc
công bố các tin tức ra thị trường - một kênh giao tiếp gián tiếp với nhà đầu tư, có hiệu quả hay
không rất đáng quan tâm, bởi nó ảnh hưởng đến hoạt động của công ty, chẳng hạn như huy động
vốn qua phát hành chứng khoán. Nếu các nhà đầu tư không biết đến tin tức về dự án sắp được
xây dựng này, công ty khó lòng huy động được nhiều tiền mặt như mong đợi.
Từ những lý do cấp thiết trên, bài viết “tính hiệu quả về mặt thông tin của thị trường
chứng khoán Việt Nam” ra đời nhằm xem xét thực trạng về tính hiệu quả này và giải thích nó,
nhằm cung cấp câu trả lời thỏa đáng nhất cho các bên quan tâm đến yếu tố này.
Kết cấu bài nghiên cứu:
Chương 1: Các kết quả gần đây về sự hiệu quả của thị trường: đưa ra lý thuyết tổng quát
về thị trường hiệu quả và các bằng chứng trên thế giới chứng minh cho sự tồn tại tính chất này
của thị trường, độ dài 3 trang.

Chương 2: Thực tiễn về thị trường hiệu quả ở Việt Nam: nêu lên phương pháp đo lường
và kết quả thực tế của thị trường chứng khoán HOSE và các chứng khoán tiêu biểu, độ dài 19
trang
Chương 3: Những giải thích cho sự không hiệu quả của thị trường: nêu lên lý thuyết giải
thích cho sự không hiệu quả của thị trường và ứng dụng của lý thuyết đó để diễn giải cho thực tế
ở Việt Nam, độ dài 25 trang.





Trang 3


CHƢƠNG 1
Các kết quả nghiên cứu gần đây về sự hiệu quả của thị
trƣờng

Một trong những vần đề nhận được quan tâm của giới học thuật hiện nay là thị trường
liệu có hiệu quả? Lý thuyết này tranh luận rằng nếu giá chứng khoán phản ánh tất cả các thông
tin có sẵn và lập tức chiết khấu thông tin mới thì thị trường có tính hiệu quả. Fama (1970) định
nghĩa ba dạng của thị trường lần lượt là hiệu quả dạng yếu - không thể dự báo tssl tương lai dựa
trên tssl quá khứ, hiệu quả dạng vừa - giá cả phản ánh đầy đủ các thông tin công cộng và không
nhà đầu tư nào có thể kiếm được tssl vượt trội từ thông tin này và hiệu quả dạng mạnh - giá cả
phản ánh mọi thông tin và các nhà đầu tư không kiếm được tssl vượt trội từ bất cứ thông tin nào.
Các nhà đầu tư quan tâm đến sự hiệu quả của thị trường bởi nếu thị trường không hiệu quả, họ có
thể dự báo được tssl trong tương lai và hưởng lợi từ nó. Những người làm chính sách quan tâm
đến điều này bởi nếu nó không xảy ra sẽ cho phép cơ chế giá cả hoạt động có sai sót, tức là sự
phân bổ nguồn vốn không hiệu quả, dẫn đến tác động xấu cho nền kinh tế. Các bằng chứng thực
nghiệm trên thế giới đưa ra những kết luận mâu thuẫn nhau về sự tồn tại của thị trường hiệu quả.

Ở đây, ta chỉ xem xét các bằng chứng về dạng yếu và vừa, vì để thị trường hiệu quả dạng mạnh,
nó phải thoả mãn các tính chất của thị trường hiệu quả dạng yếu và vừa, do đó nếu không thỏa
mãn được hai yếu tố đầu tiên này, ta không cần xem xét liệu thị trường có hiệu quả dạng mạnh
hay không.
1.1 Bằng chứng về thị trƣờng hiệu quả dạng yếu
Đầu tiên là những bằng chứng về thị trường hiệu quả dạng yếu:
Ở Châu Mỹ, Ojah và Karemera (1999) sử dụng phương pháp tỷ lệ phương sai cũng như
mô hình ARIMA không thể bác bỏ sự tồn tại dạng yếu đối với các thị trường Argentina, Brazil,
Chile và Mexico. Whortington và Higgs (2003) đưa ra các kết quả ngược lại với các thị trường
Argentina, Brazil, Columbia, Mexico, Peru, Venezuela bằng kiểm định nghiệm đơn vị, tỷ lệ
phương sai và kiểm định đoạn mạch.
Ở Châu Á, Abraham (2002) và các cộng sự kiểm định các thị trường Bahrain, Kuwait, Ả
Rập Saudi và bác bỏ giả thiết bằng kiểm định tỷ lệ phương sai và kiểm định đoạn mạch.
Trang 4


Marashdeh và Shrestha (2008) sử dụng kiểm định ADF và PP cho thấy thị trường Các tiểu
vương quốc Ả Rập Thống Nhất ở dạng yếu. Gan, Lee, Hwa và Zhang (2005) sử dụng kiểm định
ADF, PP ủng hộ cho lý thuyết đối với Úc và New Zealand.
Ở Châu Phi, Khazali và các cộng sự (2007) sử dụng kiểm định kiểm định đoạn mạch,
kiểm định dấu (sign test), kiểm định bậc (rank test) và tỷ lệ phương sai đối với các nước thuộc
khối Bắc Phi và Trung Đông (MENA) ủng hộ lý thuyết này. Jefferish và Smith (2005) kiểm định
đối với 6 quốc gia (Ai Cập, Kenya, Ma Rốc, Mauritius, Nigeria và Nam Phi) theo tuần từ
1/1990-6/2001 cho thấy chỉ có Nam Phi hiệu quả dạng yếu trong khi Ai Cập, Ma Rốc và Nigeria
trở nên hiệu quả yếu vào cuối thời kỳ xem xét. Enowbi, Guidi và Mlambo (2009) xem xét các
quốc gia Ai Cập, Ma Rốc, Nam Phi và Tunisia bằng các kiểm định tham số và phi tham số vừa
bác bỏ tính hiệu quả này (ngoại trừ Nam Phi).
Ở Châu Âu, Dorina (sau năm 2006) sử dụng hệ số tương quan, kiểm định đoạn mạch,
kiểm định BDS với các quốc gia Rumani, Hungary, CH Séc, Lithuania, Ba Lan, Slovakia,
Slovenia và Thổ Nhĩ Kỳ, cho biết CH Séc, Slovenia và Lithuania không hiệu quả (có tương quan

tuyến tính giữa tssl) và tương quan phi tuyến giữa tssl ở các quốc gia xem xét ngoại trừ Rumani.
Ozdemir (2008) xem xét tssl theo tuần của Thổ Nhĩ Kỳ sử dụng kiểm định ADF, kiểm định
đoạn mạch và tỷ lệ phương sai ủng hộ cho lý thuyết.
1.2 Bằng chứng về sự bất thƣờng của thị trƣờng
1.2.1 Hiệu ứng theo tuần
Nếu như thị trường không hiệu quả, việc xem xét các bất thường của thị trường như hiệu
ứng theo tuần, hiệu ứng tháng Giêng trở nên hấp dẫn bởi khả năng áp dụng nó để tạo ra tssl. Đối
với hiệu ứng theo tuần, Brooks và Persand (2001) xem xét với Đài Loan, Hàn Quốc,
Philippines, Mã Lai và Thái Lan từ 1989-1996 cho biết Hàn Quốc và Philippines không có hiệu
ứng này, thay vào đó Thái Lan và Mã Lai đạt tssl dương vào ngày thứ Hai và âm vào ngày thứ
Ba, Đài Loan đạt tssl âm vào ngày thứ Tư, tất cả đều có ý nghĩa. Ajayi và các cộng sự (2004) tìm
thấy những bằng chứng tại các quốc gia Đông Âu từ giữa thập niên 90-2002: tssl thứ Hai âm
trong 12 thị trường (chỉ có Estonia và Lithuania có ý nghĩa), dương trong 5 thị trường (chỉ có
Nga có ý nghĩa). Rossi (2007) xem xét các quốc gia Nam Mỹ từ 1997-2006 cho biết Brazil có
tssl thứ Sáu dương, Chile tssl thấp nhất thứ Hai, dương vào thứ Tư, Sáu, Mexico tssl cao nhất
vào thứ Tư. Jarret và Kyper (2005) cho biết có hiệu ứng này ở Mỹ bằng việc xem xét 49 chứng
khoán ngẫu nhiên.
Trang 5


1.2.2 Hiệu ứng theo tháng
Đối với hiệu ứng theo tháng, Schallheim và Kato (1985) xem xét với thị trường Tokyo từ
1952-1980 cho thấy tháng Một và tháng Sáu đều có tssl dương có ý nghĩa. Hansen và Lunde
(2003) xem xét Đan Mạch, Pháp, Đức, Hồng Kông, Ý, Nhật, Na Uy, Thụy Điển, Mỹ cho ủng hộ
sự tồn tại của hiệu ứng tháng Giêng. Gao và Kling (2005) sử dụng mẫu như kiểm định hiệu ứng
theo tuần cho biết tssl tháng Ba, Tư cao nhất trong năm. Gu (2006) trong nghiên cứu về các thị
trường Canada, Pháp, Đức, Nhật và Anh từ 1970-2000 tssl tháng Một cao nhất. Các bằng chứng
ủng hộ cũng được tìm thấy ở Ghana với nghiên cứu của Alagidede và Panagiotidis (2006), ở Ấn
Độ của Pandey (2002). Enowbi, Guidivà Mlambo (2009) kiểm định đối với Ai Cập, Ma Rốc,
Nam Phi và Tunisia cho biết tssl tháng Một cao nhất có ý nghĩa đối với Ai Cập, Ma Rốc,

Tunisia.
1.3 Bằng chứng về thị trƣờng hiệu quả dạng vừa
Khi thị trường hiệu quả dạng yếu, ta tiếp tục xem xét liệu giá cả có phản ánh các thông
tin công cộng kịp thời hay không - tức là hiệu quả dạng vừa. Đối với công bố mua lại cổ phiếu
quỹ ở thị trường New York, Kinsler và Bacon (2008) xem xét 50 công ty niêm yết ở NYSE và
NASDAQ từ 8/2000-7/2007 cho biết tssl bất thường tích lũy (CAER) âm trước khi công bố, tăng
mạnh lên vùng >0 tại ngày 0 và đi ngang sau đó ủng hộ cho ý kiến trên. Đối với công bố mua
bán sáp nhập, hai tác giả trên sử dụng 20 công bố của các công ty niêm yết ở NYSE và
NASDAQ từ 4/2007-8/2007 bác bỏ ý kiến hiệu quả dạng vừa bởi CAER liên tục tăng từ trước
khi công bố cho đến ngày 25. Đối với công bố lợi nhuận, Raja và Sudhahar (2010) xem xét các
công ty IT niêm yết ở Ấn Độ từ 2000-2007 ủng hộ lý thuyết này nhưng nhấn mạnh thị trường
không hoàn toàn hiệu quả bởi CAER sau khi công bố hơi đi chệch xuống. Đối với chia tách cổ
phiếu, hai tác giả trên (2009) xem xét 128 công bố của bốn mươi ba công ty IT từ 1/2000-7/2006
cho thấy có sự phản ứng trong giá cổ phiếu tại ngày 0 nhưng phản ứng còn kéo dài đến ngày 15,
hàm ý thị trường chưa hoàn toàn hiệu quả dạng vừa.
Như vậy, có thể thấy có những bằng chứng ủng hộ lẫn bác bỏ lý thuyết này, còn đối với
Việt Nam - quốc gia có thị trường chứng khoán mới phát triển từ năm 2000 đến nay thì sao?
Mục đích của bài viết này nhằm cung cấp các bằng chứng về sự hiệu quả của thị trường ở Việt
Nam, đồng thời đưa ra các giải thích cho sự không hiệu quả này nếu có.

Trang 6


CHƢƠNG 2
Thực tiễn về thị trƣờng hiệu quả ở Việt Nam

2.1 Phƣơng pháp đo lƣờng
Khi đề cập đến thị trường hiệu quả dạng yếu, các nhà kinh tế đề xuất phương trình như
sau:
P(t) = P(t-1) + u(t) với u là nhiễu trắng thỏa mãn E(u(t)) = 0, var = σ

2
, cov(u(i),u(j)) = 0
với i khác j
Phương trình này hàm ý giá cả ngày ngày mai không thể dự đoán dựa trên giá cả ngày
hôm nay, thể hiện qua u(t) nhiễu trắng và dữ liệu giá quá khứ được phản ánh đầy đủ trong giá cả
hôm nay, thể hiện qua phương trình chỉ biểu diễn mối quan hệ giữa P(t) và P(t-1) chứ không phải
P(t) với P(t-1), P(t-2)…Tuy nhiên, khi giá cả thể hiện một xu hướng tăng hay giảm trong dài hạn,
phương trình trên cần thêm biến alpha thể hiện sự thay đổi giá cả trung bình mỗi ngày, tháng
tương ứng với t. Để dễ dàng cho việc tính toán, ta lấy log P(t), phương trình mới là:
Log P(t) = A*logP(t-1) + u(t)
Lấy 2 vế trừ cho log P(t-1), ta có:
logP(t) - log(P(t-1)) = (A-1)*log(P(t-1)) + u(t)
khi A = 1, log P(t) - log(P(t-1)) = u(t)
Có thể thấy vế trái phương trình chính là tỷ suất sinh lợi liên tục (tssl) giữa ngày t và t-1.
Như vậy, để kiểm định bước đi ngẫu nhiên, trước hết ta cần kiểm định A có bằng 1 hay không và
tiếp theo là kiểm tra các tính chất của tssl, tức u(t). Bên cạnh đó, nhằm phân chia mức độ của lý
thuyết bước đi ngẫu nhiên thành các dạng khác nhau, ta cần quan tâm đến các giả thiết con của lý
thuyết này:
Giả thiết 1: u(t) độc lập và có phân phối xác định, một dạng điển hình là phân phối chuẩn
– dạng chặt chẽ nhất.
Giả thiết 2 : u(t) là nhiễu trắng - dạng vừa.
Giả thiết 3 : u(t) không tồn tại sự tương quan tuyến tính - dạng yếu.
Trước khi đi sâu vào các kiểm định cụ thể dưới đây, ta cần biết một số tính chất của chuỗi
dừng và chuỗi không dừng. Một chuỗi dừng nếu có các đặc điểm giá trị kỳ vọng, phương sai
không đổi theo thời gian và cov(Y(t),Y(t-k)) = a(k) (nghĩa là hiệp phương sai giữa hai giá trị Y
Trang 7


cách nhau k giai đoạn). Một chuỗi không dừng là chuỗi có giá trị kỳ vọng hay phương sai thay
đổi theo thời gian hoặc cả hai. Xét Y(t) = Y(t-1) + u(t) với u(t) là nhiễu trắng

Y(1) = Y(0) + u(1); Y(2) = Y(1) + u(2) = Y(0) + u(1) + u(2) với Y(0) là hằng số
Y(t) = Y(t-1) + u(t) = Y(0) + u(1) +….+ u(t) có E(Y(t)) = E(Y(t-1)) và var(Y(t)) =
t*var(u).
Như vậy, Y(t) không phải là chuỗi dừng vì có phương sai thay đổi theo thời gian, t càng
lớn, phương sai cũng lớn theo.
2.1.1 Kiểm định nghiệm đơn vị
Quay trở lại với chủ đề chính, đầu tiên ta kiểm định liệu chuỗi logP(t) có phải là chuỗi
dừng hay không (tương ứng với A=1) bằng phương pháp nghiệm đơn vị. Phương pháp này xét
phương trình Y(t) = A*Y(t-1) + u(t) với -1<=A<=1, u(t) là nhiễu trắng.
Ta có các giả thiết H
0
: A=1(chuỗi không dừng) và giả thiết đối H
1
: A<1(chuỗi dừng)
Phương trình trên tương đương với Y(t) - Y(t-1) = (A-1)*Y(t-1) + u(t) = a*Y(t-1) + u(t)
Giả thiết trên có thể viết lại H
0
: a=0 và H
1
: a<0
Dickey Fuller (1979) cho rằng giá trị ước lượng tau của hệ số a sẽ theo phân phối xác
suất tau(tau = giá trị p ước lượng/sai số của a). Kiểm định này được ước lượng với ba hình thức:
∆Y(t) = a*Y(t-1) + u(t)
∆Y(t) = α + a*Y(t-1) + u(t)
∆Y(t) = α + b*T + a*Y(t-1) + u(t) = a*Y(t-1) + c*X(t) + u(t) (1) với T là biến xu thế và
X(t) là biến ngoại sinh bao gồm α hay α và biến xu thế.
Việc lựa chọn mô hình nào có kết quả kiểm định đúng phụ thuộc vào giá trị tau của hệ số
theo biến Y(t-1). Vì a luôn <=0 nên tau <=0. Bất cứ kiểm định nào cho hệ số tau >0 đều không
có ý nghĩa về mặt thống kê. Tuy nhiên, có thể có sự xuất hiện hiện tượng tương quan chuỗi giữa
các u(t) do thiếu biến nên kiểm định DF mở rộng được sử dụng bằng cách đưa thêm vào phương

trình các biến trễ của biến phụ thuộc ∆Y(t):
∆Y(t) = α + b*T + a*Y(t-1) + u(t) + ∑∆Y(t-k) với k=1,…, n
Bên cạnh đó, đối với trường hợp nghi ngờ có hiện tượng tương quan chuỗi giữa u(t),
Philips Perron (1988) đề xuất kiểm định ước lượng phương trình (1) và cải biến giá trị tau sao
cho hiện tượng tương quan giữa u(t) không ảnh hưởng đến phân phối tau. Ngoài ra, kiểm định
KPSS (1992) cũng được sử dụng để kiểm định tính dừng của Y(t) nhưng giả thiết H
0
: Y(t) là
chuỗi dừng, được biểu diễn qua phương trình sau: Y(t) = c*X(t) + u(t).
Trang 8


2.1.2 Kiểm định hệ số tƣơng quan
Sau khi đã xác định mối quan hệ giữa Y(t) và Y(t-1), ta xét đến các tính chất của u(t)
(tssl). Đầu tiên là cov(u(i), u(j))=0 liệu có đúng hay không? Để kiểm định tính chất này, ta sử
dụng hệ số tương quan . Barnett (1996) đã chỉ ra nếu chuỗi u(t) độc lập, có phân phối xác suất
xác định thì các hệ số tương quan p(k) (ACF) sẽ có phân phối xấp xỉ chuẩn với kỳ vọng bằng 0
và phương sai là 1/n với n khá lớn: p(k) xấp xỉ N(0, 1/n). Giả thiết cần kiểm định H
0
: p(k)=0, H
1
:
p(k) khác 0 với k là độ trễ. Tuy nhiên, u(t) là nhiễu trắng đòi hỏi p(k)=0 với mọi k nên kiểm định
Ljung Box được sử dụng nhằm khảo sát giả thiết này. Ngoài ra, các hệ số tương quan p(k) phản
ánh mức độ kết hợp tuyến tính giữa hai biến, mức độ đó có thể bị ảnh hưởng bởi các biến khác,
ví dụ như u(t-1), u(t-2)… có thể ảnh hưởng đến mức độ kết hợp của u(t) và u(t-k). Do đó, để đo
mức độ kết hợp riêng rẽ giữa u(t) và u(t-k), ta có thể sử dụng hệ số tự tương quan riêng p(kk)
(PACF), cũng tuân theo phân phối xấp xỉ chuẩn N(0, 1/n) nếu u(t) thỏa điều kiện trên.
Thêm vào đó, nếu u(t) độc lập và có phân phối xác suất xác định thì u(t) bình phương và
u(t) tuyệt đối cũng tương tự như vậy. Ta lần lượt kiểm định tính chất này. Nếu hệ số tương quan

giữa u(t) bình phương và u(t) tuyệt đối khác 0 đáng kể thì giả thiết u(t) có phân phối xác định sẽ
bị bác bỏ và u(t) không độc lập. Theo Taylor
(1)
, hiện tượng phương sai có điều kiện thay đổi hay
phương sai thay đổi có thể giải thích cho hiện tượng này. Vậy hai hiện tượng này là gì? Như tên
gọi của nó, phương sai thay đổi cho biết có sự biến động trong phương sai trong giai đoạn xem
xét, khi đó phương sai không là hằng số theo thời gian. Nó bao gồm hai dạng là phương sai có
điều kiện thay đổi và phương sai không điều kiện thay đổi. Dạng thứ nhất ám chỉ khi có cú sốc
tạo ra sự biến động lớn trong một thời kỳ thì sự ảnh hưởng này kéo dài trong một vài thời kỳ sau
đó, do đó ta không dự đoán được tính biến động này ở tương lai vì không thể biết trước các cú số
xảy ra khi nào. Tuy nhiên, khi có hiện tượng phương sai thay đổi, chưa chắc tồn tại phương sai
thay đổi vì chỉ khi có cú sốc xảy ra khiến giá cả biến động mạnh, mới có hiện tượng phương sai
có điều kiện thay đổi. Do đó thông thường phương sai thay đổi là dạng thứ hai. Dạng này cho
biết có thể biết trước được tính biến động của yếu tố xem xét trong tương lai, được giải thích bởi
sự tồn tại của yếu tố mùa vụ. Ví dụ như lượng tiêu thụ điện mùa khô luôn cao hơn mùa mưa và ta
có thể biết trước được hiện tượng này. Ta sẽ quay trở lại hai vấn đề này ở phía dưới.

(1)
trang 64, 65, 66 sách “Modelling financial time series”, tái bản lần 2, tác giả Taylor, nhà xuất
bản World Scientific
Trang 9


Tuy nhiên, việc giả thiết p(k) tuân theo phân phối xấp xỉ chuẩn là hạn chế của kiểm định
hệ số tương quan. Hạn chế này xuất hiện khi u(t) không độc lập, không có phân phối xác suất
xác định và không đúng với u(t) phi tuyến, ngay cả khi nó là nhiễu trắng (theo Talyor
(2)
). Khi đó,
phương sai của p(k) có thể rất lớn so với 1/n. Do đó, kiểm định đọan mạch tiếp cận theo một
hướng khác để xác định sự độc lập giữa u(t) khi hạn chế này bị vi phạm, nghĩa là kiểm định

không quan tâm đến phân phối của p(k) như thế nào. Tính độc lập cho biết có sự không tương
quan tuyến tính và không tương quan phi tuyến. Một đoạn mạch là một dãy liên tục các ký hiệu
giống nhau. Nếu u(t) có xu hướng thay đổi theo chiều tăng hay giảm, thì đoạn mạch trung bình
sẽ dài hơn và số lượng đoạn mạch sẽ ít hơn so với quá trình ngẫu nhiên. Các ký hiệu ở đây mang
dấu + nếu u(t) lớn hơn u trung bình hay trung vị u, - nếu u(t) bé hơn, 0 nếu không có sự thay đổi
so với giá trị so sánh gốc. Giả thiết H
0
: u(t) độc lập, H
1
: u(t) không độc lập được kiểm định.
Ngoài ra, BDS (Brock, Dechert, Scheinkman và LeBaron) (1996) tiếp cận theo hướng
khác nhằm kiểm định tính độc lập giữa các tssl. Ý tưởng cơ bản của kiểm định này là nếu u(t)
độc lập và có phân phối xác định thì xác suất khoảng cách của bất cứ cặp u(t), u(t-k) nào nhỏ hơn
giá trị epsilon cho trước là hằng số, được mở rộng cho một dãy các cặp u(t) u(k), u(t+1)
u(k+1)… u(t+m-1) u(k+m-1) với m là chiều dài của dãy (embedding dimension), m >=1 và xác
suất chung cho khoảng cách giữa các cặp bé hơn epsilon cho trước là hằng số. Do u(t) độc lập và
có phân phối xác định nên xác suất chung này bằng với xác suất của mỗi cặp u(t) u(k). Giả thiết
H
0
: tssl giữa các kỳ là độc lập tương ứng với xác suất chung này bằng với xác suất mỗi cặp u(t)
u(k) bé hơn epsilon. Tuy nhiên, nếu phân phối của thống kê BDS không có phân phối chuẩn thì
sử dụng phương pháp tái tạo mẫu bootstrap - lấy ngẫu nhiên các giá trị từ mẫu ban đầu tạo thành
mẫu mới nhằm đưa ra kết quả chính xác hơn. Phương pháp này tính toán giá trị thống kê BDS
cho mỗi lần tái tạo mẫu và so sánh nó với giá trị thống kê BDS từ mẫu ban đầu, từ đó rút ra giá
trị p-value bằng số nhỏ hơn giữa số lần tái tạo có giá trị thống kê lớn hơn và nhỏ hơn giá trị
thống kê từ mẫu ban đầu/tổng số lần tái tạo và nhân với 2 (do kiểm định hai phía).



(2)

trang 25 sách “Modelling financial time series”, tái bản lần 2, tác giả Taylor, nhà xuất bản
World Scientific

Trang 10


2.1.3 Kiểm định phƣơng sai
Tiếp theo, ta xét đến tính chất var u(t) không thay đổi theo thời gian. Nếu tính chất này
đúng thì phương sai trong q thời kỳ sẽ bằng với q lần phương sai trong một thời kỳ, tức là: var
(u(t) - u(t-q)) = q*var(u(t) - u(t-1)). Lo và Mackinlay (1988) đã đề xuất kiểm định dựa trên ý
tưởng này. Họ sử dụng tỷ lệ phương sai: VR(q) = (1/q)*var u(q)/var u(1).
U(t) có phương sai không đổi trong thời gian q tương ứng với giả thiết H
0
: VR(q)=1. Tuy
nhiên, hạn chế của kiểm định này chính là chỉ xét đến khoảng thời gian q và việc lựa chọn q để
xét mang tính chủ quan trong khi đó nếu var u(t) không đổi theo thời gian thì VR(q)=1 đúng với
mọi q=1, 2,… Do đó, Chow và Denning (1993) đề xuất kiểm định H
0
: VR(q)=1 với mọi q và H
1
:
có ít nhất 1 VR(q) khác 1. Giá trị kiểm định ở đây là MV= √ T*(max│VR(q)-1)│). Giá trị p-
value tính toán tương ứng với chặn trên sao cho giá trị MV bé hơn hoặc bằng chặn trên này (*).
Mặc dù hai kiểm định này được sử dụng rộng rãi, nhưng nó vẫn có một số nhược điểm.
Thứ nhất, Lo và Mackinlay giả định phân phối mẫu VR là phân phối chuẩn tắc. Điều này chưa
chắc đúng nếu số lượng quan sát u(t) ít. Thứ hai, việc kiểm định VR(q)=1 với q=1, 2,…. có thể
đưa đến kết luận bác bỏ giả thíết H
0
sai lầm do có hiện tượng tương quan giữa các VR(q) đơn lẻ
gây ra bởi các quan sát trùng lắp trong VR(q). Từ hai nhược điểm trên, trong kiểm định Chow và

Denning, phương pháp tái tạo mẫu bootstrap một lần nữa được sử dụng, từ đó cho kết quả chính
xác hơn. Giá trị p-value tính toán trực tiếp bằng tỷ lệ giữa số lần tái tạo có giá trị MV lớn hơn
chặn trên được xác định từ (*) chia cho tổng số lần tái tạo; q nên bằng 2, 4, 8, 16, 32 đối với dữ
liệu theo ngày. Dựa trên ý tưởng của Lo và Mackinlay, Wright (2000) đề xuất sử dụng rank và
rank scores của tssl thay cho chính tssl và chứng minh phương pháp này chính xác hơn khi tssl
không tuân theo phân phối chuẩn. Giá trị q xét đến là 2, 5, 10, 30.
2.1.4 Kiểm định phƣơng sai có điều kiện
Như đã nói ở trên, nếu có hiện tượng tương quan giữa tssl bình phương, trị tuyệt đối tssl
thì có thể có hiện tượng phương sai có điều kiện thay đổi. Để xác định xem có hiện tượng này
hay không, ta tìm hiểu về các mô hình AR(p), MA(q) và ARMA(p, q). Cả ba mô hình đều dựa
trên chuỗi thời gian đang xét đến có tính dừng ( theo Gujarati (2003), nếu một chuỗi thời gian
không dừng thì phương trình ước lượng sẽ không có ý nghĩa thống kê), có thể được kiểm định
bằng phương pháp nghiệm đơn vị.
Xét mô hình AR(p) tự hồi quy bậc p có dạng: Y(t) = a + b(1)*Y(t-1) +….+ b(p)*Y(t-p) +
u(t) hàm ý hành vi của Y(t) được xác định bởi giá trị trước đó của chính chuỗi thời gian. Mối
Trang 11


tương quan giữa biến phụ thuộc Y(t) và Y(t-1), Y(t-2)… được xác định dựa trên hệ số tương
quan riêng như đã đề cập phía trên. Mô hình AR(p) đòi hỏi hệ số tương quan ACF có xu hướng
bằng 0 ngay lập tức, trong khi đó PACF sẽ có xu hướng khác 0 một cách có ý nghĩa thống kê cho
đến độ trễ p và bằng 0 ngay sau độ trễ p đó.
Tiếp đến là mô hình MA(q) có dạng: Y(t) = μ + u(t) + b(1)*u(t-1) +….+ b(q)*u(t-q)
Y(t) - μ = u(t) + b(1)*u(t-1) +….+ b(q)*u(t-q) hàm ý độ lệch của Y(t) là một hàm tuyến
tính của các sai số hiện tại và quá khứ. Để xác định độ trễ p ta sử dụng giản đồ tự tương quan
ACF sẽ có xu hướng khác 0 một cách có ý nghĩa thống kê cho đến độ trễ q và sẽ bằng 0 sau độ
trễ này. Trong khi đó PACF sẽ có xu hướng bằng 0 ngay lập tức. Nếu chuỗi dữ liệu vừa có ACF
và PACF khác 0 một cách có ý nghĩa thống kê và là chuỗi dừng thì có thể tuân theo mô hình
tổng quát ARMA(p, q).
Sau khi ước lượng được mô hình ARMA(p, q) phù hợp, ta kiểm tra liệu có hiện tượng

phương sai có điều kiện thay đổi của u(t). McLeod và Li (1983) đề xuất xem xét hệ số tương
quan giữa u(t) bình phương, Engle (1982) xây dựng phương trình u(t)
2
= c + u(t-1)
2
+…+ u(t-k)
2

(2). Nếu hệ số tương quan giữa u(t) bình phương và các hệ số trong phương trình Engle khác 0
có ý nghĩa thống kê, khi đó tồn tại hiện tượng phương sai có điều kiện thay đổi (ARCH). Engle
đề xuất phương trình ARCH(q) như sau: Y(t) = a + b*X(t) + u(t) với X(t) có thể là biến giả hay
biến trễ Y(t-1), Y(t-2)
u(t) tuân theo phân phối N(0, h(t))
h(t) = a + b(1)*u(t-1)
2
+….+ b(p)*u(t-p)
2

Mô hình này cho rằng khi có một cú sốc lớn xảy ra ở các giai đoạn trước thì giá trị u(t)
bình phương cũng sẽ lớn hơn. Các giá trị b(p) phải dương vì phương sai luôn dương. Tuy nhiên,
việc xét ARCH(p) với p càng cao, càng làm giảm kết quả ước lượng (thông qua hệ số xác định
điều chỉnh R
2
= 1 - ESS(n-1)/TSS(n-k) giảm khi k càng lớn) khi giảm đáng kể số bậc tự do trong
mô hình. Vì vậy, Bollerslev (1986) đề xuất đưa thêm vào phương trình các biến trễ của phương
sai có điều kiện theo dạng tự hồi quy.
Mô hình GARCH(p, q) có dạng sau đây: Y(t) = a + b*X(t) + u(t) với X(t) có thể là biến
giả hay biến trễ Y(t-1), Y(t-2)
u(t) tuân theo phân phối N(0, h(t))
h(t) = a + b(1)*u(t-1)

2
+….+ b(p)*u(t-p)
2
+ c(1)*h(t-1) +….+ c(q)*h(t-q), b(p) và c(q)
dương
Trang 12


Bollerslev cũng chứng minh mô hình GARCH(1,1) tương đương với mô hình ARCH(p)

(3)
. Do đó, ta sẽ sử dụng phương trình GARCH thay cho các mô hình ARCH bậc cao. Việc xác
định p mang tính chất định tính, ta có thể thử bằng những giá trị khác nhau sao cho thỏa mãn
điều kiện b(p) và các hệ số có ý nghĩa thống kê. Điều này cũng tương tự với q, được xác định từ
phương trình (2). Ngoài ra, mô hình GARCH-M (1987) và T-GARCH (1993, 1994) được sử
dụng để bù đắp nhược điểm của GARCH. Thứ nhất, GARCH-M cho phép bổ sung giá trị trung
bình phụ thuộc vào phương sai có điều kiện hay độ lệch chuẩn có điều kiện của chính nó. Điều
này hàm ý các nhà đầu tư thường đòi hỏi phần phí bù rủi ro khi rủi ro càng cao - được đo lường
bằng phương sai có điều kiện. Nếu hệ số của nó >0 có ý nghĩa thống kê thì kết luận có hiện
tượng trên. Tương tự, mô hình T-GARCH cho phép tách biệt ảnh hưởng của các cú sốc dương
(tin tức tốt) và âm - liên quan đến tính hiệu quả của thị trường, trong khi đó mô hình GARCH chỉ
quan tâm đến giá trị tuyệt đối của các cú sốc ( u(t)
2
) chứ không quan tâm đến dấu của chúng. Vì
vậy, T-GARCH bổ sung vào phương trình phương sai có điều kiện biến giả d(t) có giá trị =1 nếu
u(t) <0 và =0 nếu u(t) >0. Nếu hệ số của biến giả này có ý nghĩa thống kê chứng tỏ có sự khác
biệt giữa các cú sốc âm và dương, ví dụ cú sốc âm có tác động mạnh làm các nhà đầu tư bi quan,
chán nản và chờ đợi một cách thụ động các dấu hiệu thị trường, hàm ý thị trường không hiệu
quả. Phương trình phương sai của T-GARCH(1,1) có dạng: h(t) = a + b(1)*u(t-1)
2

+ b’(1)*d(t-
1)*u(t-1)
2
+ c(1)*h(t-1).
Ngoài ra, Lo và Mackinlay đã mở rộng kiểm định của mình đối với hiện tượng phương
sai có điều kiện thay đổi và giả thiết Ho tương tự như trên. Tương tự cho Chow và Denning. Đặc
biệt, khi VR không có phân phối chuẩn, Kim đề xuất sử dụng phương pháp tái tạo mẫu Wild
bootstrap - tái tạo mẫu Y(t)*=NY(t) với N có trung bình và phương sai thuần nhất. Giá trị p-
value được tính toán tương tự như đề cập ở phần trước. Dựa trên ý tưởng của Lo và Mackinlay,
Wright cũng đề xuất sử dụng dấu (sign) cùa tssl thay vì chính nó để kiểm định trong trường hợp
này.
2.1.5 Kiểm định các hiệu ứng bất thƣờng
Từ những kiểm định về tính tương quan và phương sai của u(t) là cơ sở thuyết phục về
các tính chất của u(t). Tuy nhiên, ta còn bỏ sót việc kiểm định liệu E(u(t)) có thay đổi theo thời

(3)
trang 518 sách “Dự báo và phân tích dữ liệu trong kinh tế và tài chính, đồng tác giả Nguyễn
Trọng Hoài, Phùng Thanh Bình, Nguyễn Khánh Duy, nhà xuất bản thống kê, 2009
Trang 13


gian hay không. Hiện nay trên thế giới chưa có kiểm định nào ứng dụng rộng rãi để kiểm tra tính
chất này. Nếu như thị trường không hiệu quả dạng yếu thì khả năng xuất hiện các bất thường của
thị trường rất đáng xem xét. Ở đây, ta đề cập đến hai sự bất thường, đó là hiện tượng tháng
Giêng và hiệu ứng theo tuần. Trước hết, hiệu ứng tháng Giêng cho biết tssl của tháng Một cao
hơn so với các tháng khác. Để kiểm tra tính đúng đắn của hiệu ứng này, theo Coutts (2000), ta
hồi quy phương trình tssl theo các biến giả đại diện cho các tháng trong năm. Phương trình có
dạng:
R(t) = b0 + b2*D2(t) +…….+ b12*D12(t) + u(t) với b2, …12 lần lượt là sự chênh lệch
giữa tssl tháng Giêng và các tháng khác trong năm…,b0 là tssl tháng Một. Giả thiết H

0
: tất cả
các hệ số b đều bằng không, tương ứng với không có hiệu ứng tháng Giêng. Nếu giả thiết H
0
bị
bác bỏ, dấu của b0 phải dương có ý nghĩa thống kê, đồng thời dấu âm của các hệ số hồi quy của
các biến giả là một dấu hiệu quan trọng cho biết ảnh hưởng tháng Giêng.
Tiếp theo, ta kiểm định hiệu ứng theo tuần điển hình. Hiệu ứng này cho biết tssl ngày thứ
Hai thường thấp hơn so với các thứ còn lại và tssl đạt cao nhất vào thứ Sáu trong tuần. Để kiểm
định hiện tượng này, theo Karolyi (1995), Kiymaz và Berument (2003), ta sử dụng mô hình E-
GARCH (1991) kết hợp với các biến giả tương ứng với các thứ trong tuần là Hai, Ba, Năm, Sáu.
Trước hết, hãy nói sơ qua về mô hình E-GARCH. Về mặt lý thuyết, mô hình này cũng tương ứng
với mô hình T-GARCH khi cho phép tách biệt ảnh hưởng của các cú sốc dương và âm đến
phương sai u(t). Phương trình có dạng:
Y(t) = b2*D2(t) + b3*D3(t) + b5*D5(t) + b6*D6(t) + b*X(t) + u(t) (3)
u(t) tuân theo phân phối N(0, h(t))
log h(t) = a+ b2*D2(t) + b3*D3(t) + b5*D5(t) + b6*D6(t) + c(1)*log h(t-1) +….+
c(q)*log h(t-q) + d(1)*│u(t-1)/σ(t-1)│+….+ d(p)*│u(t-p)/σ(t-p)│+ e(1)*u(t-1)/σ(t-1) +…+
e(p)*u(t-p)/σ(t-p) (4)
Các biến D2, 3, 5, 6 đại diện cho các thứ Hai, Ba, Năm, Sáu, e đại diện cho ảnh hưởng
của các tin tức xấu và tốt đến phương sai. Lưu ý do phương trình phương sai lấy log nên các hệ
số c không cần >0. Hệ số e bằng 0 có ý nghĩa thống kê có nghĩa cú sốc âm và dương có tác động
như nhau. Nếu b2 <0 và b6 >0 có ý nghĩa thống kê trong phương trình (3); hệ số b2 >0 và b6 <0
có ý nghĩa thống kê trong phương trình (4) chứng tỏ sự tồn tại của của hiệu ứng này. Để kiểm tra
xem kết quả có thay đổi nếu tssl chịu tác động của phần phí bù đắp rủi ro, ta bổ sung biến
phương sai có điều kiện h(t) vào phương trình (3) và kiểm định như trên.
Trang 14


Đến bây giờ, chúng ta đã đi qua các phương pháp kiểm định cho thị trường hiệu quả dạng

yếu, tức giá cả hôm nay chứa đựng thông tin về giá cả quá khứ và không cho biết thông tin nào
về giá cả tương lai. Tuy nhiên, liệu giá cả chứng khoán có phản ánh các thông tin đại chúng một
cách kịp thời và đầy đủ khi các tin tức này được tuyên truyền rộng rãi hay không? Nếu tồn tại sự
phản ánh như vậy, các nhà kinh tế gọi đó là thị trường hiệu quả dạng vừa. Như vậy, phần tiếp
theo sẽ nêu ra phương pháp nghiên cứu sự kiện (event study) nhằm kiểm định tính hiệu quả dạng
vừa này. Đầu tiên, ta cần tìm hiểu một số khái niệm. ta có:
Tssl nắm giữ trong một ngày = (giá đóng cửa ngày hôm nay-giá đóng cửa ngày hôm
qua)/giá đóng cửa ngày hôm qua
Tssl kỳ vọng của một chứng khoán được xác định theo mô hình CAPM tức là:
E(Ri) = Rf + β chứng khoán(Rm-Rf) với β = cov(Ri,Rm)/var Rm
Tssl vượt trội của một chứng khoán là mức chênh lệch giữa tssl thực tế và tssl kỳ vọng:
ER = tssl thực tế(R) - tssl kỳ vọng(E(R))
Tssl vượt trội tích lũy ngày thứ i bằng tổng tssl vượt trội từ các ngày 1, 2,…, i
Khoảng thời gian được xem xét trong phương pháp này là 30 ngày trước ngày công bố tin
tức và 30 ngày sau ngày công bố với ngày 0 là ngày công bố. Các giả thiết cần kiểm định là H
01
:
thông tin được công bố không tạo ra phản ứng đáng kể trong giá cổ phiếu vào ngày 0 và H
02
:
thông tin công bố không tạo ra phản ứng đáng kể trong giá cổ phiếu trong thời kỳ công bố.
Thống kê t được sử dụng để xác định liệu ER khác 0 có ý nghĩa thống kê hay không với t = ER
trung bình * √ n/σ tương ứng với mẫu. Để kiểm định giả thiết H
01
và H
02
, ta lần lượt xem xét
phản ứng tại ngày 0 như thế nào và liệu AER, CAER trung bình trong thời kỳ công bố có bằng 0
một cách có ý nghĩa thống kê hay không. Ở phần phía dưới, ta đề cập đến hai sự kiện công bố
thông tin: công bố lợi nhuận và công bố mua lại cổ phiếu quỹ. Nếu cả hai giả thiết H

01
và H
02
lần
lượt bị bác bỏ, có thể kết luận rằng thị trường chứng khoán hiệu quả dạng vừa, ít nhất là đối với
các công bố về lợi nhuận và mua cổ phiếu quỹ.
2.1.6 Dữ liệu nghiên cứu
Đối với kiểm định thị trường hiệu quả dạng yếu, dữ liệu được sử dụng là chỉ số VN-
INDEX mỗi ngày từ 28/7/2000-9/3/2010, giá đóng cửa mỗi ngày của VNM từ 19/1/2006-
9/3/2010 và FPT từ 13/12/2006-9/3/2010. Các dữ liệu theo tháng và tuần được rút trích ra từ ba
dữ liệu trên.
Trang 15


Đối với kiểm định thị trường hiệu quả dạng vừa, về vấn đề công bố lợi nhuận, ta sử dụng
số liệu của VNM và FPT với thời gian công bố lần lượt là 13/4/2009 và 16/7/2009. Đối với công
bố mua lại cổ phiếu quỹ, chỉ có VNM có chính sách này với ngày công bố là 24/12/2009. Các
công bố này đều xảy ra ít nhất một năm sau khi các công ty lên sàn. Việc tính toán tssl kỳ vọng
trong thời gian công bố dựa trên beta tính toán từ ngày -180 đến -31.
2.2 Kết quả thực tế
2.2.1 Kiểm định tính hiệu quả yếu
2.2.1.1 Kiểm định nghiệm đơn vị
Trong phần này, ta lần lượt đề cập đến tính hiệu quả dạng yếu và vừa của thị trường
chứng khoán Việt Nam, tiêu biểu là VN-INDEX. Không chỉ vậy, ta còn quan tâm đến liệu các
chứng khoán riêng lẻ có hiệu quả hay không, thông qua hai chứng khoán là FPT và VNM. Đầu
tiên, hãy xem xét thống kê miêu tả về tssl của ba chứng khoán này.
Qua thống kê sơ bộ ở bảng 1, tssl của VNM và VN-INDEX đều dương, FPT âm cho biết
việc nắm giữ chứng khoán FPT trong giai đoạn xem xét tính trung bình không sinh lời. có thể
thấy cả ba chứng khoán đều có độ lệch chuẩn lớn, cho thấy tính biến động mạnh mẽ trong giá cả.
Hệ số Skewness đều âm cho biết hàm phân phối xác xuất bị nghiêng trái nhưng mức độ nghiêng

lớn xuất hiện ở VNM và FPT với dữ liệu theo ngày, tuần. Hệ số Kurtosis đều lớn hơn 3 đáng kể
cho biết độ phân tán về tssl ở ba chứng khoán đều lớn, ngoại trừ FPT theo tháng xấp xỉ độ nhọn
chuẩn. giá trị p-value của thống kê Jarque-Bera ở VN-INDEX, ở VNM và FPT đối với ngày,
tuần cho biết tssl không tuân theo phân phối chuẩn, chỉ có tssl theo tháng ở VNM và FPT tuân
theo phân phối này với bất cứ mức ý nghĩa alpha =10%, 5% và 1%. Điều này sẽ giúp chúng ta
thực hiện các kiểm định cho kết quả chính xác hơn ở phần sau. Tiếp theo, ta lần lượt kiểm định
bằng chứng về nghiệm đơn vị - tức chuỗi logP(t) dừng hay không dừng. Ở đây, ta xem xét
phương trình logP(t) = logP(t-1) + c + u(t) với c thể hiện sự thay đổi giá cả trung bình giữa t và t-
1.
Từ bảng 2, ta thấy cả hai phương pháp ADF và PP đểu cho kết quả là logP(t) là chuỗi
không dừng, hàm ý bước đi ngẫu nhiên tồn tại. Các ký hiệu *, ** cho biết hệ số c trong phương
trình khác 0 lần lượt có ý nghĩa mức 5%, 10%. Ta thấy VN-INDEX và VNM ở ba chuỗi có hệ số
c khác 0 có ý nghĩa ở mức 10%, ngoại trừ FPT, nghĩa là sự thay đổi giá cả trung bình mỗi ngày,
tháng, năm bằng 0. Về kiểm định KPSS, VN-INDEX đều có giá trị thống kê lớn hơn giá trị
tương ứng với mức ý nghĩa 1%, 5%, 10%, cho thấy chuỗi logP(t) là chuỗi không dừng. Đối với
Trang 16


VNM, bước đi ngẫu nhiên chỉ đúng đối với dữ liệu theo ngày, hàm ý có thể dự báo tin cậy giá cả
của chuỗi dữ liệu theo tuần và tháng. FPT cũng cho thấy ba chuỗi đều không dừng ở mức ý
nghĩa 5% và 10%. Việc kiểm định tính dừng của sai phân logP(t) đối với ba phương pháp cho
biết sai phân bậc 1 (hay còn gọi là tssl) đều cho thấy tồn tại tính chất này, tức là có thể xây dựng
mô hình nêu lên mối quan hệ giữa tssl t, t-1, t-2 Ta sẽ khảo sát tính chất tương quan này ở phần
tiếp theo.
2.2.1.2 Kiểm định hệ số tƣơng quan
Xem xét bảng tương quan của 3 chứng khoán ở bảng 3, ta thấy chuỗi tssl VN-INDEX có
hệ số tương quan lớn và giá trị p-value của kiểm định Ljung Box đều bằng 0, cho biết hệ số
tương quan khác 0 có ý nghĩa ở mức 5% ở các độ trễ 1, 4, 8, 12; các hệ số tương quan này đều
>0, hàm ý tssl ngày hôm nay có xu hướng đạt tssl cao hơn vào một vài ngày hôm sau, ngoại trừ
tssl theo tháng đối với các độ trễ 8 và 12. Đối với VNM, mối tương quan giữa các tssl theo các

trễ không tồn tại ở mọi mức ý nghĩa 1%, 5% và 10%. Mối tương quan này cũng đúng đối với
FPT theo tháng và tuần, ngoại trừ chuỗi dữ liệu theo ngày có mối tương quan dương giữa ngày
hôm nay và các ngày -1, -4, mối tương quan âm với ngày -8, -12. Từ phân tích trên, ta thấy tssl
VNM không tương quan, VN-INDEX có tương quan dương rõ rệt, còn FPT thì có bằng chứng
hỗn hợp ủng hộ lẫn bác bỏ sự tương quan. Tuy nhiên, điều này không cho ta biết thông tin gì về
mối quan hệ phi tuyến giữa các tssl khi mà sự tương quan này tiết lộ cho ta biết nhiều điều quan
trọng. Ta xem xét mối quan hệ giữa bình phương tssl và trị tuyệt đối tssl (số trong ngoặc).
Những ô trình bày hai kết quả cho thấy có bằng chứng trái ngược nhau giữa quan hệ bình
phương tssl và tssl tuyệt đối.
Từ ba bảng 4, 5, 6, ta thấy VN-INDEX tồn tại tương quan giữa các tssl bình phương và
trị tuyệt đối (không trình bày) rõ rệt ở mọi mức ý nghĩa 1%, 5%, 10%, cho biết cho biết kiểm
định hệ số tương quan giữa tssl phía trên giảm tính thuyết phục. Đối với VNM, kết quả theo
tháng và tuần cho thấy không có tương quan phi tuyến; còn chuỗi theo ngày cho kết quả hỗn
hợp: có sự tương quan giữa trị tuyệt đối tssl và không có tương quan giữa tssl bình phương. FPT
cũng đưa ra kết luận tương tự đối với chuỗi theo tháng và ngày như VNM, còn chuỗi theo tuần
cho thấy kết quả hỗn hợp: trị tuyệt đối tssl có tương quan và tssl bình phương không tương quan.
Điều này cho thấy mối quan hệ tuyến tính của VNM và FPT có thể đứng vững và đưa ra những
gợi ý quan trọng về hiện tượng phương sai hay đổi hay phương sai có điều kiện thay đổi.
Trang 17


Khi mối quan hệ phi tuyến giữa tssl ảnh hưởng đến kết quả tương quan tuyến tính, kiểm
định đoạn mạch được sử dụng để xem xét tính phụ thuộc sâu sắc hơn. Ở bảng 7, ta quan sát thấy
giá trị p-value của VN-INDEX đối với ba kiểu dữ liệu đều bằng 0, cho thấy có sự phụ thuộc
tuyến tính giữa tssl ở mức 1%, 5%, 10%, hoàn toàn phù hợp với kết luận được đưa ra ở phía trên.
Kết luận về FPT giữa phương pháp đoạn mạch và hệ số tương quan đều đồng nhất. Riêng đối với
VNM, có sự khác biệt giữa hai phương pháp đối với chuỗi dữ liệu theo ngày: đó là kiểm định
đoạn mạch cho biết có sự phụ thuộc, còn hệ số tương quan thì không. Kết luận giữa hai phương
pháp cũng đồng nhất đối với chuỗi theo tuần và tháng của VNM. Các giá trị Z của ba chuỗi dữ
liệu đều âm ngoại trừ VNM theo tuần với kiểm định theo trung bình, hàm ý có sự tương quan

dương giữa các tssl (theo Abraham và các cộng sự (2002)), phù hợp với kết luận rút ra từ hệ số
tương quan đối với VN-INDEX.
Kiểm định cuối cùng để xác định liệu tssl có tương quan hay không là BDS. 1000 lần lặp
được sử dụng trong bootstrap, giá trị epsilon được chọn đối với VN-INDEX là 0.01, VNM và
FPT là 0.005. Các ước lượng này mang tính định tính và đưa ra kết quả tương ứng. Quan sát các
bảng 8, 9, 10, đối với VN-INDEX theo ngày và tuần, p-value bằng 0 đối với bootstrap và không
bootstrap, chứng tỏ có sự phụ thuộc giữa các tssl, phù hợp với kết luận từ hệ số tương quan; còn
chuỗi theo tháng đa số ủng hộ cho sự độc lập ở mức 1%, 5% và 10% giữa các tssl ngoại trừ m=3
và phương pháp không bootstrap đối với m=2, 3. Đối với VNM, rõ ràng có sự phụ thuộc giữa
các tssl theo ngày (p-value bằng 0), khác với kết luận từ hệ số tương quan; đối với chuỗi theo
tuần, tồn tại sự độc lập đối với bootstrap ở mức 1%, 5% và 10% và không bootstrap với m=6;
chuỗi theo tháng cho thấy sự độc lập đối ở ba mức ý nghĩa đối với bootstrap khi m=4, 5, 6 và
không bootstrap khi m=2. Tổng quát, kết luận này phù hợp với phương pháp đoạn mạch đối với
VNM. Về FPT, các kết luận về chuỗi theo ngày có sự phụ thuộc (p-value bằng 0), chuỗi theo
tuần độc lập ở ba mức ý nghĩa, chuỗi theo tháng độc lập ngoại trừ phương pháp bootstrap với
m=4, 5, 6.
2.2.1.3 Kiểm định phƣơng sai
Như vậy, ta đã đi qua các kiểm định khác nhau về tương quan giữa các tssl. Tổng hợp lại,
chuỗi VN-INDEX có hiện tượng tương quan dương theo ngày, tuần ngoại trừ độc lập theo tháng;
FPT có tương quan theo ngày, không tương quan theo tuần và độc lập theo tháng; VNM phụ
thuộc theo ngày, độc lập theo tuần và tháng. Tiếp đến, ta tiến đến khảo sát tính chất thứ hai của
tssl, đó là phương sai không thay đổi. Hãy xem qua kiểm định của Lo và Mackinlay với q =2, 4,
Trang 18


8, 16, 32. Từ ba bảng 11, 12, 13, ta thấy VN-INDEX có hiện tượng phương sai thay đổi theo
ngày và tuần ở 3 mức ý nghĩa, theo tháng có hiện tượng phương sai thay đổi ở q=2, 4, 8 với mức
5%, còn q còn lại không có hiện tượng này. Đối với VNM, có bằng chứng mạnh mẽ ủng hộ cho
hiện tượng phương sai không thay đổi ở ba chuỗi với giá trị p-value trên 19% ngoại trừ chuỗi
theo ngày ở q=2 có p-value= 8.03%. Về FPT, không có hiện tượng phương sai thay đổi theo tuần

và tháng ở ba mức ý nghĩa, kết quả này ngược lại với chuỗi theo ngày. Tuy nhiên, ta chỉ mới
kiểm định đối với mỗi q thời kỳ trong khi hiện tượng phương sai không đổi nếu tồn tại sẽ đúng
với mọi q nên ta xem kiểm định của Chow Denning.
Từ kết quả p-value của bảng 14, ta thấy chuỗi VN-INDEX có hiện tượng phương sai thay
đổi theo ngày tuần tháng ở ba mức ý nghĩa, phù hợp với kết luận rút ra phía trên. Các kết quả đối
với VNM ủng hộ mạnh mẽ việc không có hiện tượng này. Đối với FPT, các kết luận cũng tương
tự như kiểm định Lo và Mackinlay. Ta tiếp tục xem xét kiểm định Wright đối với cả ba chuỗi,
kiểm định này hữu ích khi cả ba dữ liệu đều không tuân theo phân phối chuẩn ngoại trừ VNM và
FPT theo tháng. Ở đây ta chỉ trình bày kiểm định theo Chow Denning của Wright. Do vấn đề kỹ
thuật nên ta không thể xem xét q = 2, 5, 10, 30 mà là 2, 4, 8, 16, 32. Dựa theo p-value ở bảng 15,
ta kết luận VN-INDEX có sự thay đổi phương sai ở ba mức ý nghĩa, VNM chỉ tồn tại hiện tượng
này ở chuỗi theo ngày ở mức 1%, 5%, 10%, FPT không có hiện tượng này theo tuần ở mức 5%,
theo tháng ở ba mức ý nghĩa và thay đổi phương sai theo ngày mạnh mẽ. Từ các kiểm định trên,
tổng quát ta có hiện tượng phương sai thay đổi ở VN-INDEX, giải thích cho hiện tượng tương
quan phi tuyến giữa chuỗi theo ngày và tuần, mâu thuẫn với chuỗi theo tháng. VNM không có
hiện tượng này theo tuần và tháng, cho kết qua hỗn hợp theo ngày (kiểm định Wright đáng tin
cậy hơn vì VNM ngày không có phân phối chuẩn), giải thích cho tương quan phi tuyến theo
ngày và không tương quan phi tuyến theo tuần và tháng. FPT không có hiện tượng phương sai
thay đổi theo tuần và tháng, ngược lại đối với ngày, giải thích cho mối quan hệ phi tuyến giữa
tssl (ngoại trừ mối tương quan phi tuyến tssl theo tuần ở phần trước cho kết quả hỗn hợp).
2.2.1.4 Kiểm định phƣơng sai có điều kiện
Bên cạnh đó, một khả năng khác giải thích cho hiện tượng tương quan phi tuyến giữa tssl
là do phương sai có điều kiện thay đổi. Ta xem xét hiện tượng này liệu có tồn tại hay không. Hãy
xem qua biểu đồ về tssl ở hình 1. Có thể quan sát thấy ở VN-INDEX theo ngày và tuần, ta thấy
có sự biến động lớn (nhỏ) trong tssl ở thời kỳ này được tiếp tục ở nhiều thời kỳ sau, đồng thời
các dao động của tssl quanh giá trị 0 không đồng đều: đó là dấu hiệu của hiện tượng phương sai