Cơ chế truyền dẫn chính sách tiền tệ tại việt nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH

TRẦN NGUYỄN HUY NHÂN

MỐI QUAN HỆ GIỮA NHU CẦU THÔNG TIN VÀ
ĐỘ BẤT ỔN CỦA THỊ TRƯỜNG CHỨNG KHOÁN
Chuyên ngành: Tài chính – Ngân hàng
Mã số: 60340201

LUẬN VĂN THẠC SĨ KINH TẾ
GVHD: TS. NGUYỄN KHẮC QUỐC BẢO

TP. HỒ CHÍ MINH – Năm 2014


DANH MỤC BẢNG BIỂU
Bảng 1: Danh sách công ty trong mẫu và từ khóa tìm kiếm .........................................
Bảng 2: Thống kê mô tả biến cầu thông tin ...................................................................
Bảng 3: Kiểm Định Jarque-Bera biến cầu thông tin .....................................................
Bảng 4: Thống kê mô tả biến cung thông tin ................................................................
Bảng 5: Kiểm Định Jarque-Bera biến cung thông tin ...................................................
Bảng 6: Tương quan giữa cung và cầu thông tin...........................................................
Bảng 7: Kết quả hồi qui OLS giữa độ bất ổn hàm ý của cổ phiếu và các biến cung và
cầu thông tin ..................................................................................................................
Bảng 8: Kết quả ước lượng mô hình GARCH với biến cung và cầu thông tin .............
Bảng 9: Tương quan Pearson giữa cầu thông tin của công ty và thị trường với khối
lượng giao dịch ..............................................................................................................
Bảng 10:Kết quả hồi qui OLS giữa khối lượng giao dịch của cổ phiếu, biến tỷ suất
sinh lợi và các biến cung, cầu thông tin ........................................................................
Bảng 11:Hệ số tương quan giữa Cầu thông tin và Độ bất ổn lịch sử /Khối lượng giao

dịch theo 2 mẫu: thời kỳ từ 1/1/2008 đến 31/12/2011 và kỳ từ 1/1/2002 đến
31/07/2014 ..................................................................................................................... 49

Bảng 12:Kết quả hồi qui OLS giữa độ bất ổn hàm ý của cổ phiếu và các biến cung và
cầu thông tinvới biến giả trạng thái thị trường ..............................................................


TRANG PHỤ BÌA
LỜI CAM ĐOAN
MỤC LỤC
DANH MỤC BẢNG BIỂU
CHƢƠNG 1: GIỚI THIỆU ..................................................................................

1.1 Đặt vấn đề ...........................................................

1.2 Mục tiêu và câu hỏi nghiên cứu ..........................

1.3 Phƣơng pháp nghiên cứu .....................................

1.4 Kết cấu luận văn ...................................................

CHƢƠNG 2: THÔNG TIN VÀ ĐỘ BÁT ỔN GIÁ CHỨNG KHOÁN ...........

2.1 Phƣơng pháp tiếp cận truyền thống .....................

2.2 Phƣơng pháp tiếp cận dựa trên dữ liệu phi truyền

2.3 Bằng chứng thực nghiệm từ các nghiên cứu trƣớ

2.4 Một số nghiên cứu liên quan ..............................

CHƢƠNG 3: PHƢƠNG PHÁP NGHIÊN CỨU ...............................................

3.1 Phƣơng pháp nghiên cứu ....................................

3.2 Dữ liệu ................................................................

CHƢƠNG 4: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU ..............................

4.1 Thống kê mô tả ...................................................
4.1.1

Cầu

4.1.2

Cun

4.2 Cầu thông tin và hoạt động thị trƣờng ...............

4.3 Ảnh hƣởng của trạng thái thị trƣờng ..................

CHƢƠNG 5: KẾT LUẬN ...................................................................................

5.1 Kết luận ..............................................................

5.2 Giới hạn và hƣớng nghiên cứu ..........................

TÀI LIỆU THAM KHẢO

1

TÓM TẮT
Mục tiêu của nghiên cứu này là nhằm tìm hiểu tác động của cung, cầu thông tin ở cấp độ
doanh nghiệp và thị trƣờng đến độ bất ổn giá chứng khoán của các công ty niêm yết trên
sàn HoSE và HNX. Nghiên cứu này dựa trên cách tiếp cận phi truyền thống, sử dụng dữ
liệu cầu thông tin đƣợc đo lƣờng dựa vào khối lƣợng tìm kiếm trên Google thông qua
công cụ Google Trends. Kết quả nghiên cứu đã cho thấy rằng cả cầu và cung thông tin đều
có tác động đến độ bất ổn của thị trƣờng chứng khoán. Tác động mạnh và vƣợt trội hơn
đối với cầu thông tin, trong đó cầu thông tin toàn thị trƣờng có mức tác động lớn hơn cầu
thông tin tại cấp độ từng cổ phiếu. Điều đó cho thấy nhà đầu tƣ bị tác động mạnh hơn bởi
thông tin về thị trƣờng và bị tác động nhỏ hơn từ thông tin riêng lẻ của từng cổ phiếu.

Từ khóa: Cầu thông tin, Thị trường tài chính, Độ biến động


2

CHƢƠNG 1: GIỚI THIỆU
1.1 Đặt vấn đề
Thị trƣờng chứng khoán đóng vai trò là một kênh đầu tƣ hấp dẫn và là nơi
phản ánh kỳ vọng của nhà đầu tƣ vào nền kinh tế. Thông tin là loại tài sản có giá trị
và đƣợc tìm kiếm nhiều nhất trong thị trƣờng. Có thể thấy điều đó qua sự đa dạng
về nguồn cung cấp thông tin và số lƣợng thông tin cũng nhƣ số lƣợng ngƣời theo
dõi các thông tin hàng ngày. Lịch sử đã cho thấy sự phát triển của thị trƣờng phải
đƣợc đánh giá trên mức độ tham gia của các nhà đầu tƣ (Lƣợng) và mức độ minh
bạch và hiệu quả của thị trƣờng trong vai trò luân chuyển vốn (Chất). Mức độ tham
gia và trƣởng thành của nhà đầu tƣ có thể đo lƣờng thông qua nhu cầu về thông tin,
phân tích thông tin.

Việc dự báo giá và độ biến động giá từ lâu đã là một chủ đề hấp dẫn trong giới
tài chính. Đã có nhiều nghiên cứu về vấn đề này, hầu hết các nghiên cứu cho kết quả
rằng giá chứng khoán chịu tác động của các yếu tố nhƣ: lãi suất, tỷ giá, tâm lý đầu
cơ… Tuy nhiên, dƣới góc nhìn thành phần tham gia thị trƣờng, có một bộ phần
không nhỏ những nhà đầu tƣ - những ngƣời mà các quyết định sẽ ảnh hƣởng trực
tiếp đến thị trƣờng, đƣa ra lệnh mua, bán hoàn toàn dựa vào nhũng thông tin về cổ
phiếu họ góp nhặt trên Internet.
Đã có những nghiên cứu tập trung vào vai trò của cung, cầu thông tin đối với
thị trƣờng (Kihlstrom, 1974; Grossman và Stiglitz, 1980; Radner và Stiglitz, 1984;
Allen, 1990) nhƣng với các cách xác định dòng chảy thông tin khác nhau nhƣ sử
dụng số lƣợng tin tức vĩ mô và tin tức từng công ty đƣợc công bố bởi Dow Jones &
Company trên Broadtape và Wall Street Journal hay khối lƣợng thông tin trong hệ
thống Reuters North American Wire. Xuất phát từ việc công nhận ngày nay internet
đã cách mạng hóa thông tin, hoạt động môi giới chứng khoán, cách tiếp cận thông
tin trong ngành tài chính và thói quen xem xét thông tin trên mạng trƣớc khi thực


3

hiện quyết định của phần lớn nhà đầu tƣ Việt Nam, tác giả tiếp cận dạng dữ liệu
mới đại diện cho cầu thông tin về doanh nghiệp theo khối lƣợng tìm kiếm trên
internet theo nghiên cứu của Nikolaos Vlastakis và Raphael N. Markellos , 2012.
Dữ liệu này cho phép kiểm tra lần lƣợt mức ảnh hƣởng của cầu thông tin của từng
cổ phiếu riêng biệt và của toàn thị trƣờng.
Với một thị trƣờng còn khá non trẻ nhƣ thị trƣờng cổ phiếu Việt Nam, trình
độ nhà đầu tƣ có sự phân hóa cao thêm vào đó là nhu cầu sáp nhập hai sàn HOSE
và HNX trong tƣơng lai thì việc tìm hiểu ảnh hƣởng cung cầu thông tin đến mức
biến động của giá cổ phiếu nhằm xác định xu hƣớng trƣởng thành của các nhà đầu
tƣ có một ý nghĩa quan trọng đối với sự phát triển bền vững của thị trƣờng cổ phiếu
Việt Nam trong tƣơng lai.

Xuất phát từ lý do trên, tác giả chọn đề tài nghiên cứu “Mối quan hệ giữa
nhu cầu thông tin và độ bất ổn của thị trƣờng chứng khoán” cho bài luận văn
của mình với mong muốn cung cấp thêm bằng chứng thực nghiệm về ảnh hƣởng
của nhu cầu tìm kiếm thông tin đến sự biến động của giá cổ phiếu.
1.2 Mục tiêu và câu hỏi nghiên cứu
Mục tiêu nghiên cứu của luận văn là đo lƣờng mức độ ảnh hƣởng của cung
cầu thông tin lên độ biến động của công ty, thị trƣờng, nhấn mạnh vào từng thời kỳ.
Từ mục tiêu nghiên cứu trên, các câu hỏi nghiên cứu đƣợc đặt ra bao gồm:
(1) Mối quan hệ giữa cung thông tin và cầu thông tin? (2) Ảnh hƣởng của cung và
cầu thông tin lên độ bất ổn và khối lƣợng giao dịch? (3) Ảnh hƣởng của trạng thái
thị trƣờng lên cung cầu thông tin và khối lƣợng giao dịch?
1.3 Phƣơng pháp nghiên cứu
Bài nghiên cứu sử dụng phƣơng pháp phân tích định lƣợng. Mô hình hồi
quy OLS và GARCH (1;1) đƣợc sử dụng để khảo sát ảnh hƣởng của cung cầu
thông tin đến giá cổ phiếu. Phƣơng pháp định lƣợng đƣợc thực hiện qua các bƣớc:


4

Dữ liệu cung, cầu thông tin, giá, khối lƣợng giao dịch của các cổ phiếu trong
mẫu giai đoạn 2008-2014 đƣợc thu thập (chi tiết nêu phần 3.2 Dữ liệu)
Tác giả làm sạch dữ liệu và tính toán giá trị các biến đƣợc xem xét trong mô
hình nghiên cứu thông qua công cụ hỗ trợ Microsoft Office Excel.
Phần mềm phân tích dữ liệu Stata SE 12 đƣợc sử dụng để xây dựng mô hình
nghiên cứu.
1.4 Kết cấu luận văn
Tác giả cầu trúc nội dung bài nghiên cứu theo 05 (năm) chƣơng với nội dung
nhƣ sau: Trong Chƣơng 1 -Giới thiệu, tác giả trình bày vấn đề nghiên cứu, mục
tiêu và câu hỏi nghiên cứu, phƣơng pháp nghiên cứu. Sau đó, trong Chƣơng 2:
Tổng quan lý thuyết và và bằng chứng thực nghiệm trên thế giới, tác giả tóm tắt

lại các kết quả nghiên cứu trên thế giới liên quan đến vấn đề cung cầu thông tin.
Đồng thời, giới thiệu dữ liệu trích xuất từ công cụ Google Trends nhƣ là đại diện
mới cho cầu thông tin. Kế tiếp trong Chƣơng 3: Phƣơng pháp nghiên cứu, tác
giả trình bày chi tiết về phƣơng pháp nghiên cứu thực hiện, mô hình nghiên cứu,
các bƣớc thu thập và xử lý số liệu. Trong Chƣơng 4: Nội dung và kết quả nghiên
cứu, tác giả dùng phân tích hồi quy để nghiên cứu mối tƣơng quan giữa cung, cầu
thông tin; ảnh hƣởng của cung, cầu thông tin đến độ bất ổn giá và khối lƣơng giao
dịch tại Việt Nam. Cuối cùng trong Chƣơng 5: Kết luận, tác giả tóm tắt lại kết quả
nghiên cứu, đƣa ra một số kiến nghị cũng nhƣ giới hạn của bài nghiên cứu.


5

CHƢƠNG 2:

THÔNG TIN VÀ ĐỘ BÁT ỔN GIÁ CHỨNG
KHOÁN

2.1 Phƣơng pháp tiếp cận truyền thống
Về phía cung thông tin, mối quan hệ giữa dòng chảy thông tin và thị trƣờng
tài chính đã đƣợc nhiều nhà kinh tế tài chính nhắc đến (Fama và các cộng sự,
1969; French và Roll, 1986). Ederington và Lee (1993) đã tìm thấy mối quan hệ
mạnh giữa các thông báo vĩ mô đã đƣợc lên kế hoạch với độ bất ổn của lãi suất và
tỷ giá giao sau. Các giả thiết mở rộng nhằm đo lƣờng mối quan hệ giữa hoạt động
thị trƣờng - độ bất ổn tỷ suất sinh lợivà khối lƣợng giao dịch liên quan trực tiếp đến
tần suất xuất hiện thông tin. Sợi dây liên hệ các lý thuyết này là “Giả thuyết Phân
phối hỗn hợp (Mixture of Distributions Hypothesis)” (Clark, 1973; Epps và Epps,
1973; Tauchen và Pitts, 1983; và những nghiên cứu khác) (gọi tắt là MDH).
Trọng tâm của thuyết MDH là việc những dòng chảy thông tin sẽ làm thay đổi giá
và khối lƣợng giao dịch. Sự xuất hiện không mong đợi của tin tốt sẽ làm giá tăng và

ngƣợc lại khi tin xấu xuất hiện. Cả hai hoạt động đó đều đi kèm với khối lƣợng
giao dịch trên mức trung bình, đồng thời thiết lập một mức cân bằng mới.
Vì thông tin không đƣợc quan sát trực tiếp, mọi nỗ lực nghiên cứu thực nghiệm
ảnh hƣởng của nó lên các thị trƣờng tài chính đều yêu cầu một phƣơng pháp xác định
dòng chảy thông tin cụ thể. Mitchel và Mulherin (1994) đo lƣờng dòng chảy thông tin
bằng cách sử dụng số lƣợng tin tức vĩ mô và tin tức từng công ty đƣợc công bố bởi
Dow Jones & Company trên Broadtape và Wall Street Journal… và thấy rằng dòng
chảy thông tin có mẫu hình theo ngày, tuần và tháng trong năm, tƣơng ứng với những
mẫu hình biến động giá tài sản. Họ tìm thấy các bằng chứng có ý nghĩa thống kê rằng:
1. Mối quan hệ giữa thông tin và khối lƣợng giao dịch, nhƣng với độ bất ổn thì có mối
quan hệ yếu. 2. Mẫu hình theo mùa của dòng chảy các thông tin mới công bố. 3. Có sự
khác nhau trong dòng chảy thông tin giữa thời gian giao dịch và thời gian không giao
dịch và tranh luận rằng điều này có thể giải thích sự khác nhau trong độ bất ổn đƣợc
quan sát bởi French và Roll (1986). Berry


6

và Howe (1994) nghiên cứu bằng khối lƣợng thông tin trong hệ thống Reuters
North American Wire.
Sự khác biệt trong các bài nghiên cứu phần lớn do sự xác định độ lớn của
từng thị trƣờng và cách phân loại thông tin của từng công ty. Thompson và các
cộng sự (1987) nghiên cứu các đặc điểm của thông tin về các công ty trong Wall
Street Journal Index năm 1983, họ phân loại chúng theo cấp độ công ty, ngành kinh
doanh, ngày trong tuần và tháng trong năm. Họ nhận thấy rằng tin tức của một vài
công ty có ảnh hƣởng mang tính thống kê đến tỷ suất sinh lợi cổ phiếu.
Bessembinder và các cộng sự (1996) đánh giá mối quan hệ giữa khối lƣợng giao
dịch và thông tin theo cấp độ công ty và toàn thị trƣờng bằng cách sử dụng dữ liệu
từ danh mục đầu tƣ của các công ty theo mức vốn hóa. Họ thấy rằng thông tin ở
mức độ của từng công ty có tác động dƣơng đến hoạt động giao dịch của tất cả các

công ty, nhƣng những công ty nhỏ lại chịu tác động lớn hơn. Hơn nữa, họ còn thấy
rằng thông tin toàn thị trƣờng có tác động đáng tin cậy lên các công ty lớn và tác
động ít đến các công ty nhỏ. Các tác giả không đƣa ra phƣơng pháp rõ ràng để xác
định dòng chảy thông tin, nhƣ bằng cách dựa vào các tin tức công bố hay các đại
diện khác mà thay vào đó, họ sử dụng nhƣ những đại diện gián tiếp (indirect
proxies). Cụ thể, họ sử dụng độ bất ổn của tỷ suất sinh lợi theo một danh mục đƣợc
đa dạng hóa để tính toán hoạt động thị trƣờng, và dùng trị tuyệt đối độ lệch chuẩn
của tỷ suất sinh lợi từng công ty từ mô hình CAPM để đo lƣờng thông tin theo cấp
độ công ty. Áp dụng các biến này gây ra một sự bất lợi về việc đánh giá mối quan
hệ giữa dòng chảy thông tin và độ bất ổn vì nó giả định mối quan hệ trên đã tồn tại
sẵn có.Ryan và Taffler (2004) đã nghiên cứu mẫu 350 công ty lớn nhất trên sàn
chứng khoán London và đƣa ra các bằng chứng về việc các thông tin theo từng
công ty có quan hệ thống kê với sự biến động giá cổ phiếu và khối lƣợng giao dịch.
Nhằm nắm bắt tác động thật sự của các tin tức hay thông tin công bố cho nhà
đầu tƣ, một vài nghiên cứu cố gắng xác định mức độ quan trọng của mỗi thông tin
khác nhau.Mitchel và Mulherin (1994) xem xét số lƣợng tiêu đề của một thông
báo, kích thƣớc tiêu đề trên tờ New York Times và sự xuất hiện các thông báo vĩ


7

mô hàng tháng.Klibanoff và các cộng sự (1998) xem xét các thông tin nổi bật trên
trang nhất của tờ New York Times. Ryan và Taffler (2004) xác định những biến
động lớn của thị trƣờng và nghiên cứu tin tức đằng sau những biến động đó.Mặc dù
các nghiên cứu trên cho kết quả có ý nghĩa thống kê nhƣng họ chỉ tập trung vào các
sự kiện gây ra biến động thị trƣờng mạnh,đã loại trừ một lƣợng lớn thông tin và có
thể làm phóng đại ảnh hƣởng của thông tin lên tỷ suất sinh lợi cổ phiếu.
Về phía cầu thông tin có thể tóm tắt thông qua các kết quả nghiên cứu chính
sau:
Thông tin có tính thay thế. Grossman và Stiglitz (1980) với nghiên cứu

“On the Impossibility of Informationally Efficient Markets”, cho rằng giá cổ phiếu
bị ảnh hƣởng bởi những ngƣời nắm thông tin và những ngƣời không nắm thông
tin. Vì phải tốn chi phí để có đƣợc thông tin nên ban đầu số lƣợng ngƣời nắm
thông tin rất ít. Càng về sau, số lƣợng này càng tăng lên làm cho thông tin đƣợc
phản ánh vào trong giá cổ phiếu nhiều hơn. Lúc này, lợi ích của những ngƣời nắm
thông tin so với ngƣời không nắm thông tin sẽ nhỏ đi, cầu thông tin giảm xuống.
Phần trăm các nhà giao dịch nắm thông tin tỉ lệ với độ nhiễu thị trƣờng.
Theo Veldkamp (2006) với nghiên cứu “Media frenzies in markets for financial
information”, thông tin có chi phí cố định cao (chi phí của việc xây dựng hệ thống
thông tin) và chi phí biến đổi rất thấp (chi phí sao chép) nên số lƣợng thông tin càng
lớn thì chi phí càng giảm. Chi phí giảm khiến nhà đầu tƣ ít chịu rủi ro hơn, họ sẽ
nắm thông tin nhiều hơn và giá cổ phiếu cũng phản ánh nhiều thông tin hơn khiến
giá biến động nhiều hơn.
Cầu thông tin tăng khi mức độ cần thiết phân tích thông tin tăng.
Moscarini và Smith (2002) với nghiên cứu “The law of large demand for
information”. Khi một thông tin phức tạp xuất hiện, sẽ có sự không rõ ràng về ảnh
hƣởng của thông tin, lúc này nhu cầu thông tin tăng lên nhằm cắt nghĩa thông tin
phức tạp trên và ngƣợc lại. Giống nhƣ trong cuộc sống, khi một sự kiện khó hiểu
xảy ra, con ngƣời với sự tò mò sẽ đào sâu tìm hiểu hơn. Khi con ngƣời hài lòng với


8

thông tin nhận đƣợc và ảnh hƣởng của sự kiện ít nhiều đã đƣợc biết, họ sẽ dừng
nhu cầu về thông tin. Do đó, cầu thông tin phản ánh mức quan trọng của những
thông tin mới vì nó kết hợp hiệu ứng của những thông tin mới tới cộng đồng.
Cầu thông tin có tƣơng quan dƣơng đến mức e ngại rủi ro.Theo
(Willinger, 1989; Eeckhoudt và Godfroid, 2000). Trong thị trƣờng tài chính, nhà
đầu tƣ e ngại rủi ro sẽ yêu cầu thông tin nhiều hơn một nhà đầu tƣ ƣa thích rủi ro.
Một vài bài nghiên cứu giả định ngƣợc lại. Ví dụ, Freixas và Kihlstrom (1984) cho

rằng nhà đầu tƣ không thể dự tính về việc loại thông tin mà họ sẽ biết, liệu thông tin
đó là tốt hay xấu. Vì thông tin không phải là miễn phí nên có rủi ro nhất định trong
việc lấy thông tin. Điều này dẫn đến kết luận rằng nhà đầu tƣ e ngại rủi ro sẽ ít sẵn
sàng chi tiền để lấy thông tin hơn nhà đầu tƣ ƣa thích rủi ro. Mối quan hệ giữa việc
không thích rủi ro và cầu thông tin vẫn chƣa có nghiên cứu thực nghiệm. Điều này
có thể gây ra khó khăn khi tìm hiểu chất lƣợng của hai biến.
2.2

Phƣơng pháp tiếp cận dựa trên dữ liệu phi truyền thống

Ngày nay, nhà đầu tƣ có thể sử dụng các công cụ tìm kiếm để thu thập thông
tin trên internet trƣớc khi giao dịch. Internet đã giúp cho việc thông báo, lan truyền
và tìm kiếm thông tin dễ dàng hơn với chi phí thấp. Vì độ rộng và sâu quá lớn của
internet, nên việc nắm bắt hết toàn bộ thông tin là một nhiệm vụ khó khăn. Đây là lý
do chính để giải thích tại sao mọi ngƣời dựa vào công nghệ tìm kiếm để lấy thông
tin trên web. Mặc dù các nghiên cứu trƣớc đã mở rộng khảo sát tác động của dòng
chảy thông tin đến thị trƣờng vốn, ví dụ nhƣ Antweiler và Frank (2004) đã nghiên
cứu các tin nhắn internet trên các lĩnh vực khác nhau và thấy rằng các tin về cổ
phiếu có ảnh hƣởng mang tính thống kê mạnh đến tỷ suất sinh lợi cổ phiếu, một tín
hiệu rõ ràng cho thấy số lƣợng đáng kể các nhà đầu tƣ quan tâm đến việc sử dụng
nguồn thông tin từ internet rất cao. Rubin và Rubin (2010) đã sử dụng mức chỉnh
sửa thƣờng xuyên của các bài đăng về công ty trên Wikipedia là nguồn mà mọi
ngƣời tìm kiếm thông tin về công ty. Họ cho thấy rằng khi mức chỉnh sửa thƣờng
xuyên tăng lên sẽ làm mức độ dự báo lỗi của các nhà phân tích giá cổ phiếu ít hơn,


9

mức phân tán trong dự báo phân tích nhỏ hơn. Tuy nhiên ảnh hƣởng của thông tin
từ internet đến hoạt động giao dịch cổ phiếu vẫn chƣa đƣợc làm rõ.

Bài nghiên cứu sử dụng dữ liệu trích xuất từ Google Trends – công cụ thống
kê các thói quen và xu hƣớng tìm kiếm của ngƣời dùng Google trên toàn thế giới.
Google Trends hỗ trợ theo dõi sự tăng giảm của chỉ số tìm kiếm đối với từng từ
khóa đƣợc ngƣời dùng tìm kiếm trên Google theo Quốc gia, ngôn ngữ và mốc thời
gian. Ngoài ra, ngƣời dùng có thể sử dụng Google Trends nhằm so sánh hai hay
nhiều từ khóa khác nhau. VD: đối với các công ty có nhiều tên gọi bên cạnh mã cổ
phiếu nhƣ Hoàng anh Gia Lai, HAG, Hoàng anh Gia Lai Việt Nam thì chức năng so
sách cho phép chọn lựa từ khóa đƣợc nhiều ngƣời quan tâm nhất.
2.3 Bằng chứng thực nghiệm từ các nghiên cứu trƣớc đây
Dữ liệu tìm kiếm trích xuất từ Google Trends đã đƣợc Da và các cộng sự
(2011a) sử dụng để đánh giá mức độ quan tâm nhà đầu tƣ. Họ ƣớc lƣợng mức độ quan
tâm của nhà đầu tƣ về tài sản theo SVI và mối quan hệ của nó với các phƣơng pháp
đánh giá hiện hữu. Họ cũng đánh giá giả thuyết về việc SVI có nắm bắt mức quan tâm
của từng nhà đầu tƣ hay không. Trong phƣơng pháp thực nghiệm của họ, họ phân tích
SVI theo tuần đối với các từ khóa tìm kiếm của Russell 3000 để xem xét hoạt động giá
cổ phiếu. Các kết quả cho thấy SVI có thể đo lƣờng mức quan tâm của nhà đầu tƣ hiệu
quả hơn các phƣơng pháp khác. Theo một phƣơng pháp khác, Da và các cộng sự
(2011b) xây dựng chỉ số Trạng thái tài chính và nền kinh tế bằng số lƣợt tìm kiếm
(Financial và Economic Attitudes Revealed by Search (FEARS)) bằng cách tổng hợp
SVI hàng ngày theo các từ khóa liên quan đến tài chính hộ gia đình và sự quan tâm về
nền kinh tế. Ủng hộ với mô hình “các nhà giao dịch nhiễu” của De Long và các cộng sự
(1990), chỉ số của họ có thể dự đoán độ bất ổn lịch sử của các ETF (Quỹ đầu tƣ chỉ số)
thậm chí sau khi tính toán cho các biến nhƣ chỉ số VIX (Chỉ số biến động thị trƣờng
(Volatility Index)), khối lƣợng và doanh thu, cũng nhƣ các phƣơng pháp thay thế khác.
Chỉ số trên cũng dự đoán dòng chảy đầu tƣ hàng ngày từ giá cổ phiếu sang các tài sản
có thu nhập có định, và các


10

quỹ đầu tƣ vào kim loại quý, phù hợp với hiệu ứng “Tiềm về giá trị (flight to
quality)” trong thời gian hỗn loạn. Gần đây hơn, Da và các cộng sự (2011c) cho
thấy rằng sự thay đổi trong SVI của hàng hóa sản xuất có thể dự đoán các thông báo
không mong đợi liên quan đến doanh thu của công ty phù hợp với các dự báo phân
tích.
Zhi Da, Joseph Engelberg và Pengjie Gao, 2011với nghiên cứu “In Search
of Attention” cũng đã sử dụng SVI để đo lƣờng sự chú ý của nhà đầu tƣ. Tác giả sử
dụng mẫu gồm 3000 chứng khoán từ năm 2004 đến năm 2008 theo nghiên cứu của
Russell. Tác giả thấy rằng công cụ SVI: (1) Tƣơng quan nhƣng khác biệt với với
các đại diện cầu thông tin trong các nghiên cứu trƣớc. (2) Nắm bắt đƣợc nhu cầu
nhà đầu tƣ một các kịp thời. (3) Là một công cụ đo lƣờng sự chú ý của các nhà đầu
tƣ nhỏ lẻ. Một sự gia tăng trong SVI dự đoán một mức giá cao hơn trong 02 tuần kế
tiếp. Selene Yue Xu, 2012cũng đã sử dụng dữ liệu chuỗi thời gian với thông tin lấy
từ Google Trends và Yahoo Finance để dự đoán sự thay đổi gia chứng khoán theo
tuần. Kết quả nghiên cứu cho thấy có sự tƣơng quan mang ý nghĩa thống kê giữa sự
thay đổi gia chứng khoán và dữ liệu nhu cầu thông tin trích xuất từ Google Trends.
Tzu-Lun Huang, Miao-Ling Chen, Hsio-Jen Kuo và Kuan-Ling Lai,
2013trong nghiên cứu “Information demand Revealed by Google Search Engine
and Speculative Trading Activities in the Capital Market” cũng đã sử dụng SVI là
đại diện biến cầu thông tin nhằm mở rộng vai trò của cầu thông tin trong giao dịch
cổ phiếu, tập trung vào giới đầu cơ thông qua các hình thức bán khống, sử dụng
margin. Nghiên cứu kết luận rằng sự gia tăng trong dữ liệu SVI tƣơng quan dƣơng
với khối lƣợng giao dịch bởi các nhà đầu tƣ cá nhân. Đồng thời kết quả nghiên cứu
ủng hộ 02 thuyết: (1) Những nhà đầu tƣ càng không hiểu về thị trƣờng thì nhu cầu
thông tin càng cao. (2) Càng nhiều thông tin thu thập từ internet, số lƣợng nhà đầu
tƣ đầu cơ càng cao. Tóm lại, nghiên cứu kết luận các nhà tạo lập thị trƣờng có thể
dự đoán hoạt động giao dịch của các nhà đầu tƣ cá nhân thông qua sự thay đổi của
Google Search Volume

11

Christopher Fink và Thomas Johann, 2014 trong nghiên cứu“May I Have
Your Attention, Please: The Market Microstructure of Investor Attention” đã sử
dụng Google Search Volume để xác định tác động từ sự chú ý của nhà đầu tƣ đến
tính thanh khoản và lợi nhuận của cổ phiếu. Các tác giả thấy rằng tính thanh khoản
tăng vào những ngày có mức độ chú ý tăng, tín hiệu này mạnh hơn ở những cổ
phiếu các doanh nghiệp nhỏ.
Tóm lại, dữ liệu trích xuất từ Google Trends thông qua chỉ số SVI đã đƣợc
thừa nhận và sử dụng rộng rãi thời gian qua trong việc đại diện cho nhu cầu thông
tin (sự chú ý) của những nhà đầu tƣ cá nhân. Do đó, trong bài nghiên cứu này tác
giả sử dụng số lƣợng các tìm kiếm trên Google - phƣơng pháp tìm kiếm trên
internet phổ biến nhất thông qua dịch vụ “Google Trends” chỉ số “Search Volume
Index” (SVI) – nhƣ một cách tiếp cần mới làm đại diện cho cầu thông tin.
2.4 Một số nghiên cứu liên quan
Jeff Fleming, Chris Kirby và Barbara Ostdiek với nghiên cứu “Information and
volatility linkages in the stock, bond, and money markets”
Nghiên cứu này xem xét vai trò của thông tin trong việc tạo mối liên kết sự
biến động giữa các thị trƣờng. Để dự đoán về sức mạnh của những liên kết này,
nhóm tác giả đã xây dựng một mô hình đơn giản về kinh doanh đầu cơ. Trong mô
hình này, có hai nguồn riêng biệt gây nảy sinh ra những liên kết. Thứ nhất là thông
tin chung, nhƣ tin tức mới về lạm phát gây ảnh hƣởng đồng thời lên kỳ vọng của
các nhà đầu tƣ trên nhiều thị trƣờng. Thứ hai là do nghiệp vụ tự bảo hiểm chéo giữa
các thị trƣờng. Khi thông tin gây ra thay đổi kỳ vọng trên một thị trƣờng, các nhà
kinh doanh điều chỉnh lƣợng nắm giữ của mình giữa các thị trƣờng, tạo ra hiệu ứng
lan tỏa thông tin. Trong thị trƣờng cổ phiếu, trái phiếu và tiền tệ, cả hai nguồn này
đều có vai trò quan trọng. Mỗi thị trƣờng đều chịu ảnh hƣởng bởi thông tin vĩ mô
và đặc tính này là thuận lợi cho nghiệp vụ tự bảo hiểm chéo giữa các thị trƣờng. Do
đó, nhóm tác giả kỳ vọng có thể quan sát đƣợc những mối liên kết tính biến động
mạnh mẽ.

12

Để đo lƣờng sức mạnh của các liên kết sự biến động giữa những thị trƣờng,
nhóm tác giả xây dựng một phƣơng trình dựa trên thực nghiệm, trong đó phƣơng
sai của lợi nhuận tỷ lệ thuận với dòng thông tin. Với những biến động mạnh kéo dài,
tác giả mô hình hóa dòng thông tin bằng sai phân AR(1). Tác giả sử dụng GMM để
ƣớc lƣợng phƣơng trình kinh tế của mình, và kiểm định xem mối liên kết sự biến
động giữa thị trƣờng cổ phiếu, trái phiếu và tiền tệ có phù hợp với các kết quả suy
ra từ mô hình thƣơng mại hay không. Nhìn chung, các kết quả chỉ ra rằng mô hình
phù hợp với dữ liệu mẫu. Cả kiểm định đơn biến và hai biến đều cho thấy có ít bằng
chứng rằng phƣơng trình sai. Thêm vào đó, tham số ƣớc lƣợng thể hiện dòng thông
tin gây ra các xu thế thƣơng mại trên cả ba thị trƣờng có mối tƣơng quan cao. Các
mối liên kết mạnh hơn nhiều cho với đề xuất từ tƣơng quan lợi nhuận và lợi nhuận
tuyệt đối giữa các thị trƣờng. Ví dụ, tƣơng quan giữa S&P 500 và T-bill là dƣới
13%, và tƣơng quan lợi nhuận tuyệt đối khoảng 26%, nhƣng ƣớc lƣợng tƣơng
quan của log dòng thông tin thì lên đến gần 67%.Phƣơng trình dựa trên ƣớc lƣợng
chuỗi thời gian và log của dòng thông tin cho thấy liên kết sự biến động thay đổi
theo thời gian. Đặc biệt, liên kết trở nên mạnh hơn từ năm 1987 khi thị trƣờng
chứng khoán sụp đổ. Sự gia tăng này có thể do vì sự thay đổi trong chế bộ biến
động, hay có lẽ nó phản ánh sự gia tăng lan tỏa thông tin vì thanh khoản tốt hơn của
thị trƣờng kỳ hạn. Kiểm định bổ sung tính vững sử dụng lợi nhuận chuẩn cho thấy
mô hình giải thích đƣợc phần lớn độ nghiêng và bộ nhọn của dữ liệu lợi nhuận.
Tổng kết, phân tích thực nghiệm ủng hộ cho mô hình kinh doanh đầu cơ đơn
giản của tác giả. Trong mô hình, nhà kinh doanh xem xét tƣơng quan giữa lợi nhuận
trong các thị trƣờng khác nhau khi đầu tƣ vào các thị trƣờng. Điều này dẫn đến họ đa
dạng hóa các khoản đầu tƣ giữa các thị trƣờng nhằm giảm phƣơng sai lợi nhuận. Hành
động này, cùng với ảnh hƣởng của các sự kiện thông tin đồng thời làm thay đổi những
kỳ vọng vào các thị trƣờng khác nhau, tạo ra mối liên kết mạnh mẽ về sự biến động

giữa các thị trƣờng. Kết quả này có ý nghĩa quan trọng đối với chiến lƣợc phân bổ tài
sản và quản lý rủi ro trong những thời gian khác nhau. Các nhà đầu tƣ


13

trƣớc nay thƣờng sử dụng những mô hình chủ yếu là các yếu tố lợi nhuận. Và phân
tích của tác giả chỉ ra tầm quan trọng của những làn sóng biến động.
Qi Chen, Itay Goldstein và Wei Jiang với nghiên cứu “Price Informativeness and
Investment”
Nghiên cứu thực nghiệm về mối quan hệ giữa lƣợng thông tin riêng về giá
cổ phiếu và độ nhảy cảm của đầu tƣ với giá cổ phiếu. Sử dụng hai thƣớc đo lƣợng
thông tin riêng về giá khác nhau – giá không đồng bộ và PIN – tác giả thấy đƣợc
mối tƣơng quan mạnh mẽ giữa lƣợng thông tin riêng về giá và độ nhạy cảm của
đầu tƣ với giá cổ phiếu. Mối tƣơng quan này là vững với việc đƣa vào cả thông tin
về quản lý, bảo hiểm, vốn và kích cỡ doanh nghiệp, hay một loạt chi tiết khác. Nhìn
chung, kết quả của tác giả phù hợp với giả thuyết cho rằng thông tin riêng về giá là
mới đối với các nhà quản lý, họ tìm hiểu nó từ giá và kết hợp nó vào quyết định đầu
tƣ của mình.
Khả năng về việc giá dẫn dắt các nhà quản lý đƣa ra quyết định cho thấy
rằng thị trƣờng tài chính có gây ảnh hƣởng tới nền kinh tế thực. Điều này có những
ý nghĩa quan trọng. Một mặt, nhƣ Subrahmanyam and Titman (1999) chứng minh,
thị trƣờng tài chính có thể nâng cao hiệu quả đầu tƣ bởi vì chúng cung cấp những
thông tin giá trị tới các nhà quản lý. Mặt khác, nhƣ Goldstein and Guembel (2005)
cho thấy, những hiệu ứng phản hồi từ giá đến nền kinh tế thực có thể làm cho việc
thao túng giá xảy ra, và nó chính là nguyên nhân mà nền kinh tế thực không hiệu
quả. Những ảnh hƣởng trên có ý nghĩa quan trọng cho các quy định nhằm tăng tính
minh bạch thị trƣờng và khuyến khích việc thu thập thông tin.

14

Johan Bollen, Huina Mao và Xiaojun Zeng với nghiên cứu “Twitter mood
preicts the stock market_adding” Bài nghiên cứuxét xem liệu tâm trạng quần
chúng đƣợc đotừ lƣợng lớn các tweet đƣợc đăng trên twitter.com có tƣơng
quanhay thậm chí dự báo giá trị Dow Jones Industrial Average (DJIA) không. Kết
quả cho thấy rằng việc thay đổi trạng thái tâm trạng là có thể theo dõi từnội dung
của nguồn dữ liệu Twitter bằng kỹ thuật xử lý văn bản đơn giản và những thay đổi
nhƣ thếlà phản hồi của một loạt những xu hƣớng văn hóa-xã hội khác biệt. Trong
số 7 mức tâm trạng đƣợc quan sát, chỉ một số là có mối quan hệ nhân quả Granger
với DJIA; sự thay đổi của tâm trạng quần chúng theo 7 mức này tƣơng ứng với thay
đổi trong giá trị DJIA xảy ra 3-4 ngày sau đó.


15

Louis K. C. Chan, Josef Lakonishokm và Theodore Sougiannis với nghiên
cứu “The stock market valuation of Research & Development Expenditures”
Trong nền kinh tế hiện đại, nhiều công ty có lƣợng lớn tài sản vô hình nhƣ mức
đầu tƣ vào R&D. Theo nguyên tắc kế toán ở Hoa Kỳ, tuy nhiên, những tài sản vô hình
nhƣ thế thƣờng không đƣợc ghi vào báo cáo tài chính. Vì chi tiêu cho R&D đƣợc xem
nhƣ một chi tiêu hoạt động, do vậy có thể có những tác động tiềm năng lớn trên báo
cáo tài chính của nhiều công ty. Bài nghiên cứu này tiếp cận câu hỏi liệu rằng giá cổ
phiếu có kết hợp thích đáng với giá trị đầu tƣ cho R&D của công ty.

Bằng chứng của tác giả không chứng minh trực tiếp mối quan hệ giữa chi
tiêu cho R&D và lợi nhuận chứng khoán tƣơng lai. Trong thời gian ba năm sau sự
hình thành danh mục đầu tƣ, cổ phiếu có thực hiện R&D có lợi nhuận trung bình là
19.65% mỗi năm, và cổ phiếu không thực hiện R&D có lợi nhuận trung bình là
19.50%. Do đó nó không xuất hiện, lịch sử , một cổ phiếu công nghệ trung bình

đƣợc chào bán cao hơn so với một công ty xi măng thông thƣờng. Điều này cho
thấy sự phù hợp với giả thuyết rằng giá chứng khoán có mối liên quan chặt chẽ với
niềm tin của nhà đầu tƣ về giá trị R&D.
Đối với các công ty có thực hiện R&D, bằng chứng về mối liên hệ giữa
cƣờng độ R&D với doanh thu và lợi nhuận tƣơng lai là không mạnh mẽ. Các bằng
chứng rõ ràng về mức R&D cao đóng một vai trò đặc biệt đƣợc tìm thấy ở những
cổ phiếu có R&D cao so với giá trị thị trƣờng của nó. Lợi nhuận vƣợt mức của
chúng trong ba năm tiếp theo là 6,12% mỗi năm. Cổ phiếu xếp hạng đánh giá cao
bởi R&D so với giá thị trƣờng của cổ phần có xu hƣớng giảm trong quá khứ. Các
công ty chi tiêu nhiều cho R&D mặc dù hiệu quả hoạt động trong quá khứ thấp và
áp lực cắt giảm chi phí trong trƣờng hợp mà các nhà quản lý tƣơng đối lạc quan về
triển vọng tƣơng lai của công ty. Tuy nhiên, thị trƣờng có xu hƣớng giảm giá khi
nhận đƣợc thông tin này và có vẻ chậm chạp trong việc thay đổi kỳ vọng của mình.
Những phát hiện này của tác giả không dễ thay đổi khi lợi nhuận đƣợc điều chỉnh
do kích thƣớc và những tác động đảo chiều lợi nhuận. Hơn nữa, tác giả cũng có


16

đƣợc kết quả tƣơng tự đối với việc chi tiêu cho một loại tài sản vô hình khác quảng cáo.
Mặc dù các ghi chép lịch sử cho thấy ít có sự khác biệt giữa diễn biến giá cổ
phiếu trung bình của và cổ phiếu có thực hiện R&D và không thực hiện R&D,
nhƣng điều này không kết thúc đƣợc vấn đề. Tác giả cung cấp bằng chứng cho thấy
cƣờng độ R&D liên quan tới biến động lợi nhuận, sau khi kiểm soát quy mô doanh
nghiệp, tuổi tác, và ảnh hƣởng của ngành. Ngay cả khi giá thị trƣờng trung bình
hợp nhất với lợi nhuận tƣơng lai từ R&D, sự thiếu hụt thông tin kế toán nhƣ một tài
sản vô hình quan trọng phải chịu chi phí thực đánh vào các nhà đầu tƣ thông qua
biến động tăng.

17

CHƢƠNG 3: PHƢƠNG PHÁP NGHIÊN CỨU
3.1 Phƣơng pháp nghiên cứu
Bài nghiên cứu đƣợc thực hiện theo phƣơng pháp nghiên cứu thực nghiệm
về tác động của cung, cầu thông tin lên độ bất ổn giá và khối lƣợng giao dịch của
các công ty trong mẫu VN30 và HNX30 (dữ liệu phi tài chính), dựa trên mô hình
nghiên cứu của nhóm tác giả Nicolaos Vlastakis và Raphael N. Markellos đăng trên
Journal of Banking & Finance năm 2012. Đây là nghiên cứu thực nghiệm sử dụng
dữ liệu 30 mã cổ phiếu giao dịch nhiều nhất trên NYSE và NASDAQ nghiên cứuvề
tác động của cung cầu thông tin đế độ biến động giá chứng khoán. Nghiên cứu thực
hiện phân tích hồi quy độ biến động lịch sử theo phƣơng OLS .

Trong đó:

là hằng số,

là đặc tính của cầu thông tin tại thời điểm t,

cầu thông tin về thị trƣờng tại thời điểm t,
điểm t,

là cung thông tin về công ty tại thời

là tập hợp cung thông tin tại thời điểm t,

tại thời điểm t và

là

là tỷ suất sinh lợi thị trƣờng

là sai số.

Sau đó hồi quy theo mô hình GARCH, điểm quan trọng của mô hình
GARCH là ƣớc lƣợng các tham số theo phƣơng pháp Maximum Likelihood. Mặc
dù, nhiều lớp mô hình GARCH có thể đƣợc sử dụng nhƣng nhiều nghiên cứu chỉ ra
rằng mô hình GARCH (1,1) cung cấp ƣớc lƣợng tốt nhất

1

1

Kết quả đƣợc tìm thấy từ các nghiên cứu của Akgiray, 1989; Bollerslev và cộng sự, 1992; Bams và

Wielhouwer, 1999; Goorbergh và Vlaar, 1999; Angellidis và Benos, 2004; Oh và Kim, 2007; Floros, 2007;
Chih-Hsiung Tseng và Yi-Hsien Wang, 2009.


18

Trong đó:

là tỷ suất sinh lợi cổ phiếu trong khoảng thời gian t,

là hằng số,

là chuỗi sai số không tƣơng quan của tỷ suất sinh lợi cổ phiếu với giá trị trung

bình bằng không,

,

thể hiện bộ thông tin,

là phƣơng sai có điều kiện của

là đặc tính của cầu thông tin tại thời điểm t,

tại thời điểm t,

là cầu thông tin về thị trƣờng

là cung thông tin về công ty tại thời điểm t,

thông tin tại thời điểm t,

là tập hợp cung

là tỷ suất sinh lợi thị trƣờng tại thời điểm t.

Tiếp tục hồi quy khối lƣợng giao dịch theo cung cầu thông tin

Trong đó:

là khối lƣợng giao dịch,

suất sinh lợi cổ phiếu,

là đặc tính của cầu thông tin tại thời điểm t,

thông tin về thị trƣờng tại thời điểm t,
t,

là giá trị tuyệt đối của logarity tỷ
là cầu

là cung thông tin về công ty tại thời điểm

là tập hợp cung thông tin tại thời điểm t.
Sau đó, thêm vào biến giả biểu hiện trạng thái thị trƣờng và hồi quy lại độ

biến động theo cung cầu thông tin.

Trong đó:

là giá trị tuyệt đối của logarity tỷ suất sinh lợi cổ phiếu,

đặc tính của cầu thông tin tại thời điểm t,
điểm t,

là

là cầu thông tin thị trƣờng tại thời

là cung thông tin về công ty tại thời điểm t,

là tập hợp cung thông tin

tại thời điểm t.
3.2 Dữ liệu

Để thực hiện nghiên cứu này, Tác giả sử dụng bộ dữ liệu theo tuần (cung, cầu
thông tin, khối lƣợng giao dịch và giá đóng cửa) của 30 mã cổ phiếu trong rổ VN30
kỳ 2/2014 , chỉ số thị trƣờng VNINDEX so sánh với 30 mã cổ phiếu trong rổ
HNX30 kỳ 05/05/2014 và chỉ số thị trƣờng HNXINDEX. Lựa chọn dữ liệu dựa vào
VN30, HNX30 – bao gồm những cổ phiếu đã đƣợc sàng lọc và cơ cấu theo


19

thông lệ quốc tê (sàng lọc về giá trị vốn hóa, tỉ lệ free-float, tính thanh khoản) thể
hiện chính xác nhất mối quan hệ cung cầu trên thị trƣờng. Thời gian nghiên cứu là
06 năm (từ năm 2008 đến 31/07/2014). Tiêu chí lọc ra 30 cổ phiếu để vào danh sách
VN30 và HNX30nhƣ sau:
Các bước sàng lọc cổ phiếu vào danh mục VN30
Bƣớc 1: Sàng lọc giá trị vốn hóa
Tập hợp các cổ phiếu thỏa mãn điều kiện tham gia tính toán chỉ số VN30
đƣợc sắp xếp theo thứ tự giảm dần theo giá trị vốn hóa hàng ngày bình quân trong 6
tháng chƣa điều chỉnh free-float (tỷ lệ phần trăm giữa số lƣợng cổ phiếu đã niêm
yết trên số lƣợng cổ phiếu đang lƣu hành).
50 cổ phiếu có giá trị vốn hóa cao nhất từ trên xuống sẽ đƣợc chọn.
Bƣớc 2: Sàng lọc về free-float
Cổ phiếu có tỷ lệ free-float =< 5% sẽ bị loại
Bƣớc 3: Sàng lọc về thanh khoản
Tập hợp các cổ phiếu còn lại sau bƣớc 2 đƣợc xếp theo thứ tự giảm dần về
giá trị giao dịch hằng ngày bình quân trong 6 tháng.
Áp dụng quy tắc thêm vào và loại bỏ cổ phiếu trong rổ chỉ số nhằm đảm bảo
chỉ số mang tính ổn định nhƣng vẫn đại diện cho toàn thị trƣờng.
số

Cổ phiếu đứng ở vị trí thứ 20 trở lên đƣơng nhiên có mặt trong chỉ

số

Cổ phiếu đứng ở vị trí thứ 41 trở xuống đƣơng nhiên bị loại khỏi chỉ

Cổ phiếu đứng vị trí 21 đến 40: ƣu tiên cổ phiếu cũ (đã có trong chỉ
số) sau


đó mới xét đến cổ phiếu mới sao cho số lƣợng cổ phiếu trong rổ bằng 30 cổ phiếu.
Trƣờng hợp có nhiều hơn 1 cổ phiếu cũ có cùng vị trí, sẽ ƣu tiên chọn cổ phiếu cũ
có giá trị vốn hóa hàng ngày bình quân cao hơn của kỳ xem xét.


20

Sau quá trình sàng lọc trên, top 40 cổ phiếu có giá trị giao dịch cao nhất theo
thứ tự xếp hạng từ trên xuống sẽ đƣợc chọn, trong đó Top 30 cổ phiếu sẽ đƣợc đƣa
vào danh mục chính thức của rổ chỉ số

Các bước sàng lọc cổ phiếu vào danh mục HNX30
A. Tiêu chí và phƣơng pháp lựa chọn cổ phiếu vào rổ chỉ số:
Các cổ phiếu đƣợc lựa chọn là cổ phiếu của các doanh nghiệp đang niêm yết tại
HNX và không thuộc một trong các diện sau đây:
Cổ phiếu thuộc diện bị kiểm soát, bị tạm ngừng giao dịch trong vòng 03
tháng tính đến thời điểm xem xét;
Cổ phiếu có thời gian niêm yết và giao dịch trên HNX dƣới 06 tháng, ngoại
trừ trƣờng hợp đặc biệt đƣợc Hội đồng chỉ số thông qua.
B. Các bƣớc lựa chọn cổ phiếu vào rổ chỉ số đƣợc tiến hành theo các bƣớc sau:
Bƣớc 1:

Tính giá trị giao dịch bình quân phiên trong 12 tháng gần nhất tính từ ngày
cơ sở trở về trƣớc của các mã đáp ứng điều kiện trên, sau đó chọn 100 mã có giá trị
giao dịch bình quân phiên lớn nhất (Top100GTGD);
Bƣớc 2:
Trong Top100GTGD chọn 70 mã có mức vốn hóa thị trƣờng sau khi điều
chỉnh khối lƣợng tự do chuyển nhƣợng (free float adjusted market capitalizationFFMC) bình quân trong 12 tháng gần nhất lớn nhất (Top70);
Bƣớc 3:
Trong Top70, kiểm tra các tiêu chuẩn về thanh khoản:
+

Tính KLGD trung vị ngày trong 12 tháng gần nhất theo cách: tính tổng

KLGD từng phiên của mỗi tháng, sắp xếp theo thứ tự từ cao đến thấp, chọn KLGD


21

ở giữa làm KLGD trung vị (trong trƣờng hợp có 2 ngày ở giữa thì sẽ lấy KLGD
trung bình của 2 ngày này làm KLGD trung vị);
+

Tính tỉ lệ KLGD trung vị của mỗi tháng so với khối lƣợng lƣu hành của

ngày cuối tháng (r);
+
Tất cả mã chứng khoán có 6 trên 12 tháng có tỉ lệ r < 0,02% sẽ bị
loại;
Bƣớc 4:
Đối với các mã chứng khoán đạt yêu cầu thanh khoản tại Bƣớc 4, xem xét
loại bỏ các chứng khoán đặc biệt theo yêu cầu của Hội đồng chỉ số (nếu có);

Bƣớc 5:
Lựa chọn 30 mã chứng khoán có FFMC lớn nhất và đảm bảo số chứng khoán
mỗi ngành không vƣợt quá 20% số lƣợng chứng khoán trong rổ, các chứng khoán
còn lại sẽ nằm trong danh sách chờ.

Dữ liệu cầu thông tin: Tác giả lấy dữ liệu Cầu hàng tuần thông qua Google
Insights for Search. Dịch vụ Google Insights for Search cung cấp dữ liệu SVI
(Search Volume Index) cho bất kỳ từ khóa ngƣời sử dụng nhập vào theo thời gian
và vị trí địa lý xác định (link />Về từ khóa tìm kiếm, Da và các cộng sự (2011a) cho rằng sử dụng từ khóa là
mã cổ phiếu tốt hơn tên công ty theo ba lý do cơ bản. Thứ nhất, mọi ngƣời có thể
tìm kiếm tên công ty với những lý do khác không phải mục đích đầu tƣ. Thứ hai, có
nhiều cách để đánh vần tên công ty. Thứ ba, dịch vụ Google Trends sử dụng dữ liệu
đầu vào dạng alpharithmetic - dữ liệu dạng bảng chữ cái và số học, ví dụ trƣờng
hợp công ty 3M. Bài nghiên cứu này, Tác giả sử dụng từ khóa chủ yếu là mã cổ
phiếu, một vài trƣờng hợp sử dụng tên hoặc tên vắn tắt của công ty do có số lƣợng
tìm kiếm lớn hơn. Tác giả cũng giả định lƣợt tìm kiếm tên công ty, mã cổ phiếu
không phải mục đích đầu tƣ chỉ mang tính ngẫu nhiên, xu hƣớng, mùa vụ sẽ đƣợc
khử trong quá trình xử lý dữ liệu.