Trong quá trình nghiên cứu và thực hiện đề tài khóa luận tốt nghiệp “Khóa luận: PPNC của Co-Moments bậc cao và định giá tài sản, mình nhận thấy rằng đề tài không chỉ giúp bản thân vận dụng hiệu quả những kiến thức đã học vào thực tế mà còn góp phần củng cố, mở rộng hiểu biết và tích lũy kinh nghiệm quý báu cho công việc và chuyên môn sau này. Với mong muốn hỗ trợ các bạn sinh viên đang trong quá trình học tập và làm khóa luận, mình xin chia sẻ đề tài khóa luận tốt nghiệp: Tác động của các nhân tố Co-Moments bậc cao và định giá tài sản trên thị trường chứng khoán các nền kinh tế mới nổi bằng cách tiếp cận hồi quy phân vị này như một tài liệu tham khảo hữu ích, hy vọng sẽ phần nào giúp các bạn định hướng tốt hơn khi nghiên cứu các vấn đề liên quan đến công tác đào tạo nguồn nhân lực trong doanh nghiệp.
3.1. Thu thập dữ liệu thô
Tác giả sử dụng dữ liệu chỉ số thị trường chứng khoán theo tuần của 25 thị trường mới nổi được phân loại theo các tiêu chí phân loại của MSCI (tại năm 2026) trong giai đoạn từ tháng 4 năm 2013 đến tháng 11 năm 2025. Lý do tác giả chọn mốc thời gian này vì khoảng thời gian này sát với thực nghiệm. Bên cạnh đó, theo nhiều nghiên cứu cho thấy thông thường chu kỳ của một cuộc khủng hoảng tài chính thường kéo dài trong khoảng 10 năm. Do đó, việc lựa chọn mốc thời gian này vừa phản ảnh được giá trị thực nghiệm của đề tài, ngoài ra mốc thời gian này còn phản ánh được các yếu tố không lường trước của cuộc khủng hoảng mà cụ thể là cuộc khủng hoảng nợ dưới chuẩn năm 2016-2017.
3.1.1. Giá trị chỉ số tại thị trường các nước mới nổi
Trong bài nghiên cứu này, tác giả tổng hợp chỉ số của 25 thị trường chứng khoán mới nổi theo các tiêu chí của MSCI trong giai đoạn từ tháng 4 năm 2013 đến tháng 11 năm 2025. Các bài nghiên cứu của Serdar Neslihanoglu (2024), Soosung Hwang (2007) đều cho thấy việc lấy dữ liệu theo tiêu chí của MSCI phù hợp với mục tiêu nghiên cứu của đề tài. Ngoài các đề tài đã nêu ở trên, tác giả còn tham khảo mô hình Fama-French và nhận thấy vẫn chưa có một cách thu thập số liệu cụ thể và thống nhất. Việc thu thập này chỉ mang tính chất tổng quát nhằm vào mục đích lấy dữ liệu theo tuần để tránh được các sai sót trong quá trình thu thập, các hiệu ứng tâm lý đầu tư như “hiệu ứng thứ hai”,… Những dữ liệu chứng khoán này được tác giả thu thập dựa trên kho dữ liệu của Thomson Reuter điều chỉnh trong suốt giai đoạn từ tháng 4 năm 2013 đến tháng 11 năm 2025.
3.1.2. Lãi suất phi rủi ro và lợi nhuận thị trường
Đối với dữ liệu lãi suất phi rủi ro, tác giả sử dụng giá trị lãi suất cho vay liên ngân hàng London (LIBOR) tại thị trường Mỹ theo tuần làm đại diện cho giá trị lãi suất phi rủi ro. Tác giả dựa trên các kết quả nghiên cứu của Kostakis, Muhammad, và Siganos (2020) và neslihanoglu (2024). Cụ thể, lãi suất phi rủi ro được lấy làm đại diện thường có mức độ an toàn cao, thị trường chứng khoán các nước mới nổi tập hợp nhiều quốc gia gồm các khu vực khác nhau như châu Âu, châu Mỹ Latinh, châu Á. Do đó, lãi suất phi rủi ro ở đây phải mang tính chất toàn cầu. Bên cạnh đó, dựa trên nghiên cứu của neslihanoglu (2024) và Soosung Hwang (2007), tác giả nhận thấy việc giả định chỉ số MSCI-EM làm đại diện cho tỷ suất sinh lời của danh mục thị trường là hợp lý. Vì xét theo bản chất, giá trị MSCI-EM được xây dựng từ 25 chỉ số thị trường chứng khoán các nước mới nổi, do đó nó có thể bao quát được thay đổi tổng thể của thị trường các nước mới nổi. Dữ liệu đại diện lãi suất phi rủi ro và danh mục đầu tư thị trường đều được lấy theo tuần trong giai đoạn từ tháng 4 năm 2013 đến tháng 11 năm 2025 để phù hợp với chuỗi thời gian nghiên cứu.
3.2. Xử lý số liệu Khóa luận: PPNC của Co-Moments bậc cao và định giá tài sản.
3.2.1. Tính toán giá trị tỷ suất sinh lợi
Nghiên cứu này sử dụng chỉ số hằng tuần với việc tính toán giá trị tỷ suất sinh lợi của tài sản dựa trên hàm logarithm theo công thức trong Miller (2021) như sau:
Trong đó:
- Ri,t: Tỷ suất sinh lợi của chỉ số i tại tuần t
- Pi,t: Giá trị của chỉ số i tại cuối tuần t
- Pi,t-1: Giá trị của chỉ số i tại cuối tuần t-1
Trong công thức này, Tỷ suất sinh lợi của chỉ số được tính toán theo giá trị của chỉ số của tuần t và tuần t-1.
3.2.2. Tính toán giá trị Đồng độ lệch (Co-skewness) và Đồng độ gù (Co-kurtosis)
Giá trị đồng độ lệch Co-skewness được tác giả sử dụng dựa trên định nghĩa của Kraus và Litzenberger (1976). Trong đó giá trị Co-skewness được tính dựa trên công thức sau:
Trong đó:
- 𝑅𝑖: TSSL của chỉ số thị trường i
- 𝐸(𝑅𝑖): TSSL kỳ vọng của chỉ số thị trường i
- 𝑅𝑚: TSSL của danh mục thị trường
- 𝐸(𝑅𝑚): TSSL kỳ vọng của danh mục thị trường.
Dựa trên việc tính toán giá trị đồng độ lệch và đồng độ gù bằng công thức của Kraus và Litzenberger (1976), bài viết dựa trên bộ dữ liệu thực tế tỷ suất sinh lời của các thị trường mới nổi. Qua đó, tác giả có thể đưa ra cái nhìn chi tiết hơn về khả năng áp dụng mô hình CAPM mở rộng hai nhân tố bậc cao trong việc giải thích sự biến động của tỷ suất sinh lợi.
3.2.3. Tính toán các biến độc lập của mô hình Khóa luận: PPNC của Co-Moments bậc cao và định giá tài sản.
Đầu tiên, tác giả tính toán các giá trị đồng độ lệch, đồng độ gù của mô hình dựa trên công thức của mục 3.2.2. Sau đó, tác giả tính toán các biến độc lập bao gồm phần bù rủi ro thị trường (RMP), phần bù đồng độ lệch (CSKP) và phần bù đồng độ gù (CKTP) để đo lường tác động của các nhân tố này đến từng thị trường qua các năm. Đối với hai giá trị phần Đồng độ lệch và phần bù Đồng độ gù, sau khi tính toán các giá trị CSK và CKT của từng quốc gia, tác giả sắp xếp các giá trị này từ thấp đến cao, tác giả phân bổ vào ba danh mục bao gồm thấp, trung bình và cao. Tác giả tiếp tục tính phần bù của các nhân tố này dựa trên công thức sau:
- Tính toán giá trị phần bù rủi ro thị trường (RMP)
Nhân tố phần bù rủi ro thị trường nhằm đại diện cho biến cố rủi ro, các sự biến động không lường trước được giữa thị trường lên giá trị rủi ro của chứng khoán. Đại lượng này được ước lượng dựa trên sự chênh lệch giữa giá trị TSSL của danh mục thị trường so với giá trị lãi suất phi rủi ro theo công thức sau: 𝑅𝑀𝑃 = 𝑅𝑚 − 𝑅𝑓 (3.4)
Trong đó:
- 𝑅𝑀𝑃: là phần bù rủi ro thị trường
- 𝑅𝑚: là giá trị TSSL của danh mục thị trường (MSCI-EM)
- 𝑅𝑓: là giá trị đại diện lãi suất phi rủi ro (lãi suất LIBOR)
Tính toán giá trị phần bù Đồng độ lệch (CSKP)
Nhân tố CSKP được xây dựng nhằm mô phỏng các tác động của nhân tố đồng độ lệch đến TSSL của danh mục và TSSL của thị trường, còn được gọi là phần bù rủi ro Đồng độ lệch. Giá trị 𝐶𝑆𝐾𝑇 được tính dựa trên sự chệnh lệch mỗi tuần giữa TSSL của danh mục có giá trị đồng độ lệch cao (𝐻𝐶𝑆𝐾) và TSSL của danh mục có giá trị Đồng độ lệch thấp (𝐿𝐶𝑆𝐾).
- 𝐶𝑆𝐾𝑃 = 𝐻𝐶𝑆𝐾 − 𝐿𝐶𝑆𝐾 (3.5)
Trong đó:
- 𝐶𝑆𝐾𝑃: là phần bù rủi ro Đồng độ lệch
- 𝐻𝐶𝑆𝐾: là giá trị TSSL của danh mục có giá trị CSK cao
- 𝐿𝐶𝑆𝐾: là giá trị TSSL của danh mục có giá trị CSK thấp
Tính toán giá trị phần bù Đồng độ gù (CKTP) Khóa luận: PPNC của Co-Moments bậc cao và định giá tài sản.
Nhân tố CKTP được xây dựng nhằm mô phỏng các tác động của nhân tố đồng độ gù đến TSSL của danh mục và TSSL của thị trường, còn được gọi là phần bù rủi ro Đồng độ lệch. Giá trị 𝐶𝐾𝑇𝑃 bằng sự chênh lệch mỗi tuần giữa TSSL của danh mục có Đồng độ lệch cao (𝐻𝐶𝐾𝑇) và danh mục có Đồng độ gù thấp (𝐿𝐶𝐾𝑇). 𝐶𝐾𝑇𝑃 = 𝐻𝐶𝐾𝑇 − 𝐿𝐶𝐾𝑇 (3.6)
Trong đó:
- 𝐶𝐾𝑇𝑃: là phần bù rủi ro Đồng độ lệch
- 𝐻𝐶𝐾𝑇: là giá trị TSSL của danh mục có giá trị CKT cao
- 𝐿𝐶𝐾𝑇: là giá trị TSSL của danh mục có giá trị CKT thấp
3.3. Phương pháp thống kê Khóa luận: PPNC của Co-Moments bậc cao và định giá tài sản.
3.3.1. Phương pháp thống kê mô tả dữ liệu thô
Tác giả sử dụng phương pháp thống kê mô tả để làm rõ bản chất của chuỗi dữ liệu thông qua các đại lượng chính bao gồm giá trị trung bình cộng (Mean), giá trị sai số chuẩn (SE), độ lệch (Skewness) và độ gù (Kurtosis) từ đó giải thích đặc điểm của chỉ số từng khoán của từng quốc gia trong khu vực mới nổi. Trong đó:
Giá trị trung bình cộng (mean): đo lường trung bình giá trị TSSL của chỉ số thị trường của các nước. Giá trị này được đo lường bằng cách chia tổng TSSL cho tổng số quan sát.
- Sai số chuẩn (SE): đo lường sự phân tán của dữ liệu nghiên cứu.
Độ lệch (Skewness): đây là giá trị đánh sự sự bất cân xứng của dữ liệu quan sát xung quanh giá trị trung bình. Đối với một chuỗi dữ liệu có phân phối chuẩn, giá trị skewness = 0. Trong khi đó, giá trị skewness > 0 phản ánh xác suất xuất hiện các biến cố tạo ra lợi nhuận bất thường cao hơn so với phân phối chuẩn, ở đây được định nghĩa là lệch dương (positive skewness). Ngược lại, khi giá trị này được xem là lệch âm khi skewness < 0, phản ánh xác suất xuất hiện các biến cố tạo ra tổn thất bất thường cao hơn so với phân phối chuẩn.
Độ gù (Kurtosis): giá trị này phản ánh mức độ nhọn của chuỗi dữ liệu so với phân phối chuẩn. Đối với phân phối chuẩn, giá trị Kurtosis = 3. Trong khi đó, khi giá trị Kurtosis > 3, chuỗi dữ liệu được xem xét là có độ nhọn cao đồng nghĩa với việc xác suất của các biến cố rủi ro (lợi nhuận bất thường và tổn thất bất thường) cao hơn so với phân phối chuẩn. Ngược lại, khi Kurtosis < 3, chuỗi dữ liệu được xem xét là có độ nhọn thấp tương đương với xác suất của các biến cố rủi ro là thấp hơn so với phân phối chuẩn.
3.3.2. Phân tích mối quan hệ tương quan giữa các biến độc lập Khóa luận: PPNC của Co-Moments bậc cao và định giá tài sản.
Dựa trên các lý thuyết xác suất thống kê, hệ số tương quan là giá trị giúp các nhà nghiên cứu có thể lượng hóa được mức độ phụ thuộc tuyến tính giữa hai biến ngẫu nhiên. Ngày nay, các nhà khoa học đã phát triển rất nhiều phương pháp để đo lường mức độ tương quan. Trong các cách đo lường này, phương pháp Pearson được phát triển bởi nhà khoa học Karl Pearson (1895) dựa trên những ý tưởng được đề xuất bởi Francis Galton trong những năm 1880. Theo đó, đối với hai biến 𝑋, 𝑌 ngẫu nhiên, hệ số tương quan Pearson được tính bằng công thức:
Trong đó:
- 𝜌𝑋,𝑌: Hệ số tương quan Pearson giữa 𝑋 và 𝑌
- 𝑐𝑜𝑣(𝑋, 𝑌): Hiệp phương sai giữa 𝑋 và 𝑌
- 𝜎𝑋, 𝜎𝑌: Độ lệch chuẩn của 𝑋 và 𝑌.
Độ biến động của giá trị hệ số tương quan Pearson dao động quanh giá trị -1 đến 1. Trong đó, khi 𝜌𝑋,𝑌 > 0, tồn tại sự phụ thuộc tuyến tính giữa hai biến 𝑋 và 𝑌. Điều này đồng nghĩa với việc mối quan hệ giữa hai biến này biến động theo tỷ lệ thuận, tức là giá trị của một biến tăng lên thì đồng thời giá trị của biến còn lại cũng sẽ tăng lên theo. Khi 𝜌𝑋,𝑌 < 0, tồn tại mối quan hệ nghịch chiều giữa hai biến 𝑋 và 𝑌. Đối với trường hợp 𝜌𝑋,𝑌 = 0, theo định nghĩa của Pearson, hai biến này tồn tại mối quan hệ độc lập thống kê. Tuy nhiên, trong thực tế xác suất tồn tại trường hợp độc lập giữa hai biến với nhau là rất thấp, điều này phản ánh nhược điểm của phương pháp hệ số tương quan là chưa giải thích được mối quan hệ giữa các biến phi tuyến.
Đối với các phương pháp hồi quy đa biến giữa biến độc lập với các biến phụ thuộc, khi mối quan hệ tương quan giữa hai chuỗi quan sát này cao sẽ phản ánh sự tồn tại của hiện tương đa cộng tuyến. Trong trường hợp có nhiều hơn hai biến độc lập trong mô hình, tác giả sử dụng ma trận tương quan để minh họa cụ thể mức độ phụ thuộc giữa các chuỗi dữ liệu này với nhau (theo Karl Pearson, 1895). Khóa luận: PPNC của Co-Moments bậc cao và định giá tài sản.
3.3.3. Phân tích hồi quy tuyến tính
Trong bài nghiên cứu này, tác giả sử dụng mô hình hồi quy CAPM kết hợp với việc mở rộng thêm hai nhân tố phần bù Đồng độ lệch (CSKP) và phần bù Đồng độ gù (CKTP). Qua đó, sử dụng mô hình này để đo lường tác động của các yếu tố rủi ro này đến tỷ suất sinh lời của thị trường. Bằng việc tham khảo các công trình nghiên cứu của Kraus và Litzenberger (1976); Harvey và Siddique (2008); Dittmar (2010); Barone Adesi, Gagliardini, và Urga (2012) trong việc đưa thêm hai nhân tố phi tuyến là CSKP và CKTP, Tác giả đề xuất mô hình hồi quy này có công thức như sau: = 𝛽0,𝑖 + 𝛽1,𝑖[𝑅𝑀𝑃] + 𝛽2,𝑖[𝐶𝑆𝐾𝑃] + 𝛽3,𝑖[𝐶𝐾𝑇𝑃] + 𝜀𝑖,𝑡 (3.9)
Trong đó:
- 𝑅𝑖,𝑡: tỷ suất sinh lời theo tuần của các chỉ số chứng khoán mới nổi tại thời điểm t
- 𝑟𝑓,𝑡: giá trị đại diện lãi suất phi rủi ro (theo tuần) tại thời điểm t
- 𝑅𝑀,𝑡: giá trị tỷ suất sinh lời đại diện danh mục đầu tư thị trường tại thời điểm t
- 𝑅̅𝑀,𝑡: giá trị trung bình tỷ suất sinh lời đại diện danh mục đầu tư thị trường tại thời điểm t
- 𝛽1,𝑖, 𝛽2,𝑖, 𝛽3,𝑖: giá trị hệ số của các nhân tố rủi ro thị trường, phần bù đồng độ lệch, phần bù đồng độ gù.
- 𝑅𝑀𝑃, 𝐶𝑆𝐾𝑃, 𝐶𝐾𝑇𝑃: nhân tố phần bù rủi ro thị trường, phần bù đồng độ lệch, đồng độ gù.
Tác giả sử dụng phương pháp hồi quy phân vị dựa trên các ưu điểm của phương pháp này (đã đề cập ở mục 2.4.3) khắc phục được một số yếu điểm của phương pháp OLS. Thông qua việc hồi quy giá trị chênh lệch tỷ suất sinh lợi và lãi suất phi rủi ro của từng thị trường trên năm mức phân vị 𝜏 = [0.1, 0.25, 0.5, 0.75, 0.9] để xem xét các tác động khác nhau giữa các biến độc lập lên biến phụ thuộc trên từng mức phân vị. Các phép ước lượng này được tác giả tính toán thông qua phần mềm Stata 14.
3.3.4. Các phương pháp kiểm định dự kiến Khóa luận: PPNC của Co-Moments bậc cao và định giá tài sản.
- Kiểm định ý nghĩa thống kê của các hệ số hồi quy
Để kiểm tra hệ số hồi quy có ý nghĩa hay không tác tiến hành kiểm định t (t-test) với mức ý nghĩa α = 5%, trong đó với 2 giả thiết như sau:
- 𝐻0: 𝛽𝑖 = 0
- 𝐻1: 𝛽𝑖 ≠ 0
Trường hợp nếu 𝜌 − 𝑣𝑎𝑙𝑢𝑒 ≥ 0.05, không đủ cơ sở để bác bỏ giả thiết 𝐻0, tức là hệ số hồi quy không có ý nghĩa thống kê; nếu 𝜌 − 𝑣𝑎𝑙𝑢𝑒 < 0.05, bác bỏ giả thiết 𝐻0, hệ số hồi quy số có ý nghĩa thống kê, đây là giả thiết tác giả mong muốn hướng tới.
- Kiểm định sự phù hợp của mô hình hồi quy
Giá trị 𝑅2 được tác giả sử dụng làm để lượng để đo lường mức độ giải thích của mô hình hồi quy. Giá trị này dao động trong khoảng [0,1], hệ số 𝑅2 càng cao càng giải thích được sự tác động của các biến độc lập lên tỷ suất sinh lời kỳ vọng của chỉ số chứng khoán. Nếu 𝑅2 = 0, các biến độc lập không giải thích được sự biến động của giá trị tỷ suất sinh lời kỳ vọng. Tuy nhiên, trong trường hợp càng có nhiều biến được đưa vào mô hình, giá trị 𝑅2 hiệu chỉnh thường được sử dụng so với giá trị thông thường. Khóa luận: PPNC của Co-Moments bậc cao và định giá tài sản.
XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:
===>>> Khóa luận: KQNC của Co-Moments bậc cao và định giá tài sản
Pingback: Khóa luận: Tác động của Co-Moments bậc cao và định giá tài sản