CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN CHỈ SỐ GIÁ CHỨNG KHOÁN VIỆT NAM

Link bộ dữ liệu: https://docs.google.com/spreadsheets/d/1POMCGA3r6Gtbn_sVmU2tRPU7l311T1kL/edit?usp=sharing&ouid=116373635386361299654&rtpof=true&sd=true

library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.2     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ ggplot2   3.4.2     ✔ tibble    3.2.1
## ✔ lubridate 1.9.2     ✔ tidyr     1.3.0
## ✔ purrr     1.0.1     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(ggplot2)
library(TeachingDemos)
library(dplyr)
library(nortest)
library(tseries)

## Warning: package 'tseries' was built under R version 4.3.1

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

library(extraDistr)

## 
## Attaching package: 'extraDistr'
## 
## The following object is masked from 'package:purrr':
## 
##     rdunif

library(fitdistrplus)

## Warning: package 'fitdistrplus' was built under R version 4.3.1

## Loading required package: MASS
## 
## Attaching package: 'MASS'
## 
## The following object is masked from 'package:dplyr':
## 
##     select
## 
## Loading required package: survival

library(e1071)
library(exactci)

## Warning: package 'exactci' was built under R version 4.3.1

## Loading required package: ssanv
## Loading required package: testthat

## Warning: package 'testthat' was built under R version 4.3.1

## 
## Attaching package: 'testthat'
## 
## The following object is masked from 'package:dplyr':
## 
##     matches
## 
## The following object is masked from 'package:purrr':
## 
##     is_null
## 
## The following objects are masked from 'package:readr':
## 
##     edition_get, local_edition
## 
## The following object is masked from 'package:tidyr':
## 
##     matches

library (DescTools)
library(epitools)

## 
## Attaching package: 'epitools'
## 
## The following object is masked from 'package:exactci':
## 
##     binom.exact
## 
## The following object is masked from 'package:survival':
## 
##     ratetable

library(lmtest)

## Warning: package 'lmtest' was built under R version 4.3.1

## Loading required package: zoo

## Warning: package 'zoo' was built under R version 4.3.1

## 
## Attaching package: 'zoo'
## 
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

library(readxl)
library(summarytools)

## Warning: package 'summarytools' was built under R version 4.3.1

## 
## Attaching package: 'summarytools'
## 
## The following object is masked from 'package:tibble':
## 
##     view

1 LỜI CẢM ƠN

Trong quá trình học tập và nghiên cứu môn Mô phỏng ngẫu nhiên cũng như trong quá trình hoàn thiện bài tiểu luận Các nhân tố kinh tế vĩ mô ảnh hưởng đến thị trường chứng khoán Việt Nam, tôi xin chân thành cảm ơn đến thầy Trần Mạnh Tường giảng viên bộ môn Mô phỏng ngẫu nhiên đã dạy dỗ, truyền đạt những kiến thức quý báu cho chúng tôi trong suốt thời gian học tập vừa qua, đồng thời thầy cũng đã gợi ý, hỗ trợ và hướng dẫn chúng tôi trong quá trình làm bài để có được một bài tiểu luận tốt nhất. Do vốn kiến thức còn nhiều hạn chế nên trong bài tiểu luận chắc chắn sẽ không tránh khỏi những thiếu sót. Rất mong nhận được sự nhận xét, ý kiến đóng góp, phê bình từ phía thầy để bài tiểu luận được hoàn thiện hơn.

2 CHƯƠNG 1. PHẦN MỞ ĐẦU

2.1 Lý do chọn đề tài

Thị trường chứng khoán là một phần quan trọng trong hệ thống tài chính của một quốc gia. Trải qua những giai đoạn biến động và thăng trầm, thị trường chứng khoán Việt Nam đã từng bước khẳng định đẳng cấp và tiềm năng hấp dẫn, thu hút sự quan tâm của giới đầu tư và doanh nghiệp cả trong và ngoài nước. Chỉ số giá chứng khoán là một trong những thước đo quan trọng nhất để đánh giá tình hình thị trường chứng khoán. Tuy nhiên, thị trường chứng khoán cũng không tránh khỏi những rủi ro không lường trước. Đó là lý do tại sao việc nắm bắt thông tin về các yếu tố ảnh hưởng đến giá chứng khoán rất quan trọng. Các nhà đầu tư và doanh nghiệp cần có kế hoạch quản lý rủi ro chặt chẽ, đồng thời điều chỉnh chiến lược đầu tư linh hoạt theo diễn biến thị trường. Nhờ vậy, họ có thể hạn chế tối đa những rủi ro không mong muốn, cũng như tối ưu hóa lợi nhuận trong môi trường thị trường luôn biến đổi. NKhông chỉ có tác động trong lĩnh vực đầu tư, việc nghiên cứu các yếu tố ảnh hưởng đến chỉ số giá chứng khoán Việt Nam còn đóng góp to lớn cho lĩnh vực nghiên cứu tài chính. Những kết quả và phân tích từ nghiên cứu này không chỉ là kho tàng kiến thức quý giá mà còn là nguồn dữ liệu đáng tin cậy, giúp các nhà nghiên cứu hiểu rõ hơn về cơ chế hoạt động của thị trường chứng khoán Việt Nam, từ đó đưa ra những phân tích chính xác và chi tiết hơn về sự phát triển tài chính trong quốc gia.Vì tầm quan trọng và ý nghĩa của đề tài, , tôi quyết định chọn đề tài “Các nhân tố kinh tế vĩ mô ảnh hưởng đến thị trường chứng khoán Việt Nam” giai đoạn 2013 đến 2022 để làm đề tài kết thúc học phần môn Mô phỏng ngẫu nhiên.

2.2 Mục tiêu nghiên cứu

Mục tiêu chung: Làm rõ thêm các vấn đề về cách nhân tố kinh tế vĩ mô ảnh hưởng đến thị trường chứng khoán.

Mục tiêu cụ thể:

• Xác định các nhân tố kinh tế vĩ mô ảnh hưởng đến thị trường chứng khoán ở Việt Nam.

• Đo lường mức độ ảnh hưởng của từng nhân tố kinh tế vĩ mô đến chỉ số giá chứng khoán.

• Gợi ý một số hàm ý chính sách nâng cao hiệu quả quản lý danh mục đầu tư, giảm thiểu rủi ro khi đầu tư trên thị trường chứng khoán ở Việt Nam.

2.3 Đối tượng và phạm vi nghiên cứu

Phạm vi nghiên cứu: thị trường chứng khoán Việt Nam trong giai đoạn từ tháng 01/2013 đến tháng 12/2022.

Đối tượng nghiên cứu: Các nhân tố kinh tế vĩ mô ảnh hưởng đến thị trường chứng khoán Việt Nam.

2.4 Phương pháp nghiên cứu

Phương pháp nghiên cứu tài liệu: Phương pháp này sẽ bao gồm việc tìm hiểu, thu thập và phân tích các tài liệu liên quan đến thị trường chứng khoán từ những nguồn đáng tin cậy. Các tài liệu nghiên cứu, sách, báo cáo, và bài viết chuyên ngành về chứng khoán sẽ được xem xét để có cái nhìn toàn diện về thị trường chứng khoán. Sử dụng tài liệu từ các nghiên cứu khoa học đã được đăng ký để xây dựng cơ sở lý luận vững chắc cho đề tài.

Phương pháp xử lý số liệu bằng thống kê toán học: Các dữ liệu sử dụng trong đề tài sẽ được kiểm định và mô phỏng lại. Phần mềm R - một công cụ mạnh mẽ và phổ biến trong lĩnh vực thống kê và xử lý dữ liệu - sẽ hỗ trợ quá trình này. Việc sử dụng phần mềm R sẽ đảm bảo tính chính xác và đáng tin cậy trong việc phân tích và mô phỏng số liệu.

2.5 Ý nghĩa đề tài

Ý nghĩa khoa học: Luận văn góp phần bổ sung thêm bằng chứng thực nghiệm về các nhân tố kinh tế vĩ mô ảnh hưởng đến thị trường chứng khoán Việt Namgiai đoạn tháng 01/2013 đến tháng 12/2022.

Ý nghĩa thực tiễn: Giúp cho các cổ đông, nhà đầu tư chứng khoán đánh giá được mức độ hoàn thành kế hoạch và mức độ tăng trưởng nhằm tìm ra những yếu tố tích cực, yếu tố tiêu cực ảnh hưởng đến thị trường chứng khoán Việt Nam, từ đó đưa ra những chính sách phù hợp để phát huy yếu tố tích cực, khắc phục hoặc loại bỏ các yếu tố tiêu cực và đưa ra những quyết định đúng đắn phát triển kinh tế nói chung và thị trường chứng khoán nói riêng ngày một lớn mạnh và bền vững.

2.6 Kết cấu đề tài

Chương 1. Cơ sở lý thuyết

Chương 2. Phương pháp và dữ liệu nghiên cứu

Chương 3. Kết quả nghiên cứu

Chương 4. Kết luận

3 CHƯƠNG 1. CƠ SỞ LÝ THUYẾT

3.1 Lý thuyết về thị trường chứng khoán

3.1.1 Định nghĩa chứng khoán

Chứng khoán là bằng chứng xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với tài sản hoặc phần vốn của tổ chức phát hành. Chứng khoán được thể hiện bằng hình thức chứng chỉ, bút toán ghi sổ hoặc dữ liệu điện tử. Chứng khoán bao gồm các loại: cổ phiếu, trái phiếu, chứng chỉ quỹ đầu tư, chứng khoán phái sinh.

3.1.2 Thị trường chứng khoán

Thị trường chứng khoán là nơi mua, bán chứng khoán. Căn cứ vào việc mua, bán chứng khoán lần đầu hay mua bán lại, thị trường chứng khoán được chia làm hai bộ phận: thị trường sơ cấp và thị trường thứ cấp. Thị trường chứng khoán sơ cấp là nơi chứng khoán được người phát hành chứng khoán bán cho tổ chức, cá nhân. Thị trường chứng khoán thứ cấp là nơi diễn ra việc mua, bán lại chứng khoán. Hình thức tổ chức của thị trường chứng khoán thứ cấp là Trung tâm giao dịch chứng khoán (sở giao dịch chứng khoán).

3.1.3 Chỉ số giá chứng khoán

Chỉ số giá chứng khoán là chỉ báo giá cổ phiếu phản ánh xu hướng phát triển của thị trường cổ phiếu, thể hiện xu hướng thay đổi của giá cổ phiếu và tình hình giao dịch trên thị trường. Đơn giản, chỉ số giá chứng khoán là giá bình quân cổ phiếu tại một ngày nhất định so với ngày gốc (Bui, 2013). Công thức tính chỉ số giá chứng khoán:

\(I=\frac{\sum_{i=1}^{n}{S_{it}\times P_{it}}}{\sum_{i=1}^{n}{S_{i0}\times P_{i0}}}\times100\)

Trong đó:

\(I\): Chỉ số giá chứng khoán

\(S_i\): Số lượng cổ phiếu i

\(P_i\): Gía thị trường của một cổ phiếu i

\(0\): Thời điểm gốc

\(t\): Thời điểm t

\(i\): Loại cổ phiếu được đưa vào tính chỉ số

Cách chọn rổ đại diện (chọn các cổ phiếu i để tham gia tính toán) của thị trường bao gồm các cổ phiếu tiêu biểu và đại diện được cho tổng thể thị trường. Do đó, các cổ phiếu trong rổ đại diện thường xuyên được thay đổi do phải thay đổi những cổ phiếu không còn tiêu biểu bằng các cổ phiếu tiêu biểu hơn. Ba tiêu chí quan trọng để xác định sự tiêu biểu của cổ phiếu là số lượng cổ phiếu niêm yết, giá trị niêm yết và tỷ lệ giao dịch chứng khoán đó trên thị trường.

3.2 Các lý thuyết kinh tế về mối quan hệ giữa chỉ số chứng khoán và các nhân tố vĩ mô

Có nhiều yếu tố vĩ mô có tác động đến thị trường chứng khoán như yếu tố chính trị, yếu tố kinh tế, yếu tố tâm lý, yếu tố môi trường,…Trong bài luận văn này, chúng tôi chỉ xét đến những yêu tố kinh tế vĩ mô mà chúng tôi có sử dụng trong mô hình bao gồm: Chỉ số S&P 500, chỉ số Nikkei 225, giá Vàng, giá Dầu thô và lãi suất trái phiếu kỳ hạn 1 tháng của Hoa Kỳ.

3.2.1 Chỉ số S&P 500

Chỉ số S&P 500 (Standard & Poor’s 500) là một trong những chỉ số chứng khoán quan trọng và phổ biến nhất trên thị trường tài chính thế giới. Được thành lập vào năm 1957 bởi Standard & Poor’s Financial Services LLC, S&P 500 đo lường hiệu suất của 500 công ty hàng đầu có vốn hóa thị trường lớn nhất và uy tín nhất tại Hoa Kỳ. Đây là một trong những chỉ số chủ đạo của thị trường chứng khoán Mỹ và được xem như đại diện cho xu hướng tổng thể của thị trường cổ phiếu Hoa Kỳ.

3.2.2 Chỉ số Nikkei 225

Chỉ số Nikkei 225 là một trong những chỉ số chứng khoán quan trọng nhất tại Nhật Bản. Được ra mắt vào ngày 7 tháng 9 năm 1950 bởi Tạp chí kinh tế Nikkei, Nikkei 225 là một chỉ số trung bình giá cổ phiếu tích lũy hàng ngày của 225 công ty lớn nhất và uy tín nhất được niêm yết trên Sở giao dịch Chứng khoán Tokyo (Tokyo Stock Exchange). Chỉ số Nikkei 225 thường được sử dụng như một đại diện cho xu hướng chung của thị trường chứng khoán Nhật Bản. Nó là một trong những chỉ số chủ lực của thị trường tài chính Nhật Bản và được theo dõi sát sao bởi các nhà đầu tư trong và ngoài nước.

3.2.3 Giá vàng

Vàng sở hữu các tính chất tương tự như chứng khoán ở chỗ nó là một sự lưu trữ giá trị, phương tiện trao đổi và là một đơn vị thanh toán (Goodman, 1956; Solt and Swanson, 1981). Vàng đóng vai trò là một kim loại quý với các tính chất giúp đa dạng hóa danh mục đầu tư một cách đáng kể (Ciner, 2001).Khác với các tài sản khác, vàng là tài sản có tính thanh khoản cao. Sự biến động của giá vàng luôn có ảnh hưởng tích cực hay tiêu cực đến nền kinh tế, cụ thể là thị trường chứng khoán. Cơ sở để giải thích cho mối tương quan này là khi giá vàng tăng, nhà đầu tư sẽ rút vốn để đầu tư vào thị trường vàng thay vì đầu tư vào cổ phiếu do tỷ suất sinh lợi trên thị trường vàng cao hơn. Do đó, cầu về cổ phiếu sẽ giảm, làm giảm giá của cổ phiếu.

Theo Truong (2014) sự biến động của giá vàng có tương quan nghịch với tỷ suất sinh lời của các cổ phiếu. Một cách định lượng, khi giá vàng tăng hoặc giảm 1% thì tỷ suất sinh lời của các cổ phiếu sẽ giảm hoặc tăng 0,72%. Akbar và cộng sự (2019), cũng chứng minh giá vàng và giá chứng khoán có tác động qua lại lẫn nhau và đó là tác động ngược chiều bằng mô hình VAR. Trương Đông Lộc & Võ Thị Hồng Đoan (2009) nghiên cứu sự thay đổi giá vàng trong nước có tương quan thuận với giá cổ phiếu Việt Nam nhờ kiểm định nhân quả.

Giá vàng thường có xu hướng tăng khi có dự phóng tiêu cực về kinh tế và lạm phát cao. Trong thời gian không chắc chắn hoặc khủng hoảng kinh tế, nhà đầu tư thường tìm đến vàng như một tài sản an toàn. Điều này có thể làm tăng giá vàng trong khi thị trường chứng khoán giảm.

3.2.4 Giá dầu thô

Dầu thô WTI (West Texas Intermediate) là một loại dầu thô được khai thác và sản xuất chủ yếu tại vùng đồng bằng và trung tâm của Texas, Hoa Kỳ. Đây là một trong những loại dầu thô phổ biến và quan trọng nhất trên thế giới.

Giá cả của dầu thô WTI có thể biến động mạnh, và nó thường được sử dụng làm một trong các chỉ số để đo giá dầu thô trên thị trường toàn cầu. Giá dầu thô WTI có thể bị ảnh hưởng bởi nhiều yếu tố, bao gồm cung cầu của dầu, tình hình kinh tế toàn cầu, tình hình chính trị và các yếu tố thị trường tài chính khác.

Dầu thô WTI và thị trường chứng khoán không có mối quan hệ trực tiếp, nhưng có một số yếu tố mà giá dầu thô WTI có thể ảnh hưởng đến thị trường chứng khoán và ngược lại.

Các công ty khai thác, sản xuất, và tiêu thụ dầu thô WTI có thể bị ảnh hưởng đáng kể bởi biến động giá dầu. Khi giá dầu thô giảm, doanh nghiệp trong ngành dầu khí có thể gặp khó khăn vì giá bán dầu của họ cũng giảm, dẫn đến giảm lợi nhuận và giá cổ phiếu của các công ty này có thể giảm.

Giá dầu thô WTI có thể ảnh hưởng đến mức lạm phát và chi phí sản xuất trong nhiều ngành công nghiệp. Khi giá dầu tăng, các chi phí vận hành, giao thông vận tải và năng lượng có thể tăng, dẫn đến tác động tiêu cực lên lợi nhuận của doanh nghiệp và tạo áp lực lên lạm phát. Điều này có thể ảnh hưởng đến cảm giác không chắc chắn của nhà đầu tư và làm giảm độ hấp dẫn của thị trường chứng khoán.

3.2.5 Lãi suất trái phiếu kỳ hạn 1 tháng của Hoa Kỳ

Lãi suất trái phiếu kỳ hạn 1 tháng của Hoa Kỳ là mức lãi suất được áp dụng cho các trái phiếu có thời hạn 1 tháng của Chính phủ Hoa Kỳ. Trái phiếu là một công cụ tài chính mà Chính phủ Hoa Kỳ phát hành để vay tiền từ công chúng và các tổ chức tài chính. Trái phiếu thường có một khoảng thời gian nhất định, và lãi suất trái phiếu là mức lãi suất được trả cho nhà đầu tư trong suốt thời gian giữ trái phiếu.

Lãi suất trái phiếu kỳ hạn 1 tháng Hoa Kỳ thường được quyết định và công bố bởi Ủy ban Dự trữ Liên bang Mỹ (Federal Reserve). Lãi suất trái phiếu có thể thay đổi theo tình hình kinh tế và chính sách tiền tệ của nước này. Lãi suất trái phiếu càng cao, thì lợi suất mà nhà đầu tư nhận được càng cao, nhưng đồng thời cũng tăng nguy cơ rủi ro cho người mua trái phiếu.

Thông thường, có một số mối quan hệ đối lập giữa lãi suất trái phiếu và thị trường chứng khoán: Khi lãi suất trái phiếu tăng, các trái phiếu trở nên hấp dẫn hơn với lợi suất cao hơn, làm giảm sự hấp dẫn của thị trường chứng khoán. Vì vậy, trong trường hợp này, nhà đầu tư có thể chuyển tiền từ thị trường chứng khoán sang thị trường trái phiếu, dẫn đến giảm giá trị chứng khoán.

3.3 Tổng quan nghiên cứu thực nghiệm

Le và cộng sự (2019) đã nghiên cứu Tác động của các biến kinh tế vĩ mô đến chỉ số giá cổ phiếu: Bằng chứng từ thị trường chứng khoán Việt Nam. Kết quả nghiên cứu cho thấy, trong dài hạn, chỉ số giá cổ phiếu VNI bị tác động bởi giá dầu, cung tiền, lãi suất, giá vàng SJC và tỷ giá hối đoái. Trong ngắn hạn, chỉ số giá chứng khoán có mối quan hệ nhân quả với giá dầu, lãi suất và cung tiền.

Ho và Odhiambo (2018) phân tích các động lực kinh tế vĩ mô của sự phát triển thị trường chứng khoán ở Philippines. Kết quả cho thấy độ mở thương mại có tác động tiêu cực đến sự phát triển của thị trường chứng khoán Philippines trong dài hạn, trong khi đó sự phát triển của ngành ngân hàng và tỷ giá hối đoái có tác động tích cực đến sự phát triển của thị trường chứng khoán Philippines trong ngắn hạn.

Bích Nguyệt và Thảo (2013) phân tích tác động của các nhân tố kinh tế vĩ mô đến thị trường chứng khoán VN Kết quả nghiên cứu cho thấy các biến: cung tiền, lạm phát, sản lượng công nghiệp (đại diện cho hoạt động kinh tế thực), giá dầu thế giới thể hiện mối tương quan cùng chiều với TTCK; còn các biến lãi suất và tỉ giá hối đoái giữa VND/USD thể hiện mối tương quan ngược chiều với TTCK.

Thủy và Dương (2015) đã nghiên cứu sự tác động của các nhân tố kinh tế vĩ mô đến các chỉ số giá cổ phiếu tại HOSE. Kết quả nghiên cứu cho thấy trong dài hạn lạm phát có tác động tiêu cực đến các chỉ số giá cổ phiếu tại HOSE; với cung tiền, tỷ giá hối đoái, lãi suất và giá trị sản lượng công nghiệp có tác động tích cực đến hầu hết các chỉ số giá cổ phiếu tại HOSE trong dài hạn

Thọ (2017) phân tích các nhân tố vĩ mô ảnh hưởng đến thị trường chứng khoán của Việt Nam trong giai đoạn từ tháng 01 năm 2001 đến hết tháng 12 năm 2016. Bài nghiên cứu tìm thấy chỉ số tiêu dùng, chỉ số sản xuất công nghiệp và cung tiền có ảnh hưởng tích cực đến chỉ số thị trường chứng khoán Việt Nam. Và ngược lại, lãi suất huy động, tỷ giá hối đoái, lãi suất trái phiếu có ảnh hưởng tiêu cực đến thị trường chứng khoán Việt Nam.

Anh (2019) nghiên cứu xác định mối quan hệ giữa các yếu tố vĩ mô ảnh hưởng đến chỉ số VN30 trong giai đoạn 2006-2017. Kết quả nghiên cứu chỉ ra rằng trong dài hạn, giá vàng tác động ngược chiều lên chỉ số VN30, trong khi tỷ giá hối đoái không có ý nghĩa thống kê trong việc giải thích sự tác động của các tỷ giá hối đoái đến chỉ số chứng khoán VN30, các yếu tố tỷ lệ lạm phát, chỉ số sản xuất công nghiệp, Lãi suấ, cung tiền tác động cùng chiều lên chỉ số VN30. Trong ngắn hạn, các biến sản lượng công nghiệp và cung tiền tác động cùng chiều đến chỉ số VN30. Trong khi đó, các biến lạm phát, lãi suất, tỷ giá hối đoái, giá vàng tác động ngược chiều đến chỉ số VN30.

Như Quỳnh và Hương Linh (2019) đã đo lường tác động của 6 yếu tố kinh tế vĩ mô bao gồm: giá dầu, chỉ số giá tiêu dùng (đại diện cho lạm phát), cung tiền M2, lãi suất, tỷ giá hối đoái và giá vàng đến thị trường chứng khoán (TTCK) Việt Nam (thông qua chỉ số giá chứng khoán VN-Index) trong giai đoạn 2000-2018 bằng mô hình VECM. Kết quả nghiên cứu cho thấy trong dài hạn lạm phát tác động tích cực đến chỉ số VN-Index và lãi suất tác động tiêu cực. Còn trong ngắn hạn, chỉ số VN-Index chủ yếu chịu tác động bởi chỉ số VN-Index ở tháng liền trước. Bên cạnh đó, chỉ số VN-Index có mối quan hệ cùng chiều với lãi suất, cung tiền, giá dầu, quan hệ ngược chiều với lạm phát và tỷ giá. Giá vàng là nhân tố không tác động đáng kể đến chỉ số VN-Index trong cả ngắn và dài hạn.

3.4 Khoảng trống nghiên cứu

Qua việc tìm hiểu những mô hình nghiên cứu liên quan đến đề tài cả trong và ngoài nước, ta có thể thấy rằng, đề tài các nhân tố kinh tế vĩ mô ảnh hưởng đến thị trường chứng khoán ở một quốc gia không còn là một đề tài mới. Đã có rất nhiều nghiên cứu về đề tài này được thực hiện, tiếp cận vấn đề trên nhiều hướng khác nhau, đồng thời phương pháp nghiên cứu và các mô hình được sử dụng cũng rất đa dạng. Tuy nhiên thị trường chứng khoán ở các quốc gia trong một khu vực thì có sự liên quan chặt chẽ với nhau và các nghiên cứu về các nhân tố kinh tế vĩ mô ảnh hưởng đến thị trường chứng khoán của các quốc gia trong khu vực thì không có nhiều, chưa có nghiên cứu nào tập trung đặc biệt vào ảnh hưởng của các yếu tố vĩ mô đến thị trường chứng khoán ở Đông Nam Á. Trong khi đây là một chủ đề nghiên cứu quan trọng và được quan tâm rộng rãi, vì thị trường chứng khoán ở Đông Nam Á đã và đang phát triển mạnh mẽ, đóng vai trò quan trọng trong nền kinh tế của khu vực. Do đó việc thêm các nghiên cứu tại các thị trường khác nhau, thời điểm khác nhau là điều cần thiết, nhằm đưa ra những đánh giá cụ thể và chính xác hơn về các nhân tố kinh tế ảnh hưởng đến thị trường chứng khoán.

4 CHƯƠNG 2. PHƯƠNG PHÁP VÀ DỮ LIỆU NGHIÊN CỨU

4.1 Mô hình đề xuất nghiên cứu

Xuất phát từ các kết quả nghiên cứu tổng quan trước đây, đồng thời với mục đích phân tích ảnh hưởng các nhân tố kinh tế vĩ mô ảnh hưởng đến thị trường chứng khoán Việt Nam nên tác giả tham khảo mô hình hồi qui tuyến tính đa biến của Trần Thị Bích Ngọc và Nguyễn Tuyết Trinh (2014) ; Bùi Đỗ Phúc Quyên và Nguyễn Văn Qúy (2022) để nghiên cứu các yếu tố vĩ mô ảnh hưởng đến thị trường chứng khoán ở một số quốc gia ASEAN. Vì đây là mô hình nghiên cứu tại quốc gia đang phát triển, có tính chất phổ biến và tương đối với các nghiên cứu khác, có dữ liệu nghiên cứu phù hợp với cơ sở dữ liệu có thể thu thập được tại một số nước ASEAN. Mô hình nghiên cứu có dạng như sau:

\(VNI=β_0+ β_1 SP500+β_2 N225+β_3 BIT + β_4 GOLD + β_5 WTI + β_6 EXR + β_7 BOND\)

Trong đó:

Biến phụ thuộc: VNI(chỉ số chứng khoán Việt Nam)

Biến độc lập: SP500 (Chỉ số S&P 500), N225 (Chỉ số Nikkei 225), BIT (gias Bitcoin), GOLD (Giá vàng), WTI (Giá Dầu thô), EXR (tỷ giá USD/VND), BOND (Lãi suất trái phiếu kỳ hạn 1 tháng của Hoa Kỳ) – 5 yếu tố vĩ mô

β_0 là hằng số của mô hình.

β_1…,β_7 là hệ số hồi quy.

4.2 Dữ liệu nghiên cứu

Dữ liệu nghiên cứu được thu nhập trên trang web investing.com.vn trong giai đoạn từ tháng 01/2013 đến tháng 12/2022 với 720 quan sát.

Data <- read_excel("C:/Users/Hp/Desktop/MPNN/DATA.xlsx")
str(Data)

## tibble [2,278 × 8] (S3: tbl_df/tbl/data.frame)
##  $ VNI  : num [1:2278] 426 434 447 449 460 ...
##  $ SP500: num [1:2278] 1466 1462 1457 1461 1472 ...
##  $ N225 : num [1:2278] 10688 10599 10508 10579 10653 ...
##  $ GOLD : num [1:2278] 1649 1646 1662 1656 1678 ...
##  $ WTI  : num [1:2278] 93.1 93.2 93.2 93.1 93.8 ...
##  $ BOND : num [1:2278] 0.056 0.041 0.038 0.041 0.046 0.048 0.053 0.066 0.048 0.051 ...
##  $ EXR  : num [1:2278] 20843 20840 20840 20840 20840 ...
##  $ BIT  : num [1:2278] 13.5 13.6 13.7 13.8 14.1 14.1 14.3 14.7 15.5 15.7 ...

5 CHƯƠNG 3. KẾT QUẢ NGHIÊN CỨU

5.1 Phân tích thống kê mô tả

descr(Data)

## Descriptive Statistics  
## Data  
## N: 2278  
## 
##                          BIT      BOND        EXR      GOLD       N225     SP500       VNI       WTI
## ----------------- ---------- --------- ---------- --------- ---------- --------- --------- ---------
##              Mean   10727.30      0.71   22513.81   1439.94   20832.97   2745.54    849.31     65.73
##           Std.Dev   15452.98      0.93     853.41    257.81    4747.57    869.36    285.25     22.58
##               Min      13.50      0.00   20825.00   1049.60   10486.99   1457.15    426.06    -37.63
##                Q1     443.70      0.04   21818.50   1244.10   16930.84   2052.23    589.24     48.49
##            Median    4204.20      0.18   22732.50   1319.95   20593.51   2590.89    828.31     59.54
##                Q3   11404.00      1.40   23180.00   1713.40   23430.70   3283.15   1008.35     85.32
##               Max   67526.00      4.07   24871.00   2069.40   30670.10   4793.54   1528.57    123.70
##               MAD    5868.58      0.24     685.33    175.54    4842.31    827.69    335.39     20.24
##               IQR   10955.48      1.36    1361.25    469.15    6497.00   1229.12    418.65     36.78
##                CV       1.44      1.30       0.04      0.18       0.23      0.32      0.34      0.34
##          Skewness       1.80      1.25      -0.46      0.65       0.17      0.67      0.56      0.43
##       SE.Skewness       0.05      0.05       0.05      0.05       0.05      0.05      0.05      0.05
##          Kurtosis       2.30      0.62      -0.49     -1.04      -0.81     -0.65     -0.68     -0.66
##           N.Valid    2278.00   2278.00    2278.00   2278.00    2278.00   2278.00   2278.00   2278.00
##         Pct.Valid     100.00    100.00     100.00    100.00     100.00    100.00    100.00    100.00

Bảng kết quả trên trình bày mô tả các biến trong bài nghiên cứu. Chỉ số chứng khoán Việt Nam VNI có giá trị trung bình là 849.31 điểm và độ lệch chuẩn cao lên đến 285.25 điểm. Kết quả này cho thấy trong khoảng thời gian nghiên cứu, giá chứng khoán Việt Nam có xu hướng phân tán rộng và không đồng đều. Điều này có thể biểu thị sự biến động lớn của thị trường chứng khoán trong thời gian đó.

chỉ số SP500 có giá trị trung bình là 2745.54 điểm và độ lệch chuẩn lên đến 869.36 điểm. Tương tự như VNI, trong khoảng thời gian nghiên cứu, chỉ số SP500 cũng trải qua những biến động mạnh. Điều này cho thấy thị trường chứng khoán Mỹ trong thời kỳ này có xu hướng biến động cao. Chỉ số N225 có giá trị trung bình là 20832.97 điểm và độ lệch chuẩn lên đến 4747.57 điểm. Kết quả này cho thấy trong khoảng thời gian nghiên cứu, thị trường chứng khoán Nhật Bản biến động rất lớn. Điều này có thể cho thấy tình hình không ổn định trong thị trường chứng khoán Nhật Bản trong giai đoạn nghiên cứu.

Bitcoin có giá trị trung bình khoảng 10727.30 USD, và độ lệch chuẩn cực kì cao 15452.98 USD, một tài sản cực kì rủi ro và không ổn định. giá trị thấp nhất 13.50 USD, giá trị cao nhất có khi lên đến hơn 67000 USD, đỉnh điểm là vào tháng 11 năm 2021, giá Bitcoin đạt mức cao nhất lịch sử là 67526 USD.Một trong những sự kiện chính làm tăng mạnh giá trị của Bitcoin đến mức cao kỷ lục là việc công ty Facebook (hiện đổi tên thành Meta) thông báo về việc họ sẽ ra mắt một loại tiền điện tử mới có tên gọi “MetaCoin”. Sự kết hợp giữa sự thúc đẩy tiềm năng của tiền điện tử từ một tập đoàn công nghệ lớn như Facebook cùng với sự tăng cường sự chấp nhận và chú ý đối với tiền điện tử nói chung đã tạo ra một sự quan tâm và tăng giá mạnh mẽ cho Bitcoin và các loại tiền điện tử khác.

Từ dữ liệu nghiên cứu, chúng ta cũng tìm thấy rằng biến GOLD (vàng) có giá trị trung bình là 1439.94 USD/ounce và độ lệch chuẩn lên đến 257.81 USD/ounce. Kết quả này cho thấy trong thời gian nghiên cứu, giá vàng có xu hướng biến động khá mạnh. Thị trường vàng có thể trở nên hấp dẫn cho nhà đầu tư trong bối cảnh không chắc chắn và không ổn định, vì giá vàng thường được coi là một tài sản an toàn trong thời kỳ khó khăn. Cũng như các chỉ số chứng khoán, biến động mạnh của giá vàng có thể có tác động đáng kể đến các quyết định đầu tư và chiến lược giao dịch của các nhà đầu tư và các doanh nghiệp tham gia thị trường tài chính.

Dựa vào dữ liệu nghiên cứu, ta có thể nhìn nhận rằng biến WTI có giá trị trung bình là 65.73 USD/thùng và độ lệch chuẩn là 22.58 USD/thùng. Trong quá trình nghiên cứu, giá cao nhất của WTI đã vượt qua ngưỡng 123.70 USD/thùng, và điều này xảy ra vào khoảng đầu năm 2022, khi thị trường dần hồi phục sau giai đoạn khủng hoảng do đại dịch COVID-19. Tuy nhiên, dữ liệu cũng ghi nhận một điều đáng chú ý là vào ngày 20/4/2020, thời điểm COVID-19 bùng phát mạnh tại nhiều nước trên thế giới và nhiều nước phải thực hiện đóng cửa khẩu, giá thấp nhất của WTI đã ghi nhận là số âm, cụ thể là -37.63 USD/thùng. Điều này không chỉ hiếm thấy mà còn trở thành một sự kiện gây chấn động trong thị trường dầu mỏ toàn cầu. Tình hình này thể hiện rõ sự không ổn định và biến động mạnh của thị trường dầu mỏ trong bối cảnh tác động của đại dịch và các biến động thế giới.

5.2 Xác đinh phân phối các biến

5.2.1 Chỉ số Standard & Poor’s 500 Stock

hist(Data$SP500)

Kiểm định phân phối chuẩn

Giả thuyết:

\(H_0\): S&P 500 tuân theo phân phối chuẩn

\(H_1\): S&P 500 không tuân theo phân phối chuẩn

SPG <- as.data.frame(Data$SP500)
shapiro.test(Data$SP500)

## 
##  Shapiro-Wilk normality test
## 
## data:  Data$SP500
## W = 0.92117, p-value < 2.2e-16

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là chỉ số S$P 500 không có phân phối chuẩn.

Kiểm định phân phối Lognomal

Giả thuyết:

\(H_0\): S&P 500 tuân theo phân phối Lognormal

\(H_1\): S&P 500 không tuân theo phân phối Lognormal

ks.test(Data$SP500, "plnorm", meanlog = mean(log(Data$SP500)), sdlog = sd(log(Data$SP500)))

## Warning in ks.test.default(Data$SP500, "plnorm", meanlog =
## mean(log(Data$SP500)), : ties should not be present for the Kolmogorov-Smirnov
## test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  Data$SP500
## D = 0.10715, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là chỉ số S&P 500 không có phân phối Lognormal.

Phân phối t

Giả thuyết:

\(H_0\): S&P 500 tuân theo phân phối t

\(H_1\): S&P 500 không tuân theo phân phối t

t.test(Data$SP500)

## 
##  One Sample t-test
## 
## data:  Data$SP500
## t = 150.73, df = 2277, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  2709.822 2781.261
## sample estimates:
## mean of x 
##  2745.541

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là chỉ số S&P 500 không có phân phối t.

Sau khi kiểm định qua 3 phân phối chuẩn, Lognomal và phân phối t thì vẫn chưa thể xác định phân phối của chỉ số S&P 500.

5.2.2 Chỉ số Nikkei 225

hist(Data$N225)

Kiểm định phân phối chuẩn

Giả thuyết:

\(H_0\): N225 tuân theo phân phối chuẩn

\(H_1\): N225 không tuân theo phân phối chuẩn

NG <- as.data.frame(Data$N225)
shapiro.test(Data$N225)

## 
##  Shapiro-Wilk normality test
## 
## data:  Data$N225
## W = 0.97052, p-value < 2.2e-16

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là chỉ số N225 không có phân phối chuẩn.

Kiểm định phân phối Lognomal

Giả thuyết:

\(H_0\): N225 tuân theo phân phối Lognormal

\(H_1\): N225 không tuân theo phân phối Lognormal

ks.test(Data$N225, "plnorm", meanlog = mean(log(Data$N225)), sdlog = sd(log(Data$N225)))

## Warning in ks.test.default(Data$N225, "plnorm", meanlog = mean(log(Data$N225)),
## : ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  Data$N225
## D = 0.064902, p-value = 9.255e-09
## alternative hypothesis: two-sided

Vì p_value = 9.255e-09 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là chỉ số N225 không có phân phối Lognormal.

Phân phối t

Giả thuyết:

\(H_0\): N225 tuân theo phân phối t

\(H_1\): N225 không tuân theo phân phối t

t.test(Data$N225)

## 
##  One Sample t-test
## 
## data:  Data$N225
## t = 209.44, df = 2277, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  20637.91 21028.04
## sample estimates:
## mean of x 
##  20832.97

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là chỉ số N225 không có phân phối t.

Sau khi kiểm định qua 3 phân phối chuẩn, Lognomal và phân phối t thì vẫn chưa thể xác định phân phối của chỉ số Nikkei 225.

5.2.3 Giá Bitcoin

hist(Data$BIT)

Kiểm định phân phối chuẩn

Giả thuyết:

\(H_0\): Giá Bitcoin tuân theo phân phối chuẩn

\(H_1\): Giá Bitcoin không tuân theo phân phối chuẩn

BG <- as.data.frame(Data$BIT)
shapiro.test(Data$BIT)

## 
##  Shapiro-Wilk normality test
## 
## data:  Data$BIT
## W = 0.70642, p-value < 2.2e-16

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là giá Bitcoin không có phân phối chuẩn.

Kiểm định phân phối Lognomal

Giả thuyết:

\(H_0\): Giá Bitcoin tuân theo phân phối Lognormal

\(H_1\): Giá Bitcoin không tuân theo phân phối Lognormal

ks.test(Data$BIT, "plnorm", meanlog = mean(log(Data$BIT)), sdlog = sd(log(Data$BIT)))

## Warning in ks.test.default(Data$BIT, "plnorm", meanlog = mean(log(Data$BIT)), :
## ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  Data$BIT
## D = 0.13441, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là Giá Bitcoin không có phân phối Lognormal.

Phân phối t

Giả thuyết:

\(H_0\): Giá Bitcoin tuân theo phân phối t

\(H_1\): Giá Bitcoin không tuân theo phân phối t

t.test(Data$BIT)

## 
##  One Sample t-test
## 
## data:  Data$BIT
## t = 33.133, df = 2277, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  10092.39 11362.21
## sample estimates:
## mean of x 
##   10727.3

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là Giá Bitcoin không có phân phối t.

Sau khi kiểm định qua 3 phân phối chuẩn, Lognomal và phân phối t thì vẫn chưa thể xác định phân phối của Giá Bitcoin.

5.2.4 Giá vàng

hist(Data$GOLD)

Kiểm định phân phối chuẩn

Giả thuyết:

\(H_0\): Giá vàng tuân theo phân phối chuẩn

\(H_1\): Giá vàng không tuân theo phân phối chuẩn

GOG <- as.data.frame(Data$GOLD)
shapiro.test(Data$GOLD)

## 
##  Shapiro-Wilk normality test
## 
## data:  Data$GOLD
## W = 0.87486, p-value < 2.2e-16

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là giá vàng không có phân phối chuẩn.

Kiểm định phân phối Lognomal

Giả thuyết:

\(H_0\): Giá vàng tuân theo phân phối Lognormal

\(H_1\): Giá vàng không tuân theo phân phối Lognormal

ks.test(Data$GOLD, "plnorm", meanlog = mean(log(Data$GOLD)), sdlog = sd(log(Data$GOLD)))

## Warning in ks.test.default(Data$GOLD, "plnorm", meanlog = mean(log(Data$GOLD)),
## : ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  Data$GOLD
## D = 0.18997, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là Giá vàng không có phân phối Lognormal.

Phân phối t

Giả thuyết:

\(H_0\): Giá vàng tuân theo phân phối t

\(H_1\): Giá vàng không tuân theo phân phối t

t.test(Data$GOLD)

## 
##  One Sample t-test
## 
## data:  Data$GOLD
## t = 266.58, df = 2277, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  1429.350 1450.535
## sample estimates:
## mean of x 
##  1439.942

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là Giá vàng không có phân phối t.

Sau khi kiểm định qua 3 phân phối chuẩn, Lognomal và phân phối t thì vẫn chưa thể xác định phân phối của giá Vàng.

5.2.5 Giá dầu thô

hist(Data$WTI)

Kiểm định phân phối chuẩn

Giả thuyết:

\(H_0\): Giá dầu thô tuân theo phân phối chuẩn

\(H_1\): Giá dầu thô không tuân theo phân phối chuẩn

WG <- as.data.frame(Data$WTI)
shapiro.test(Data$WTI)

## 
##  Shapiro-Wilk normality test
## 
## data:  Data$WTI
## W = 0.94253, p-value < 2.2e-16

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là giá dầu thô không có phân phối chuẩn.

Kiểm định phân phối Gumbel

Giả thuyết:

\(H_0\): Giá dầu thô tuân theo phân phối Gumbel

\(H_1\): Giá dầu thô không tuân theo phân phối Gumbel

ks.test(Data$WTI, "pgumbel")

## Warning in ks.test.default(Data$WTI, "pgumbel"): ties should not be present for
## the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  Data$WTI
## D = 0.99952, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là Giá dầu thô không có phân phối Gumbel.

Phân phối t

Giả thuyết:

\(H_0\): Giá dầu thô tuân theo phân phối t

\(H_1\): Giá dầu thô không tuân theo phân phối t

t.test(Data$WTI)

## 
##  One Sample t-test
## 
## data:  Data$WTI
## t = 138.95, df = 2277, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  64.80719 66.66257
## sample estimates:
## mean of x 
##  65.73488

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là Giá dầu thô không có phân phối t.

Sau khi kiểm định qua 3 phân phối chuẩn, Gumbel và phân phối t thì vẫn chưa thể xác định phân phối của giá Dầu thô.

5.2.6 Tỷ giá USD/VND

hist(Data$EXR)

Kiểm định phân phối chuẩn

Giả thuyết:

\(H_0\): Tỷ giá USD/VND tuân theo phân phối chuẩn

\(H_1\): Tỷ giá USD/VND không tuân theo phân phối chuẩn

EG <- as.data.frame(Data$EXR)
shapiro.test(Data$EXR)

## 
##  Shapiro-Wilk normality test
## 
## data:  Data$EXR
## W = 0.89995, p-value < 2.2e-16

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là Tỷ giá USD/VND không có phân phối chuẩn.

Kiểm định phân phối Lognomal

Giả thuyết:

\(H_0\): Tỷ giá USD/VND tuân theo phân phối Lognormal

\(H_1\): Tỷ giá USD/VND không tuân theo phân phối Lognormal

ks.test(Data$EXR, "plnorm", meanlog = mean(log(Data$EXR)), sdlog = sd(log(Data$EXR)))

## Warning in ks.test.default(Data$EXR, "plnorm", meanlog = mean(log(Data$EXR)), :
## ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  Data$EXR
## D = 0.17309, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là Tỷ giá USD/VND không có phân phối Lognormal.

Phân phối t

Giả thuyết:

\(H_0\): Tỷ giá USD/VND tuân theo phân phối t

\(H_1\): Tỷ giá USD/VND không tuân theo phân phối t

t.test(Data$EXR)

## 
##  One Sample t-test
## 
## data:  Data$EXR
## t = 1259.1, df = 2277, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  22478.74 22548.87
## sample estimates:
## mean of x 
##  22513.81

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là Tỷ giá USD/VND không có phân phối t.

Sau khi kiểm định qua 3 phân phối chuẩn, Lognomal và phân phối t thì vẫn chưa thể xác định phân phối của Tỷ giá USD/VND.

5.2.7 Lãi suất trái phiếu kỳ hạn 1 tháng của Hoa Kỳ

hist(Data$BOND)

Kiểm định phân phối chuẩn

Giả thuyết:

\(H_0\): Lãi suất trái phiếu tuân theo phân phối chuẩn

\(H_1\): Lãi suất trái phiếu không tuân theo phân phối chuẩn

VNIG <- as.data.frame(Data$BOND)
shapiro.test(Data$BOND)

## 
##  Shapiro-Wilk normality test
## 
## data:  Data$BOND
## W = 0.76228, p-value < 2.2e-16

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là lãi suất trái phiếu 1 tháng của Hoa Kỳ không có phân phối chuẩn.

Kiểm định phân phối Lognomal

Giả thuyết:

\(H_0\): Lãi suất trái phiếu tuân theo phân phối Lognormal

\(H_1\): Lãi suất trái phiếu không tuân theo phân phối Lognormal

ks.test(Data$BOND, "plnorm", meanlog = mean(log(Data$BOND)), sdlog = sd(log(Data$BOND)))

## Warning in ks.test.default(Data$BOND, "plnorm", meanlog = mean(log(Data$BOND)),
## : ties should not be present for the Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  Data$BOND
## D = 0.1227, p-value < 2.2e-16
## alternative hypothesis: two-sided

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là lãi suất trái phiếu 1 tháng của Hoa Kỳ không có phân phối Lognormal.

Phân phối t

Giả thuyết:

\(H_0\): Lãi suất trái phiếu tuân theo phân phối t

\(H_1\): Lãi suất trái phiếu không tuân theo phân phối t

t.test(Data$BOND)

## 
##  One Sample t-test
## 
## data:  Data$BOND
## t = 36.654, df = 2277, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  0.6740060 0.7502012
## sample estimates:
## mean of x 
## 0.7121036

Vì p_value = 2.2e-16 < 0.05 nên ta bác bỏ giả thuyết \(H_0\). Nghĩa là lãi suất trái phiếu 1 tháng của Hoa Kỳ không có phân phối t.

Sau khi kiểm định qua 3 phân phối chuẩn, Lognomal và phân phối t thì vẫn chưa thể xác định phân phối của lãi suất trái phiếu 1 tháng của Hoa Kỳ.

Sau khi thực hiện kiểm định trên ba phân phối khác nhau bao gồm phân phối chuẩn, Lognomal và phân phối t, chúng ta có kết quả rằng các biến đầu vào không tuân theo bất kỳ phân phối cụ thể nào. Vì vậy, chúng ta sẽ tiếp cận vấn đề bằng cách sử dụng phương pháp chuyển động Brown hoặc áp dụng hàm sample() để mô phỏng dữ liệu cho các biến này. Trong phạm vi nghiên cứu này, tôi đã quyết định sử dụng hàm sample() để thực hiện mô phỏng dữ liệu. Cách thức thực hiện quá trình mô phỏng sẽ được trình bày và giải thích kỹ hơn trong phần tiếp theo của bài nghiên cứu này.

5.3 Kết quả mô hình hồi quy

model <- lm(Data$VNI ~ Data$SP500 + Data$N225 + Data$BIT + Data$GOLD + Data$EXR + Data$BOND)
summary(model)

## 
## Call:
## lm(formula = Data$VNI ~ Data$SP500 + Data$N225 + Data$BIT + Data$GOLD + 
##     Data$EXR + Data$BOND)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -349.48  -37.11   -4.82   28.22  353.43 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  7.159e+02  8.077e+01   8.864  < 2e-16 ***
## Data$SP500   3.331e-01  1.071e-02  31.097  < 2e-16 ***
## Data$N225   -7.058e-03  1.388e-03  -5.084 3.99e-07 ***
## Data$BIT     3.802e-03  3.076e-04  12.360  < 2e-16 ***
## Data$GOLD   -1.884e-01  1.292e-02 -14.579  < 2e-16 ***
## Data$EXR    -1.951e-02  4.173e-03  -4.674 3.12e-06 ***
## Data$BOND    4.995e+01  2.575e+00  19.398  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 75.69 on 2271 degrees of freedom
## Multiple R-squared:  0.9298, Adjusted R-squared:  0.9296 
## F-statistic:  5012 on 6 and 2271 DF,  p-value: < 2.2e-16

Vì hệ số xác định Multiple R-squared (\(R^2\)) = 0.9298 gần bằng 1 nên ta có thể kết luận mô hình trên là tốt và có ý nghĩa. Giá trị thống kê F có p_value =2.2e-16 < 0.05 nên ta có thể kết luận mô hình có ý nghĩa thống kê ở mức ý nghĩa 5% và các biến độc lập đều có ảnh hưởng nhất định đến biến phụ thuộc. Cụ thể:

• Khi các yếu tố độc lập bằng 0 thì VNI có giá trị trung bình là 715.3 điểm.

• Khi các yếu tố khác không thay đổi, chỉ số S&P 500 tăng lên 1 điểm thì chỉ số VNI tăng lên 0.3331 điểm.

• Khi các yếu tố khá không đổi, chỉ số Nikkei 225 tăng lên 1 điểm thì chỉ số VNI giảm 0.0071 điểm.

• Khi các yếu tố khá không đổi, giá Bitcoin tăng lên 1 USD thì chỉ số VNI tăng 0.0038 điểm.

• Khi các yếu tố khác không đổi, giá Vàng tăng lên 1 USD/ounce thì chỉ số VNI giảm 0.1884 điểm.

• Khi các yếu tố khác không đổi, tỷ giá USD/VND tăng lên 1 đồng thì chỉ số VNI giảm 0.0195 điểm.

• Khi các yếu tố khác không đổi, lãi suất trái phiếu 1 tháng của Hoa Kỳ tăng lên 1% thì chỉ số VNI tăng 49.94 điểm.

Sau khi chạy mô hình hồi quy biến VNI với các biến độc lập SP500, N225, GOLD, WTI và BOND thì ta kết quả nghiên cứu có phương trình như sau:

\(VNI = 715.3 + 0.3331SP500 - 0.0071N225 + 0.0038BIT - 0.1884GOLD - 0.0195EXR + 49.94BOND\)

Mô hình trên sẽ là tiền đề để mô phỏng cho giá trị VNI.

5.4 Mô phỏng phân phối các biến độc lập

Khi một dãy số liệu không có phân phối nào cụ thể và ta muốn mô phỏng dữ liệu dựa trên bảng tần suất, ta có thể thực hiện các bước sau đây:

• Cắt dữ liệu thành các khúc: Đầu tiên, ta sẽ cắt dãy số liệu ban đầu thành các khúc có cùng độ rộng hoặc có cùng số lượng quan sát trong mỗi khúc. Việc cắt này giúp ta chia dữ liệu thành các khoảng giá trị gần giống nhau.

• Tạo bảng tần suất: Sau khi đã cắt dữ liệu thành các khúc, ta tính số lượng quan sát nằm trong mỗi khúc để tạo bảng tần suất.

• Mô phỏng dữ liệu từ bảng tần suất: Dựa trên bảng tần suất đã tính, ta sẽ mô phỏng dữ liệu mới bằng cách lấy ngẫu nhiên các giá trị từ mỗi khúc với xác suất phù hợp.

5.4.1 Mô phỏng biến SP500

# Cắt dữ liệu thành các khúc có độ rộng là 100 đơn vị
SP500S <- seq(min(Data$SP500), max(Data$SP500), by = 100)

# Tạo bảng tần suất
SP500S_table <- table(cut(Data$SP500, SP500S, include.lowest = TRUE))
set.seed(11)
a1<-runif(1, 1.46e+03, 1.56e+03)
a2<-runif(1, 1.56e+03, 1.66e+03)
a3<-runif(1, 1.66e+03, 1.76e+03)
a4<-runif(1, 1.76e+03, 1.86e+03)
a5<-runif(1, 1.86e+03, 1.96e+03)
a6<-runif(1, 1.96e+03, 2.06e+03)
a7<-runif(1, 2.06e+03, 2.16e+03)
a8<-runif(1, 2.16e+03, 2.26e+03)
a9<-runif(1, 2.26e+03, 2.36e+03)
a10<-runif(1, 2.36e+03, 2.46e+03)
a11<-runif(1, 2.46e+03, 2.56e+03)
a12<-runif(1, 2.56e+03, 2.66e+03)
a13<-runif(1, 2.66e+03, 2.76e+03)
a14<-runif(1, 2.76e+03, 2.86e+03)
a15<-runif(1, 2.86e+03, 2.96e+03)
a16<-runif(1, 2.96e+03, 3.06e+03)
a17<-runif(1, 3.06e+03, 3.16e+03)
a18<-runif(1, 3.16e+03, 3.26e+03)
a19<-runif(1, 3.26e+03, 3.36e+03)
a20<-runif(1, 3.36e+03, 3.46e+03) 
a21<-runif(1, 3.46e+03, 3.56e+03)
a22<-runif(1, 3.56e+03, 3.66e+03)
a23<-runif(1, 3.66e+03, 3.76e+03)
a24<-runif(1, 3.76e+03, 3.86e+03)
a25<-runif(1, 3.86e+03, 3.96e+03)
a26<-runif(1, 3.96e+03, 4.06e+03)
a27<-runif(1, 4.16e+03, 4.26e+03)
a28<-runif(1, 4.26e+03, 4.36e+03)
a29<-runif(1, 4.36e+03, 4.46e+03)
a30<-runif(1, 4.46e+03, 4.56e+03)
a31<-runif(1, 4.56e+03, 4.66e+03)
a32<-runif(1, 4.66e+03, 4.76e+03)
SP500S_table <- c(a1, a2, a3, a4, a5, a6, a7, a8, a9, a10, a11, a12, a13, a14, a15, a16, a17, a18, a19, a20, a21, a22, a23, a23, a25, a26, a27, a28, a29, a30, a31, a32)

# Mô phỏng dữ liệu mới dựa trên bảng tần suất
set.seed(1)
simulated_SP500 <- sample(SP500S_table, 
                         size = 10000, 
                         replace = TRUE, 
                         prob = prop.table(SP500S_table))
hist(simulated_SP500)

5.4.2 Mô phỏng biến N225

# Cắt dữ liệu thành các khúc có độ rộng là 100 đơn vị
N225S <- seq(min(S=Data$N225), max(Data$N225), by = 1000)

# Tạo bảng tần suất
N225S_table <- table(cut(Data$N225, N225S, include.lowest = TRUE))
set.seed(22)
b1 <- runif(1, 1.05e+04, 1.15e+04)
b2 <- runif(1, 1.15e+04, 1.25e+04)
b3 <- runif(1, 1.25e+04, 1.35e+04)
b4 <- runif(1, 1.35e+04, 1.45e+04)
b5 <- runif(1, 1.45e+04, 1.55e+04)
b6 <- runif(1, 1.55e+04, 1.65e+04)
b7 <- runif(1, 1.65e+04, 1.75e+04)
b8 <- runif(1, 1.75e+04, 1.85e+04)
b9 <- runif(1, 1.85e+04, 1.95e+04)
b10 <- runif(1, 1.95e+04, 2.05e+04)
b11 <- runif(1, 2.05e+04, 2.15e+04)
b12 <- runif(1, 2.15e+04, 2.25e+04)
b13 <- runif(1, 2.25e+04, 2.35e+04)
b14 <- runif(1, 2.35e+04, 2.45e+04)
b15 <- runif(1, 2.45e+04, 2.55e+04)
b16 <- runif(1, 2.55e+04, 2.65e+04)
b17 <- runif(1, 2.65e+04, 2.75e+04)
b18 <- runif(1, 2.75e+04, 2.85e+04)
b19 <- runif(1, 2.85e+04, 2.95e+04)
b20 <- runif(1, 2.95e+04, 3.05e+04)
N225S_table <- c(b1, b2, b3, b4, b5, b6, b7, b8, b9, b10, b11, b12, b13, b14, b15, b16, b17, b18, b19, b20)

# Mô phỏng dữ liệu mới dựa trên bảng tần suất
set.seed(2)
simulated_N225 <- sample(as.numeric(N225S_table), 
                         size = 10000, 
                         replace = TRUE, 
                         prob = prop.table(N225S_table))
hist(simulated_N225)

5.4.3 Mô phỏng biến BIT

# Cắt dữ liệu thành các khúc có độ rộng là 100 đơn vị
BITS <- seq(min(Data$BIT), max(Data$BIT), by = 2000)

# Tạo bảng tần suất
BITS_table <- table(cut(Data$BIT, BITS, include.lowest = TRUE))
set.seed(33)
f1 <- runif(1, 13.5,2.01e+03)
f2 <- runif(1, 2.01e+03,4.01e+03)
f3 <- runif(1, 4.01e+03,6.01e+03)
f4 <- runif(1, 6.01e+03,8.01e+03)
f5 <- runif(1, 8.01e+03,1e+04)
f6 <- runif(1, 1e+04,1.2e+04)
f7 <- runif(1, 1.2e+04,1.4e+04)
f8 <- runif(1, 1.4e+04,1.6e+04)
f9 <- runif(1, 1.6e+04,1.8e+04)
f10 <- runif(1, 1.8e+04,2e+04)
f11 <- runif(1, 2e+04,2.2e+04)
f12 <- runif(1, 2.2e+04,2.4e+04)
f13 <- runif(1, 2.4e+04,2.6e+04)
f14 <- runif(1, 2.6e+04,2.8e+04)
f15 <- runif(1, 2.8e+04,3e+04)
f16 <- runif(1, 3e+04,3.2e+04)
f17 <- runif(1, 3.2e+04,3.4e+04)
f18 <- runif(1, 3.4e+04,3.6e+04)
f19 <- runif(1, 3.6e+04,3.8e+04)
f20 <- runif(1, 3.8e+04,4e+04)
f21 <- runif(1, 4e+04,4.2e+04)
f22 <- runif(1, 4.2e+04,4.4e+04)
f23 <- runif(1, 4.4e+04,4.6e+04)
f24 <- runif(1, 4.6e+04,4.8e+04)
f25 <- runif(1, 4.8e+04,5e+04)
f26 <- runif(1, 5e+04,5.2e+04)
f27 <- runif(1, 5.2e+04,5.4e+04)
f28 <- runif(1, 5.4e+04,5.6e+04)
f29 <- runif(1, 5.6e+04,5.8e+04)
f30 <- runif(1, 5.8e+04,6e+04)
f31 <- runif(1, 6e+04,6.2e+04)
f32 <- runif(1, 6.2e+04,6.4e+04)
f33 <- runif(1, 6.4e+04,6.6e+04)
BITS_table <- c(f1, f2, f3, f4, f5, f6, f7, f8, f9, f10, f11, f12, f13, f14, f15, f16, f17, f18, f19, f20, f21, f22, f23, f24, f25, f26, f27, f28, f29, f30, f31, f32, f33)

# Mô phỏng dữ liệu mới dựa trên bảng tần suất
set.seed(3)
simulated_BIT <- sample(as.numeric(BITS_table), 
                         size = 10000, 
                         replace = TRUE, 
                         prob = prop.table(BITS_table))
hist(simulated_BIT)

5.4.4 Mô phỏng biến GOLD

# Cắt dữ liệu thành các khúc có độ rộng là 100 đơn vị
GOLDS <- seq(min(Data$GOLD), max(Data$GOLD), by = 100)

# Tạo bảng tần suất
GOLDS_table <- table(cut(Data$GOLD, GOLDS, include.lowest = TRUE))
set.seed(44)
c1 <- runif(1, 1.05e+03, 1.15e+03)
c2 <- runif(1, 1.15e+03, 1.25e+03)
c3 <- runif(1, 1.25e+03, 1.35e+03)
c4 <- runif(1, 1.35e+03, 1.45e+03)
c5 <- runif(1, 1.45e+03, 1.55e+03)
c6 <- runif(1, 1.55e+03, 1.65e+03)
c7 <- runif(1, 1.65e+03, 1.75e+03)
c8 <- runif(1, 1.75e+03, 1.85e+03)
c9 <- runif(1, 1.85e+03, 1.95e+03)
c10 <- runif(1, 1.95e+03, 2.05e+03)
GOLDS_table <- c(c1, c2, c3, c4, c5, c6, c7, c8, c9, c10)

# Mô phỏng dữ liệu mới dựa trên bảng tần suất
set.seed(4)
simulated_GOLD <- sample(as.numeric(GOLDS_table), 
                         size = 10000, 
                         replace = TRUE, 
                         prob = prop.table(GOLDS_table))
hist(simulated_GOLD)

5.4.5 Mô phỏng biến EXR

# Cắt dữ liệu thành các khúc có độ rộng là 100 đơn vị
EXRS <- seq(min(Data$EXR), max(Data$EXR), by = 200)

# Tạo bảng tần suất
EXRS_table <- table(cut(Data$EXR, EXRS, include.lowest = TRUE))
set.seed(55)
g1 <- runif(1, 2.08e+04,2.1e+04)
g2 <- runif(1, 2.1e+04,2.12e+04)
g3 <- runif(1, 2.12e+04,2.14e+04)
g4 <- runif(1, 2.14e+04,2.16e+04)
g5 <- runif(1, 2.16e+04,2.18e+04)
g6 <- runif(1, 2.18e+04,2.2e+04)
g7 <- runif(1, 2.2e+04,2.22e+04)
g8 <- runif(1, 2.22e+04,2.24e+04)
g9 <- runif(1, 2.24e+04,2.26e+04)
g10 <- runif(1, 2.26e+04,2.28e+04)
g11 <- runif(1, 2.28e+04,2.3e+04)
g12 <- runif(1, 2.3e+04,2.32e+04)
g13 <- runif(1, 2.32e+04,2.34e+04)
g14 <- runif(1, 2.34e+04,2.36e+04)
g15 <- runif(1, 2.36e+04,2.38e+04)
g16 <- runif(1, 2.38e+04,2.4e+04)
g17 <- runif(1, 2.4e+04,2.42e+04)
g18 <- runif(1, 2.42e+04,2.44e+04)
g19 <- runif(1, 2.44e+04,2.46e+04)
g20 <- runif(1, 2.46e+04,2.48e+04)
EXRS_table <- c(g1, g2, g3, g4, g5, g6, g7, g8, g9, g10, g11, g12, g13, g14, g15, g16, g17, g18, g19, g20)

# Mô phỏng dữ liệu mới dựa trên bảng tần suất
set.seed(5)
simulated_EXR <- sample(as.numeric(EXRS_table), 
                         size = 10000, 
                         replace = TRUE, 
                         prob = prop.table(EXRS_table))
hist(simulated_EXR)

5.4.6 Mô phỏng biến BOND

# Cắt dữ liệu thành các khúc có độ rộng là 0.1 đơn vị
BONDS <- seq(min(Data$BOND), max(Data$BOND), by = 0.1)

# Tạo bảng tần suất
BONDS_table <- table(cut(Data$BOND, BONDS, include.lowest = TRUE))
set.seed(66)
e1 <-  runif(1, 0,0.059)
e2 <-  runif(1, 0.059,0.159)
e3 <-  runif(1, 0.159,0.259)
e4 <-  runif(1, 0.259,0.359)
e5 <-  runif(1, 0.359,0.459)
e6 <-  runif(1, 0.459,0.559)
e7 <-  runif(1, 0.559,0.659)
e8 <-  runif(1, 0.659,0.759)
e9 <-  runif(1, 0.759,0.859)
e10 <-  runif(1, 0.959,1.059)
e11 <-  runif(1, 0.959,1.059)
e12 <-  runif(1, 1.059,1.159)
e13 <-  runif(1, 1.159,1.259)
e14 <-  runif(1, 1.259,1.359)
e15 <-  runif(1, 1.359,1.459)
e16 <-  runif(1, 1.459,1.559)
e17 <-  runif(1, 1.559,1.659)
e18 <-  runif(1, 1.659,1.759)
e19 <-  runif(1, 1.759,1.859)
e20 <-  runif(1, 1.859,1.959)
e21 <-  runif(1, 1.959,2.059)
e22 <-  runif(1, 2.059,2.159)
e23 <-  runif(1, 2.159,2.259)
e24 <-  runif(1, 2.259,2.359)
e25 <-  runif(1, 2.359,2.459)
e26 <-  runif(1, 2.459,2.459)
e27 <-  runif(1, 2.559,2.659)
e28 <-  runif(1, 2.659,2.759)
e29 <-  runif(1, 2.759,2.859)
e30 <-  runif(1, 2.859,2.959)
e31 <-  runif(1, 2.959,3.059)
e32 <-  runif(1, 3.059,3.159)
e33 <-  runif(1, 3.159,3.259)
e34 <-  runif(1, 3.259,3.359)
e35 <-  runif(1, 3.359,3.459)
e36 <-  runif(1, 3.459,3.559)
e37 <-  runif(1, 3.559,3.659)
e38 <-  runif(1, 3.659,3.759)
e39 <-  runif(1, 3.759,3.859)
e40 <-  runif(1, 3.859,3.959)
e41 <-  runif(1, 3.959,4.059)
BONDS_table <- c(e1, e2, e3, e4, e5, e6, e7, e8, e9, e10, e11, e12, e13, e14, e15, e16, e17, e18, e19, e20, e21, e22, e23, e24, e25, e26, e27, e28, e29, e30, e31, e32, e33, e34, e35, e36, e37, e38, e39, e40, e41)

# Mô phỏng dữ liệu mới dựa trên bảng tần suất
set.seed(6)
simulated_BOND <- sample(as.numeric(BONDS_table), 
                         size = 10000, 
                         replace = TRUE, 
                         prob = prop.table(BONDS_table))
hist(simulated_BOND)

5.5 Mô phỏng giá trị VNI

VNI <- 715.3 + 0.3331*simulated_SP500 - 0.0071*simulated_N225 + 0.0038*simulated_BIT - 0.1884*simulated_GOLD - 0.0195*simulated_EXR + 49.94*simulated_BOND
hist(VNI)

summary(VNI)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   362.2   991.9  1262.1  1234.3  1491.7  1993.5

5.5.1 Phân tích kết quả mô phỏng

Dựa trên bảng tóm tắt kết quả mô phỏng chỉ số chứng khoán VNI, ta có được một vài thông tin thú vị như sau: Giá trị trung bình của chỉ số VNI trong quá trình mô phỏng là khoảng 1234.3 điểm. Điều này cho thấy mức giá trung bình mà thị trường chứng khoán có xu hướng tiến tới trong tương lai. Giá trị thấp nhất của VNI được mô phỏng là 362.2 điểm và giá trị cao nhất đạt mức 1993.5 điểm. Có đến 25% (tương đương 2500 quan sát) có giá trị nhỏ hơn 991.9 điểm và 75% có giá trị nhỏ hơn 1491.7 điểm, thể hiện tiềm năng tăng trưởng của thị trường.

Nhìn chung, bảng tóm tắt kết quả mô phỏng không chỉ là một dãy con số, mà là một câu chuyện phản ánh sự biến đổi và phấn khích của thị trường chứng khoán VNI trong tương lai.

5.5.2 Kết quả phân bố VNI

Ở đây, tôi sẽ đưa ra một chuỗi quy tắc để phân loại các quan sát dựa trên giá trị của chúng. Cụ thể, nếu giá trị của một quan sát nhỏ hơn 1000 điểm, chúng sẽ được gán vào hạng “thấp”. Các quan sát có giá trị từ 1000 điểm đến 1500 điểm sẽ được xem xét ở hạng “vừa”, trong khi những giá trị lớn hơn 1500 điểm sẽ được phân loại vào hạng “cao”.

VNI thấp

VNIthap <- VNI[VNI < 1000]
length(VNIthap) #VNI thấp

## [1] 2564

VNI vừa

VNIvua <- VNI[VNI >= 1000 & VNI <= 1500]
length(VNIvua) # VNI vừa

## [1] 5020

VNI cao

VNIcao <- VNI[VNI > 1500]
length(VNIcao) # VNI cao

## [1] 2416

Dựa trên kết quả của mô phỏng với 10000 quan sát, chúng ta thấy rằng có tổng cộng 2564 quan sát thuộc hạng “thấp” về chỉ số VNI (Chỉ số Chứng khoán Việt Nam), 5020 quan sát thuộc hạng “vừa”, và 2416 quan sát thuộc hạng “cao”. Những con số này mở ra một cái nhìn tích cực về tiềm năng tăng trưởng của thị trường chứng khoán Việt Nam, cho thấy xu hướng tích cực và khả năng phát triển đáng kể trong tương lai.

5.5.3 Khả năng lời/lỗ khi đầu tư

Xét ở thời điểm hiện tại (ngày 01/08/2023) thì chỉ số VNI có giá trị là 1217.56 điểm. Giả sử ta đầu tư vào chỉ số VNI, nếu VNI tăng lên hơn 7% (1302.79 điểm) thì được tính là lời, giảm hơn 7% (1132.33 điểm) thì tính là lỗ và nằm trong biên độ giao động \(\pm7%\) (từ 1132.33 điểm đến 1302.79 điểm) thì được tính là hoà vốn.

Đầu tư lỗ

lo <- VNI[VNI < 1132.33]
length(lo)

## [1] 3700

Đầu tư hoà vốn*

hoavon <- VNI[VNI >= 1132.33 & VNI <= 1302.79]
length(hoavon) 

## [1] 1724

Đầu tư lời

loi <- VNI[VNI > 1302.79]
length(loi)

## [1] 4576

Dựa vào kết quả phân tích, chúng ta thấy rằng tỷ lệ lỗ chiếm 37%, tỷ lệ hoà vốn là 17.24%, và tỷ lệ lời là 45.76% trong tổng số lần đầu tư. Tuy nhiên, trong thực tế, khi xem xét sự biến đổi lời/lỗ trong khoảng thời gian đầu tư, chúng ta thường coi các giá trị hoà vốn như là lỗ do sự mất giá của tài sản. Vì vậy, tôi quyết định kết hợp kết quả đầu tư gồm cả lỗ và hoà vốn lại với nhau.

Khi đó ta sẽ có kết quả khi đầu tư vào chỉ số VNI là 45.76% lời và 54.24% là lỗ. Rủi ro và lợi nhuận khi đầu tư vào VNI là gần như tương đương nhau.

6 CHƯƠNG 4. KẾT LUẬN

6.1 Kết luận

Trong bài nghiên cứu này, chúng ta đã khám phá một khía cạnh đầy thách thức và hứng thú của thị trường chứng khoán, thông qua việc mô phỏng chỉ số chứng khoán VNI. Chúng ta đã tiến xa hơn việc đơn thuần quan sát dữ liệu thị trường mà thay vào đó, sử dụng phương pháp mô phỏng Monte Carlo để tạo ra một “tương lai tiềm năng” của VNI dựa vào các yếu tố có ảnh hưởng đến chỉ số chứng khoán Việt Nam. Việc áp dụng phương pháp Monte Carlo đã giúp chúng ta khám phá thị trường chứng khoán từ một góc độ mới và sâu sắc hơn. Bằng cách tạo ra các kịch bản khả thi về tương lai, chúng ta có thể đưa ra những quyết định thông minh và dự đoán xu hướng tiềm năng.

Mặc dù nó giúp ta có cái nhìn tổng quan và hiểu cách các yếu tố tương tác, nhưng nó không thể thay thế hoàn toàn cho sự phức tạp và đa dạng của thực tế thị trường. Mô phỏng là công cụ mạnh mẽ, nhưng việc kết hợp nó với sự tinh tế và hiểu biết về ngữ cảnh thị trường là điều quan trọng để đảm bảo sự hiểu rõ chính xác và toàn diện hơn về thị trường chứng khoán.

6.2 Hạn chế và hướng nghiên cứu tiếp theo

6.2.1 Hạn chế

Đề tài là sự kế thừa của các cơ sở lý thuyết và nghiên cứu thực nghiệm trong và ngoài nước trước đó tuy nhiên không tránh khỏi một số han chế xuất phát từ điều kiện của Việt Nam và năng lực nghiên cứu.

Các nhà nghiên cứu trong tương lai cần phải xem xét và chọn các biến số kinh tế vĩ mô để điều tra tác động đến thị trường chứng khoán, trong đó có thể thay đổi bằng cách sử dụng thêm các biến số khác nhau, ví dụ như sản xuất công nghiệp toàn cầu, GNP, chỉ số giá tiêu dùng, cung tiền M2 và đầu tư trực tiếp tại nước ngoài - FDI để có thể giúp đánh giá rõ hơn các biến vĩ mô toàn cầu đến thị trường chứng khoán.

6.2.2 Hướng nghiên cứu tiếp theo

Phạm vi nghiên cứu đề tài chỉ tập trung nghiên cứu các nhóm các biến yếu tố vĩ mô là các tài sản tài chính, chưa thực sự phân tích các yếu tố nội tạ của một quốc gia ảnh hưởng đến thị trường chứng khoán. Các nghiên cứu tiếp theo có thể thu thập dữ liệu của từng nhóm ngành cụ thể trên thị trường chứng khoán, tình hình kinh tế, lạm phát của từng quốc gia, thực hiện hồi qui dữ liệu bảng nhằm đánh giá mức độ tác động của các yếu tố kinh tế vĩ mô cả trong nước và toàn cầu đến chỉ số thị trường từng nhóm ngành cụ thể. Ngoài ra, nghiên cứu tiếp có thể mở rộng thêm các yếu tố toàn cầu khác để đánh giá rõ nét hơn tác động của yếu tố toàn cầu đến thị trường chứng khoán Việt Nam.

7 TÀI LIỆU THAM KHẢO

[1] Anh, H. P. (2019). Các yếu tố vĩ mô ảnh hưởng đến chỉ số VN30 trong giai đoạn 2006-2017.

[2] Anh, T. T. T. (2022). Mối liên hệ giữa thị trường chứng khoán các nước ASEAN: Tiếp cập bằng kiểm định nhân quả Granger dạng phổ. TẠP CHÍ KHOA HỌC ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH-KINH TẾ VÀ QUẢN TRỊ KINH DOANH, 17(2), 99-123.

[3] Anh, T. T. T. (2020). Xác định sự kết nối động giữa tỷ suất sinh lợi của thị trường chứng khoán các quốc gia Đông Nam Á: Tiếp cận bằng chỉ số lan truyền. Tạp chí Khoa học Trường Đại học Cần Thơ, 56(3), 223-235.

[4] Hằng, N. T., & Linh, N. T. T. (2020). Các nhân tố ảnh hưởng tới khả năng sinh lời của doanh nghiệp bất động sản Việt Nam: Ứng dụng mô hình tác động ngẫu nhiên và tác động cố định. Tạp chí Khoa học & Đào tạo Ngân hàng, 223, 13-25.

[5] Ho, C. S. (2009, August). Domestic macroeconomic fundamentals and world stock market effects on ASEAN emerging markets. In 22nd Australasian Finance and Banking Conference.

[6] Ho, S. Y., & Odhiambo, N. M. (2018). Analysing the macroeconomic drivers of stock market development in the Philippines. Cogent Economics & Finance, 6(1), 1451265.

[7] Le, T. M. H., Zhihong, J., & Zhu, Z. (2019). Impact of Macroeconomic Variables on Stock Price Index: Evidence from Vietnam Stock Market. Research Journal of Finance and Accounting, 10(12), 28-29.

[8] Wahyudi, S., Hersugondo, H., Laksana, R. D., & Rudy, R. (2017). Macroeconomic Fundamental and Stock Price Index in Southeast Asia Countries A Comparative Study. International Journal of Economics and Financial Issues, 7(2), 182-187.

[9] Wongbangpo, P., & Sharma, S. C. (2002). Stock market and macroeconomic fundamental dynamic interactions: ASEAN-5 countries. Journal of asian Economics, 13(1), 27-51.

[10] Wei, Y., Qin, S., Li, X., Zhu, S., & Wei, G. (2019). Oil price fluctuation, stock market and macroeconomic fundamentals: Evidence from China before and after the financial crisis. Finance Research Letters, 30, 23-29