Các kỹ thuật kinh tế lượng bổ sung cho nghiên cứu tài chính
Chào mừng các bạn sinh viên đến với chuỗi bài học chuyên sâu về các công cụ kinh tế lượng hiện đại thường được sử dụng trong nghiên cứu tài chính. Trong thực tế, các mô hình hồi quy OLS cơ bản đôi khi không đủ để trả lời những câu hỏi phức tạp về thị trường. Ví dụ, làm thế nào để chúng ta đo lường chính xác tác động của một thông báo sáp nhập đến giá cổ phiếu? Tại sao một số cổ phiếu lại luôn có lợi nhuận cao hơn những cổ phiếu khác, ngay cả khi đã điều chỉnh rủi ro thị trường? Hay làm thế nào để ước tính xác suất xảy ra một cuộc khủng hoảng tài chính – một sự kiện cực kỳ hiếm nhưng có sức tàn phá khủng khiếp? Chuỗi bài học này sẽ trang bị cho các bạn những công cụ mạnh mẽ để giải quyết chính những vấn đề đó.
Chúng ta sẽ cùng nhau đi qua bốn chủ đề lớn, từ những phương pháp đã trở thành kinh điển trong tài chính doanh nghiệp đến các kỹ thuật tiên tiến trong quản lý rủi ro. Mỗi bài học đều được thiết kế để đi từ lý thuyết nền tảng đến các bước thực hành cụ thể, giúp các bạn không chỉ “biết” mà còn “hiểu” và “làm được”. Mục tiêu cuối cùng là giúp các bạn xây dựng sự tự tin để áp dụng những kỹ thuật này vào các dự án nghiên cứu, khóa luận tốt nghiệp hay thậm chí là công việc sau này. Hãy cùng nhau bắt đầu hành trình khám phá những công cụ thú vị và đầy quyền năng này!
Ba từ khóa chính mà chúng ta sẽ tập trung trong chuỗi bài này là: Nghiên cứu sự kiện (đo lường tác động của tin tức), Mô hình đa nhân tố (giải thích lợi nhuận cổ phiếu), và Lý thuyết giá trị cực đoan (phân tích rủi ro hiếm gặp).
Cấu trúc chuỗi bài học
- Nền tảng về nghiên cứu sự kiện trong tài chínhChúng ta sẽ học cách đo lường tác động của một sự kiện cụ thể, như công bố lợi nhuận, lên giá cổ phiếu một cách khoa học.
- Các vấn đề và kỹ thuật nâng cao trong nghiên cứu sự kiệnBài học này sẽ khám phá các thách thức trong thực tế và các giải pháp tinh vi hơn để nghiên cứu sự kiện trở nên đáng tin cậy.
- Kiểm định mô hình CAPM với phương pháp Fama–MacBethChúng ta sẽ tìm hiểu phương pháp kinh điển để kiểm tra xem liệu mô hình định giá tài sản CAPM có thực sự đúng trong thực tế hay không.
- Mô hình ba nhân tố Fama-French và mô hình bốn nhân tố CarhartKhám phá các mô hình giải thích lợi nhuận cổ phiếu tốt hơn CAPM bằng cách thêm vào các yếu tố như quy mô công ty và giá trị.
- Giới thiệu lý thuyết giá trị cực đoan (EVT) để mô hình hóa rủi roHọc cách mô hình hóa các sự kiện hiếm gặp, ví dụ như một cú sụp đổ thị trường, vốn không thể được nắm bắt bởi phân phối chuẩn.
- Ước lượng và ứng dụng EVT để đo lường giá trị chịu rủi ro (VaR)Chúng ta sẽ áp dụng lý thuyết EVT vào một trong những công cụ quản lý rủi ro phổ biến nhất là Value at Risk (VaR).
- Nguyên lý và ứng dụng của phương pháp Moment tổng quát (GMM)Tìm hiểu một phương pháp ước lượng linh hoạt và mạnh mẽ, đặc biệt hữu ích khi các giả định của mô hình OLS không được thỏa mãn.
- Hướng dẫn thực hành tổng hợp các kỹ thuật với StataBài học cuối cùng sẽ tổng hợp tất cả kiến thức, hướng dẫn các bạn thực hiện một dự án phân tích hoàn chỉnh từ đầu đến cuối với dữ liệu mô phỏng.
MỤC TIÊU HỌC TẬP
- Nắm vững lý thuyết: Hiểu sâu bản chất và các giả định đằng sau mỗi kỹ thuật kinh tế lượng được giới thiệu.
- Thực hành thành thạo: Có khả năng tự mình thực hiện một nghiên cứu sự kiện, kiểm định mô hình Fama-French, và ước lượng VaR bằng Stata.
- Diễn giải kết quả: Học cách đọc và phân tích kết quả từ các mô hình phức tạp, rút ra những kết luận có ý nghĩa về mặt kinh tế.
- Tư duy phản biện: Nhận biết được những ưu điểm, nhược điểm và các vấn đề tiềm ẩn khi áp dụng từng phương pháp vào thực tế.
TÀI LIỆU THAM KHÁO
- Chính: Brooks, C. (2019). Introductory Econometrics for Finance. Cambridge University Press. (Chương 14).
- Nâng cao về Nghiên cứu sự kiện: MacKinlay, A. C. (1997). Event studies in economics and finance. Journal of Economic Literature, 35(1), 13-39.
- Nâng cao về Định giá tài sản: Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3-56.
- Nâng cao về GMM: Hall, A. R. (2005). Generalized method of moments. Oxford University Press.
PHỤ LỤC: Dữ liệu mô phỏng cho chuỗi bài viết
Để giúp các bạn dễ dàng theo dõi và thực hành, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng xuyên suốt các bài học có liên quan. Bộ dữ liệu này được thiết kế đơn giản, tập trung vào các biến cần thiết cho việc minh họa các kỹ thuật. Hãy chạy đoạn code Stata dưới đây để tạo ra file dữ liệu event_study_data.dta và lưu lại trong thư mục làm việc của bạn.
* ==================================================
* TẠO DỮ LIỆU MÔ PHỎNG CHO CHUỖI BÀI HỌC
* Mục đích: Tạo dataset cho Nghiên cứu sự kiện và Fama-French
* ==================================================
clear
set obs 50000
* --- Phần 1: Tạo dữ liệu nền tảng cho 100 công ty ---
* Tạo mã định danh cho 100 công ty
egen firm_id = seq(), from(1) to(100) block(500)
* Sắp xếp theo công ty và tạo biến thời gian (ngày giao dịch)
sort firm_id
by firm_id: gen day = _n
* --- Phần 2: Mô phỏng các yếu tố rủi ro ---
* Lợi nhuận thị trường (Mkt_RF), giả định trung bình 0.04%/ngày và độ lệch chuẩn 1%
gen mkt_rf = 0.0004 + rnormal(0, 0.01)
* Yếu tố Quy mô (SMB), trung bình 0.01%/ngày, độ lệch chuẩn 0.3%
gen smb = 0.0001 + rnormal(0, 0.003)
* Yếu tố Giá trị (HML), trung bình 0.02%/ngày, độ lệch chuẩn 0.3%
gen hml = 0.0002 + rnormal(0, 0.003)
* --- Phần 3: Tạo đặc điểm và lợi nhuận cho từng công ty ---
* Tạo beta thị trường, độ nhạy với SMB và HML cho mỗi công ty
* Các giá trị này là cố định cho mỗi công ty qua thời gian
by firm_id: gen beta_mkt = rnormal(1, 0.3) if day == 1
by firm_id: gen beta_smb = rnormal(0.5, 0.5) if day == 1
by firm_id: gen beta_hml = rnormal(0.3, 0.5) if day == 1
* Lấp đầy các giá trị beta cho tất cả các ngày
by firm_id: replace beta_mkt = beta_mkt[_n-1] if missing(beta_mkt)
by firm_id: replace beta_smb = beta_smb[_n-1] if missing(beta_smb)
by firm_id: replace beta_hml = beta_hml[_n-1] if missing(beta_hml)
* Tạo phần dư (rủi ro đặc thù) cho mỗi cổ phiếu
gen idiosyncratic_return = rnormal(0, 0.02)
* Tính toán lợi nhuận cổ phiếu dựa trên mô hình 3 nhân tố Fama-French
gen stock_return = beta_mkt*mkt_rf + beta_smb*smb + beta_hml*hml + idiosyncratic_return
* --- Phần 4: Tạo sự kiện và lợi nhuận bất thường ---
* Giả định ngày sự kiện xảy ra vào ngày thứ 251 cho tất cả các công ty
* Chúng ta sẽ tạo một "cú sốc" lợi nhuận dương vào ngày sự kiện
gen event_day = 251
gen abnormal_shock = 0
replace abnormal_shock = rnormal(0.02, 0.01) if day == event_day
* Cộng cú sốc này vào lợi nhuận cổ phiếu để tạo ra lợi nhuận thực tế
gen actual_return = stock_return + abnormal_shock
* --- Phần 5: Hoàn thiện và lưu dữ liệu ---
label variable firm_id "Mã công ty"
label variable day "Ngày giao dịch"
label variable mkt_rf "Lợi nhuận thị trường vượt trội"
label variable smb "Yếu tố quy mô (Small-Minus-Big)"
label variable hml "Yếu tố giá trị (High-Minus-Low)"
label variable actual_return "Lợi nhuận thực tế của cổ phiếu"
* Giữ lại các biến cần thiết
keep firm_id day actual_return mkt_rf smb hml event_day
* Lưu dữ liệu để sử dụng cho các bài học sau
compress
save "event_study_data.dta", replace
* Mô tả dữ liệu để kiểm tra
describe
summarize
Hướng dẫn sử dụng:
- Sao chép toàn bộ đoạn code trên vào Do-file của Stata.
- Chạy Do-file. Stata sẽ tự động tạo và lưu file
event_study_data.dta. - Trong các bài học thực hành sau, chúng ta sẽ bắt đầu bằng lệnh
use "event_study_data.dta", clearđể tải bộ dữ liệu này.
📚 Bài tiếp theo: Nền tảng về nghiên cứu sự kiện trong tài chính
💡 Lưu ý: Hãy đảm bảo bạn đã chạy code Stata ở trên và lưu lại file dữ liệu. Việc chuẩn bị sẵn sàng dữ liệu sẽ giúp bạn tập trung hoàn toàn vào các khái niệm kinh tế lượng trong bài học đầu tiên.