[TECHNICAL INSIGHTS] – THỊ TRƯỜNG VIỆT NAM LÀ HIỆU QUẢ LOẠI GÌ? (PHẦN 1)

Bài viết này sẽ dùng các quan sát sơ bộ để đánh giá mức độ hiệu quả của thị trường tại Việt Nam trước khi đào sâu hơn vào khai thác alpha. Việc tiếp cận sẽ dựa vào yếu tố FA thay vì chỉ mỗi giá OHLCV.

Kết luận

Có thể thấy, dường như có tồn tại tương quan có thể giải thích được bằng các thước đo lợi nhuận hoặc tăng trưởng tài sản cho biến động giá cổ phiếu, cụ thể:

Những cổ phiếu trên được lựa chọn như những quan sát sơ bộ từ các cổ phiếu từ các nhóm đặc thù khác nhau:

• ACB đại diện cho nhóm bank thường được chạy model excel quen thuộc với định giá theo PB hoặc PE, kết quả đánh giá correlation đang cho thấy các phương pháp về lợi nhuận đang được thị trường quan tâm hơn.
• SSI cho thấy bias khá mạnh về lợi nhuận, thực tế SSI cũng thường được ưa chuộng về định giá bằng P/E hoặc FCFE.
• HPG cũng tương tự khi cho thấy bias tương quan cao hơn về NPAT và các thước đo lợi nhuận, thực tế HPG thường được định giá bằng FCFE hoặc Sum of the parts (theo các pipeline nhà máy).
• NLG thì lại bias tương quan cao hơn ở PS, EV/EBITDA và ROIC. Điều này khá thú vị vì thường khi định giá các công ty BĐS, các phương pháp như RNAV hoặc Sum of the parts sẽ thường được ưu tiên hơn (định giá RNAV các dự án). Thước đo ROIC thường đo lường lợi nhuận trên tổng vốn đầu tư (khá tương đồng khi tính yield-on-costs của BĐS).

Như vậy, 1 cách nhanh gọn mình có thể snapshot các phương pháp định giá và có thể gom lại bằng 1 pipeline về đo lường hệ số tương quan (spearman correlation) để xác định được phương pháp (hoặc các chỉ số phù hợp) có mức độ tương quan nổi trội với cổ phiếu. Qua phần sau mình sẽ gom các yếu tố này lại qua tất cả các nhóm ngành để đo lường phân phối của các tương quan này và từ đó tìm cách đánh giá về mức độ hiệu quả của thị trường.

Mở đầu

Thời gian rồi khá bận nên mình ít viết bài và loay hoay kiểm chứng 1 số idea mới. Giờ mình sẽ cố gắng viết các note trong quá trình kiểm chứng để ghi nhớ những gì mới và hệ thống hóa nó lại.

Thực sự khi đi học đến khi đi làm mình có rất nhiều mối quan tâm đến mức độ hiệu quả của thị trường tại Việt Nam, cơ bản vì nó có nhiều yếu tố đặc thù như:

• Mức độ cô đặc của thị trường khi chỉ tập trung vào 1 số nhóm ngành có phân hóa và vốn hóa lớn (Tài chính và BĐS).
• Thời gian khớp lệnh (T+2.5) và chỉ cho Long only.
• Mức độ bao phủ vốn hóa toàn thị trường khá bé.

Từ đó mình có rất nhiều câu hỏi đại loại:

• Thị trường hiệu quả ở Việt Nam là dạng gì? Đo lường như thế nào?
• Liệu có tồn tại sự ổn định trong tính hiệu quả của thị trường không?
• Nếu thị trường hiệu quả là dạng mạnh thì chẳng nhẽ không có cách nào tìm kiếm lợi nhuận từ nó?

Lý thuyết thị trường hiệu quả của Eugene Fama theo mình là 1 lý thuyết rất đẹp, nó vẽ ra 1 mô hình bản lề các nguyên tắc về giá cả và định giá và từ đó đo lường các mức độ hiệu quả của thị trường. Tuy nhiên, nó gần như bị các nhà đầu tư chống lại (=]]) kể cả Warren Buffett,… Một nhà khoa học khác đại diện cho trường phái tài chính hành vi như Shiller cũng nổi dậy và đưa hẳn ra vài papers để chống lại nó lấy tài chính hành vi làm bản lề phân tích.

Hai ông Fama và Shiller này, tương tự như Tiếu ngạo giang hồ, có thể là 2 trường phái võ công trong cùng 1 môn phái (=]]). Nếu coi tài chính như môn phái của phái Hoa Sơn, thì Fama đại diện cho phe khí tông với bộ võ công Tử hà thần công (tương tự tài chính doanh nghiệp), rất nguyên tắc và có bản lề như bộ môn tài chính doanh nghiệp thượng thừa cho định giá, thể hiện trình độ nội công thâm hậu. Phía còn lại, Shiller đại diện cho kiếm tông với bộ võ công Độc cô cửu kiếm (tương tự như tài chính hành vi), 1 nhánh rất khó học nhưng phạm vi bao quát thì quan tâm về hành vi tài chính của con người để từ đó ứng phó với các kịch bản của thị trường.

Bài viết này sẽ cố gắng tiếp cận bằng cách quan sát trước về biến động của giá so với những thông tin cơ bản để đánh giá sơ bộ về mức độ hiệu quả thị trường để đi sang việc kiểm định và tìm alpha.

LÝ THUYẾT VỀ THỊ TRƯỜNG HIỆU QUẢ (EMH)

Ok! Giờ mình sẽ ôn lại bài cũ về thị trường hiệu quả trước. Theo chương trình CMT (level 1) thì thị trường hiệu quả có thể được hiểu như sau: Thị trường hiệu quả là thị trường mà thông tin đã cập nhật hết vào trong giá cả và do đó, các nhà đầu tư gần như rất khó để có thể đánh bại được thị trường.

Việc này có thể hiểu rằng, nếu thị trường luôn hiệu quả và việc nhà đầu tư lý trí giao dịch cho 1 số lần đủ lớn thì return trung bình của họ sẽ hội tụ về 1 vùng giá trị bằng với giá trị trung bình của thị trường. Những lợi nhuận hoặc lỗ của họ có thể coi là noise trong thị trường. Việc này có thể quan sát 1 các đơn giản như sau:

Hình: Biến động lợi nhuận của giá vàng theo ngày trong thời gian từ 2020 – nay

Có thể thấy là biến động của giá vàng gần như dao động xung quanh 1 giá trị trung bình là 0. Mặc dù có những giai đoạn biến động rất lớn hoặc khá nhỏ (người ta gọi nó là volatility clustering), tuy nhiên nhìn chung nó dao động xung quanh 0.

Fama giải thích khá dài trong bài viết của ông, tuy nhiên mình hiểu đơn giản thì chính những yếu tố như:

• Hành động lý trí của các nhà đầu tư,
• Kỳ vọng không thuần nhất của các nhà đầu tư (những khác biệt về khẩu vị rủi ro, về thời gian nắm giữ,…),
• Mức độ cân xứng thông tin,

Từ đó, đã điều chỉnh các biến động của giá cả về 1 mức trung bình dài hạn (hoặc đủ lớn để ổn định), về mặt toán học có thể gọi là luật số lớn khi giá trị sẽ dần hội tụ về vùng giá trung bình.

Một số nhà khoa học không hoàn toàn chủ quan dựa theo model này, Jensen (người sinh ra cái gọi là Jensen alpha) đã mining sâu hơn, đặc biệt dựa vào yếu tố bất cân xứng thông tin để mining và ông tìm ra và chia thị trường ra làm 3 dạng hoạt động chính:

• Thị trường hiệu quả dạng yếu: Tất cả các thông tin trong quá khứ được phản ánh vào giá cả hiện tại —> đây là nơi mà tất cả những thông tin về giá cả gần như không thể mining được hay TA gần như không thể mining được.
• Thị trường hiệu quả dạng vừa: Tất cả những thông tin trong quá khứ và thông tin công khai (bao gồm cả báo cáo tài chính, press release,…) —> đây là nơi những thông tin về FA gần như không thể mining được.
• Thị trường hiệu quả dạng mạnh: Tất cả những thông tin trong quá khứ, công khai hiện tại và kể cả insiders đều được phản ứng vào giá —> đây là nơi mức độ bất cân xứng thông tin gần như không tồn tại và gần như không ai có thể chiến thắng được thị trường.

Để đánh giá mức độ này thì CMT có đưa ra 1 cái framework để đánh giá, cụ thể:

• EMH dạng yếu:
  • Sử dụng các nguồn thông tin public để đánh giá.
  • Sử dụng các strategies sử dụng OHLCV để đánh giá xem mức độ perform so với thị trường, nếu có thể vượt trội được thì chứng minh rằng thị trường còn chưa đạt được EMH dạng yếu.
• EMH dạng vừa:
  • Data dependency: dữ liệu mang tính chất quyết định mạnh hơn khi đánh giá,
  • Sử dụng các thông tin công khai để kiểm định để đánh giá mức độ phản ánh vào giá.
  • Sử dụng các strategies liên quan đến FA để đánh giá.
• EMH dạng mạnh:
  • Data dependency,
  • Sử dụng mọi strategies để test và chỉ cần chứng minh được lợi nhuận cao hơn trung bình!

Mình rút ra được gì từ cái Framework này? Đó là mình không rút ra được cái gì cả (=]]). Thực tế, CMT họ dùng cách chứng minh dựa vào các outliers có tồn tại như Warren Buffett, AQR,… để cho thấy thị trường vẫn tồn tại các abnormal để các nhà đầu tư có thể khai thác được.

Ok! dài dòng văn tự là vậy, giờ mình sẽ đi vào tìm hiểu tại Việt Nam.

ỨNG DỤNG EMH TẠI VIỆT NAM

TIẾP CẬN TỪ GIÁ OHLCV

Theo cách làm của CMT thì framework này rất khó để xác định là mình làm cái gì! Việc chứng minh 1 cách có khoa học yêu cầu mình phải bác bỏ nhiều hơn là khẳng định, có nghĩa là nếu chỉ kiểm định tính hiệu quả dạng yếu thì mình phải dùng các TA strategies có thể để test với mục tiêu là bác bỏ giả thuyết H0 là returns chỉ ngang bằng hoặc thấp hơn returns ngẫu nhiên!

Nghe có vẻ phức tạp, tuy nhiên thì mình có thể giải quyết nó với model ARIMA. Đây là 1 mô hình cổ điển nhưng được biết đến rộng rãi, rộng rãi đến mức người ta bắt đầu coi thường nó (=]]). Theo mình đây là 1 mô hình cơ sở, bắt nguồn cho nhiều cái dự báo có ý nghĩa sau này và rất có nhiều ứng dụng dù người ta có chê nó đến như thế nào đi nữa!

Công thức của ARIMA(p,d,q):

Trong đó:

• y là giá tài sản
• e là white noise, là biến ngẫu nhiên có tính độc lập với các giá trị tại các thời điểm t khác nhau.

ARIMA là 1 model có 3 yếu tố chính:

• Autoregressive (tự hồi quy): Đây là yếu tố giải thích cho đặc tính serial correlation của giá. Nếu có tồn tại yếu tố serial correlation, thì có nghĩa là giá của những ngày trước đó sẽ giải thích được giá của ngày sắp tới. ARIMA bằng cách xác định hệ số phi (hệ số hồi quy – slope của giá ngày hôm nay với giá của các ngày hôm trước) sẽ xác định được mức độ ảnh hưởng của các ngày hôm trước. Việc đo lường AR cho thấy yếu tố momentum hoặc mean reversion của giá cả thông qua hệ số phi!
• Moving Average: moving average này không phải là đường MA, đây là trung bình của white noise theo 1 hệ số theta. Tại sao lại có yếu tố này? vì sự khác biệt của noise e tại các thời điểm khác nhau sẽ vẫn có thể có ảnh hưởng đến giá cả thời điểm hiện tại hoặc kỳ vọng và nó được đánh giá như ảnh hưởng của các cú shock ngắn hạn đến giá cả.
• Intergration: Đây đơn giả là tính dừng của chuỗi thời gian để chọn ra mức độ lấy chênh lệch phù hợp nhất để các giá trị được chuẩn hóa tốt nhất.

Và model này và các biến thể của nó (chẳng hạn SARIMAX) chỉ sử dụng phần lớn các yếu tố liên quan đến giá cả trong quá khứ để predict giá tương lai. Nếu mình gọi model predict của mình là arima và giá sau khi predict thực là y thì mình sẽ có phương trình dạng như này:

Trong đó:

• y là giá thực tế, lưu ý là giá này sẽ là giá trong vùng thời gian test chứ không phải là thời gian train model arima.
• arima là model predict giá dựa trên các thông tin quá khứ,
• e là phần dư từ giá predict so với giá thực tế.

Nếu như giá trong quá khứ có thể predict được tốt thì phần e này sẽ có yếu tố ngẫu nhiên, hoặc như lý thuyết hay gọi đây là white noise. White noise (nhiễu trắng) đơn giản là biến ngẫu nhiên.

Việc biểu diễn phương trình như dạng trên và nếu e là white noise thì giá cả y sẽ gọi là bước đi ngẫu nhiên (random walk).

Vậy chỉ bằng việc kiểm định được phần e này có phải là white noise hay không thì mình sẽ xác định được mức độ hiệu quả dạng yếu hay không!

Thực tế, có khá nhiều papers đã sử dụng ARIMA để kiểm định tính hiệu quả của thị trường. Thậm chí, còn có 1 số model còn dùng cả GARCH để có tính tổng quát cao hơn (GARCH là 1 model rất mạnh trong forecast mức độ biến động của tài sản) hoặc sử dụng ML để đánh giá.

Nếu mình tiếp tục sử dụng nó thì sẽ không có gì khác biệt! Mình sẽ để phần này ở đây để khi nào rảnh hoặc ai thích làm sẽ tiếp tục làm tiếp. Mình sẽ tiếp cận theo cách khác (vì mình thích thế) mà theo mình nó cần thiết hơn.

TIẾP CẬN TỪ CÁC YẾU TỐ CƠ BẢN

Cách tiếp cận này theo mình nó hardcore hơn, không phải vì mô hình thống kê nó hardcore hơn mà vì dữ liệu nó hardcore hơn! Hơn nữa thì nó sẽ phụ thuộc và kiến thức tài chính doanh nghiệp và định giá của người sử dụng. Tài chính rất rộng lớn, kiến thức của mình thuộc loại cũng gọi là nghèo nàn vì va chạm thì nhiều nhưng học thuật thì thấy vẫn cần phải trau dồi. Tuy nhiên, thì mình sẽ cố gắng tham khảo trước các cách tiếp cận của 1 số nguồn mình cho là chính thống và chuẩn chỉnh nhất!

Trước hết, quan sát trước 1 số charts như của ACB, SSI, HPG, NLG (đại diện cho bank, chứng, thép và BĐS) về biến động của giá CP theo 1 số thước đo như Book value (BV) hoặc NPAT, mình có 1 số quan sát như sau:

ACB: Số liệu hàng quý TTM cho NPAT

Có thể thấy dường như ACB có tương quan khá cao với tăng trưởng BV, trong khi đó đối với lợi nhuận thì có biến động hơi khác biệt dù chung xu hướng.

Cụ thể hơn khi nhìn bằng spearman correlation, rõ ràng biến động về book value, NPAT, ROE (ngược chiều) và NPL có mức độ tương quan giả thích tốt cho lợi nhuận CP trong chính kỳ kế toán đó (return cùng quý).

SSI:

SSI thì rõ ràng NPAT có mức độ tương đồng trong kỳ vọng của giá trong kỳ rất tốt và cao hơn đáng kể so với các yếu tố kể trên.

HPG:

HPG cũng tương tự SSI, có mức độ tương quan khá tốt với biến động trong các thước đo lợi nhuận như NPAT (hoặc PE, EV/EBITDA) so với tất cả các yếu tố còn lại.

NLG:

NLG thì lại là case khá đặc thù khi có mức độ tương quan cao hơn với PS, EV/EBITDA và ROIC (trái chiều) chiếm ưu thế, cho thấy giá dường như đang pricing dựa vào các yếu tố này hơn.

Kết luận

Những cổ phiếu trên được lựa chọn như những quan sát sơ bộ từ các cổ phiếu từ các nhóm đặc thù khác nhau:

• ACB đại diện cho nhóm bank thường được chạy model excel quen thuộc với định giá theo PB hoặc PE, kết quả đánh giá correlation đang cho thấy các phương pháp về lợi nhuận đang được thị trường quan tâm hơn.
• SSI cho thấy bias khá mạnh về lợi nhuận, thực tế SSI cũng thường được ưa chuộng về định giá bằng P/E hoặc FCFE.
• HPG cũng tương tự khi cho thấy bias tương quan cao hơn về NPAT và các thước đo lợi nhuận, thực tế HPG thường được định giá bằng FCFE hoặc Sum of the parts (theo các pipeline nhà máy).
• NLG thì lại bias tương quan cao hơn ở PS, EV/EBITDA và ROIC. Điều này khá thú vị vì thường khi định giá các công ty BĐS, các phương pháp như RNAV hoặc Sum of the parts sẽ thường được ưu tiên hơn (định giá RNAV các dự án). Thước đo ROIC thường đo lường lợi nhuận trên tổng vốn đầu tư (khá tương đồng khi tính yield-on-costs của BĐS).

Như vậy, 1 cách nhanh gọn mình có thể snapshot các phương pháp định giá và có thể gom lại bằng 1 pipeline về đo lường hệ số tương quan (spearman correlation) để xác định được phương pháp (hoặc các chỉ số phù hợp) có mức độ tương quan nổi trội với cổ phiếu. Qua phần sau mình sẽ gom các yếu tố này lại qua tất cả các nhóm ngành để đo lường phân phối của các tương quan này và từ đó tìm cách đánh giá về mức độ hiệu quả của thị trường.

Bài đến đây đã dài, hi vọng có ích cho mọi người, trân trọng cảm ơn !

Khóa học Phân tích kỹ thuật – CMT Level 1

Khóa học được Green Chart thiết kế dành riêng cho các bạn thí sinh muốn học và ôn thi CMT cấp độ 1 tại Việt Nam. Nội dung chương trình học bao gồm 28 buổi học lý thuyết, luyện đề và thi thử. Học viên cũng được cung cấp miễn phí giáo trình, bộ câu hỏi và đề thi thử phục vụ cho quá trình ôn thi. Học lại miễn phí trọn đời khóa học.

Tham khảo thêm chi tiết về khóa học Tại đây.