Đo lường rủi ro hệ thống tại các tổ chức tài chính trên thị trường chứng khoán Việt Nam

Nông Thị Hải Yến, Vũ Thị Thúy Vân, Lê Hoàng Anh - Đại học Kinh tế Quốc dân

Thị trường chứng khoán là thị trường của thông tin tài chính, do vậy, tin đồn là điều khó tránh khỏi. Các tin đồn lan truyền trên thị trường chứng khoán có thể gây ra biến động giá cổ phiếu.

Ảnh minh họa. Nguồn: Internet
Ảnh minh họa. Nguồn: Internet

Tuy nhiên, tin đồn không phải lúc nào cũng chính xác, trong khi hệ thống các tổ chức tài chính lại luôn ở thế bị động, cơ sở hạ tầng chưa đáp ứng tiêu chuẩn. Một nghiên cứu của Công ty đánh giá tín dụng bảo hiểm A.M.Best (Mỹ) công bố năm 2015 cho thấy việc tìm hiểu các nhân tố vĩ mô tác động đến hệ thống tài chính vô cùng quan trọng trong giai đoạn hội nhập sâu và rộng vào nền kinh tế thế giới. Đây cũng là vấn đề đặt ra với thị trường chứng khoán Việt Nam.

Phương pháp nghiên cứu và mô hình nghiên cứu

Theo nghiên cứu của Công ty đánh giá tín dụng bảo hiểm A.M.Best (Mỹ) công bố năm 2015, mức độ rủi ro của nền kinh tế và hệ thống tài chính Việt Nam luôn ở mức cao. Nguyên nhân là do cơ cấu kinh tế Việt Nam hiện nay còn nhiều bất cập, cơ sở hạ tầng chưa đáp ứng tiêu chuẩn, chính sách tiền tệ còn hạn hẹp, luôn ở thế bị động, tỷ lệ nợ xấu tồn tại trong hệ thống ngân hàng còn lớn. Do vậy, nền kinh tế nói chung cũng như thị trường chứng khoán (TTCK) nói riêng sẽ phải đối mặt với những thách thức cũng như các rủi ro hệ thống tiềm ẩn.

Trên thế giới đã có nhiều nghiên cứu phân tích về tác động của các nhân tố vĩ mô tới rủi ro hệ thống ngành tài chính. Phần lớn các nghiên cứu tập trung phân tích mối quan hệ giữa biến phụ thuộc (beta) và biến giải thích như tỷ giá (Gorton 1988, hay Lingdgren etal.,1996), lãi suất (Hellwig 1994, Cukierman 1991), công nghệ (Hellwig 1994), lạm phát (Al – Tamini etal., 2007).

Các nghiên cứu đưa ra đánh giá tổng quát, lĩnh vực tài chính có đặc thù riêng nên sẽ chịu tác mạnh bởi nhiều loại rủi ro hệ thống, điều này dẫn đến nhiều ý kiến trái chiều nhau (do lựa chọn mẫu và thời gian nghiên cứu).

Cũng có nghiên cứu chỉ tập trung vào một nhóm ngành và chưa phân tích đầy đủ tác động của các nhân tố đến rủi ro hệ thống. Cụ thể là chỉ xoay quanh việc đo lường rủi ro hệ thống của từng ngành như ngân hàng hay TTCK chứ chưa nghiên cứu tổng quan về toàn ngành tài chính.

Trong khi đó, việc phân tích các nhân tố tác động đến rủi ro hệ thống cũng chưa được chú trọng. Thị trường bảo hiểm là một thị trường tiềm năng nhưng cũng tiềm ẩn những rủi ro khó lường nên việc nghiên cứu cũng như đưa ra các biện pháp là cần thiết.

Các công trình nghiên cứu tại Việt Nam tuy đã chỉ ra được những nhân tố quan trọng có ảnh hưởng tới rủi ro hệ thống nhưng cũng bị giới hạn về quy mô và thời gian nghiên cứu. Do vậy, việc tìm hiểu các nhân tố vĩ mô tác động đến hệ thống tài chính vô cùng quan trọng trong giai đoạn hội nhập sâu và rộng với nền kinh tế thế giới. Để đưa ra được đánh giá và giải pháp nhằm giảm thiểu rủi ro hệ thống thì phương pháp xây dựng chỉ báo nhận diện loại rủi ro được cho là phù hợp nhất với hiện nay.

Mô hình nghiên cứu

Khung lý thuyết được xây dựng dựa trên cách tiếp cận, có thể được biểu diễn qua mô hình nghiên cứu sau:

Biến phụ thuộc: Hệ số β là hệ số đo lường rủi ro hệ thống của một tài sản, nó thể hiện mức độ rủi ro của tài sản đó so với mức độ rủi ro của toàn thị trường. Bằng cách ước lượng hồi quy lợi nhuận của chỉ số chứng khoán và lợi nhuận cổ phiếu trong một khoảng thời gian chúng ta sẽ tính ra được hệ số β. Theo đó, khi định giá các tổ chức tài chính hay giá cổ phiếu được niêm yết trên TTCK, ta có thể xác định hệ số β bằng việc sử dụng thông tin lịch sử giá cổ phiếu trên TTCK.

Biến độc lập: Dựa trên lựa chọn của môi trường Việt Nam, các biến cung tiền, tốc độ tăng trưởng kinh tế, lạm phát và tỷ giá được lựa chọn để nghiên cứu biến độc lập. Cung tiền là lượng tiền được ngân hàng trung ương cung ứng nhằm thỏa mãn các nhu cầu thanh toán và dự trữ của các chủ thể trong nền kinh tế.

Friedman và Schawartz (1963) đã giải thích rằng, cung tiền tăng làm tăng thanh khoản và tín dụng cho nhà đầu tư cổ phiếu dẫn đến giá trên TTCK cao hơn. Hay như Jiranyakul (2009), Sellin (2001) cũng nhận định, một cú sốc cung tiền tích cực sẽ dẫn đến sự tăng trưởng và phát triển ổn định hơn cho TTCK.

Tăng trưởng kinh tế là vấn đề rất đáng được quan tâm vì đây là điều kiện tiên quyết để phát triển kinh tế. Theo Paul Athony Samuelson, tăng trưởng kinh tế là sự mở rộng tổng sản phẩm quốc nội (GDP) hay sản lượng tiềm năng của một nước.

Nói cách khác, tăng trưởng diễn ra khi đường giới hạn khả năng sản xuất (PPF) của một nước dịch chuyển ra phía ngoài. Trong khi đó, Hendrik Van Den Berg cho rằng, tăng trưởng kinh tế là tăng phúc lợi cả con người. Nhìn chung, các khái niệm đều thống nhất, tăng trưởng kinh tế là sự gia tăng về quy mô sản lượng của nền kinh tế một thời kỳ nhất định.

Liu và Keshab (2008) cho rằng, TTCK về bản chất chịu ảnh hưởng chênh lệch thời gian, giá chứng khoán dễ thay đổi, do đó cần xác định tính đồng liên kết giữa chỉ số TTCK và biến vĩ mô. Nghiên cứu này kết luận các biến yếu tố sản xuất công nghiệp, nguồn cung tiền có mối quan hệ cùng chiều với giá cổ phiếu, lạm phát, lãi suất và giá trị tiền tệ thì ảnh hưởng ngược chiều đến giá cổ phiếu.

Đồng thời, nghiên cứu cũng chỉ ra rằng, trong ngắn hạn TTCK Trung Quốc đầy rủi ro nhưng trong dài hạn có tính khả quan hơn do có nền tảng kinh tế chiếm ưu thế. Boopen và các cộng sự (2007) đã đo lường mối quan hệ giữa hệ thống ngân hàng, TTCK và tăng trưởng kinh tế ở các nước đang phát triển. Các nghiên cứu của Levine và Zervos (1996); Seetanah và cộng sự (2007) cũng có những kết luận tương tự.

Lạm phát chính là sự biểu hiện tăng lên của mức giá cả chung trong nền kinh tế và là một trong những nguyên nhân khiến chi phí tăng. Leeb và Conraf (1996) nhận định, lạm phát tăng cao luôn là kẻ thù của thị trường cổ  phiếu. Kết quả này phù hợp với bằng chứng nghiên cứu thực nghiệm của Gan, Lee và Zhang (1996); Jiranyakul (2009). Xét về mối quan hệ giữa lạm phát, sự phát triển thị trường tài chính và tăng trưởng kinh tế, các nhà kinh tế đều tán thành tỷ lệ lạm phát cao sẽ ảnh hưởng tiêu cực đến tăng trưởng kinh tế (Barro 1991; Fisher 1993; De Gregorio 1992).

Tỷ giá là giá trị của đồng tiền nước này so với nước khác. Tỷ giá được xem như là một công cụ điều hành chính sách thành công của Ngân hàng Nhà nước Việt Nam (NHNN) trong suốt thời gian qua với thông điệp điều hành linh hoạt nhưng điều chỉnh ổn định để góp phần kiểm soát lạm phát, khuyến khích xuất khẩu, kiểm soát nhập khẩu, đồng thời tăng được dự trữ ngoại hối. Vẫn có nhiều ý kiến trái chiều về mối quan hệ giữa tỷ giá và ngành Tài chính.

Đối với TTCK, Gan và cộng sự (2006), Narayan (2010) và Solnick (1987) cho thấy, mối quan hệ giữa tỷ giá hối đoái và giá chứng khoán là đồng biến. Nhưng Ajayi và Mougoue (1996) lại nhận định, tỷ giá hối đoái giảm lại tác động nghịch cả trong ngắn hạn với dài hạn. Mặt khác, kết quả nghiên cứu của Abdalla và Munrinde (1997) cho thấy, có sự thay đổi giá chứng khoán ở Ấn Độ, Pakistan, Hàn Quốc.

Dựa trên các biến nghiên cứu, mô hình kiểm định được xây dựng là: βit = α0 + α1 MSit + α2Growthit + α3 INFit + α4 EXRit + ui + εi

Trong đó: βi (beta): Rủi ro hệ thống.

i: Biến của các phần tử chéo thứ i.

t: Biến được quan sát ở thời điểm t.

ui: Thành phần sai số riêng biệt của từng phần tử chéo.

ei: Sai số ngẫu nhiên thông thường

Biến

Thước đo

Vai trò của biến

Rủi ro hệ thống

Beta

Biến phụ thuộc

Cung tiền

Ms = Cp + D

Biến độc lập

Tốc độ tăng trưởng kinh tế


Biến độc lập

Lạm phát


Biến độc lập

Tỷ giá

Ngoại tệ/nội tệ

Biến độc lập

Nguồn: Tác giả tổng hợp

Phương pháp thu thập và xử lý dữ liệu

Nguồn dữ liệu và phương pháp thu thập: Dữ liệu trong bài viết là dữ liệu thứ cấp của 28 các tổ chức tài chính, được lấy từ các website: www.stoxplus.com.vn; www.cophieu68.com.vn.

Mẫu nghiên cứu: Tổng số mẫu bao gồm 28 các tổ chức tài chính niêm yết trên TTCK Việt Nam từ năm 2010 đến 2016. Các mẫu lựa chọn được căn cứ dựa vào: thông tin đầy đủ và dữ liệu để tính toán các biến số trong mô hình (lịch sử giá). Bộ số liệu sẽ được sử dụng để xây dựng mô hình nghiên cứu tổng thể các tổ chức tài chính trên TTCK Việt Nam.

Xử lý dữ liệu: Sau khi thu thập dữ liệu, tác giả sử dụng Microsoft Excel 2013 để thực hiện các phép tính toán cần thiết, sau đó đưa các số liệu này vào phần mềm thống kê Stata theo mô hình Panel Data.

Tiếp đến, xây dựng mô hình hồi quy với số liệu mảng bằng phương pháp ước lượng, xuất hiện 3 mô hình để lựa chọn: mô hình tác động ngẫu nhiên (Random Effect Model), mô hình tác động cố định (Fixed Effect Model) hoặc OLS gộp (Pooked OLS để hồi quy bằng phân mềm thống kê Stata.

Kiểm định mô hình và thảo luận kết quả nghiên cứu

Kiểm định mô hình:

Để thực hiện mô hình, trước hết tác giả tiến hành phân tích tính tương quan của các biến.

Bảng 1: Ma trận hệ số tương quan

giữa các biến độc lập trong mô hình


MS

GDP

INF

EXR

BETA

MS

1

-0,3491

0,3401

0,0103

-0,6057

GDP

-0,3491

1

0,4669

-0,6057

-0,7650

INF

0,3401

0,4669

1

-0,7650

-0,1329

EXR

0,0103

-0,6057

-0,7650

1

0,1669

BETA

-0,0347

-0,2042

-0,1329

0,1669

1

Nguồn: Tác giả tính toán dựa trên dữ liệu Stoxplus và phần mềm Microsoft Excel

Bảng 1 thể hiện sự tương quan thấp giữa các nhân tố. Trong đó, hệ số tương quan giữa INF và GDP là 0,4669 cao nhất và tiếp đến giữa INF và MS là 0,3401. Điều này biểu hiện mối liên hệ giữa các nhân tố không chặt chẽ và có tính độc lập khá cao.

Phương trình tổng quát có dạng: βit = α0 + α1 MSit + α2Growthit + α3 INFit + α4 EXRit + ui + εi

Khi có sự xuất hiện của u sẽ gây ảnh hưởng đến các ước lượng, từ đó có các mô hình ước lượng đối với chuỗi số liệu mảng như sau: Nếu có u hoặc ảnh hưởng của u không đáng kể thì sẽ chọn mô hình OLS gộp; u tương quan với biến độc lập nào đó thì sử dụng mô hình tác động cố định; u không có tương quan với biến độc lập nhưng tổng sai số giữa u và e vẫn có tự tương quan thì ta dùng mô hình tác động ngẫu nhiên.

Trên cơ sở đó, bài viết tiến hành hồi quy với mô hình tác động ngẫu nhiên, sau đó kiểm định lại mô hình có tồn tại u hay không, từ đó xác định các mô hình phù hợp.

Bảng 2: Kết quả ước lượng theo mô hình tác động ngẫu nhiên

Tên biến

Hệ số hồi quy(α)

Thống kê z

P_value

MS

-0,4788698

-2,46

0,014

GDP

-0,3957436

-3,56

0,000

INF

0,0164404

1,36

0,173

EXR1

1,629709

1,28

0,199

C

-8,027108

-0,66

0,512

Within

0,1320



Between

0,0099



Overall

0,0597


Độ tin cậy

95%



Nguồn: Tác giả tính toán dựa trên dữ liệu của Stoxplus và phần mềm Stata

Bảng 3: Kết quả ước lượng theo mô hình tác động cố định

Tên biến

Hệ số hồi quy (α)

Thống kê T

P_value

MS

-0,4788494

-2,45

0,015

GDP

-0,3970814

-3,57

0,000

INF

0,0164394

1,36

0,175

EXR1

1,628063

1,28

0,202

C

-8,012516

-0,65

0,514

Độ tin cậy

95%



Nguồn: Tác giả tính toán dựa trên dữ liệu Stoxplus và phần mềm Stata

Theo bảng 3, kết quả hồi quy của mô hình tác động cố định lượng hóa tác động của các nhân tố vĩ mô đến rủi ro hệ thống các tổ chức tài chính niêm yết trên TTCK. Khi đó, xuất hiện sự lựa chọn giữa hai mô hình tác động ngẫu nhiên và mô hình tác động cố định nên sẽ tiếp tục kiểm định Hausman để lựa chọn mô hình cho dự báo với mức ý nghĩa 5%.

Bảng 4: Kết quả kiểm định Hausman

Test: H0: difference in coefficients not systematic

Chi2(4) =

0,07

Prob>chi2 =

0,9994

Nguồn: Tác giả tính toán dựa trên số liệu của Stoxplus và phần mềm  Stata

Kết quả cho thấy Prob > 5% nên không có mối tương quan giữa u và các biến độc lập. Do đó lựa chọn mô hình tác động ngẫu nhiên. Sau đó sử dụng kiểm định Breusch – Pagan (xttest 0) để lựa chọn mô hình tác động ngẫu nhiên hay mô hình OLS thông thường.

Bảng 5: kết quả kiểm định Breusch – Pagan


Var

Sd=Sqrt(Var)

Beta

0,4612677

0,6791669

E

0,2231497

0,4723872

U

0,2271184

0,4765694

Test: Var(u) = 0

Chibar2(01) = 143,78

Prob> chibar2 = 0,0000

Nguồn: Tác giả tính toán dựa trên số liệu của Stoxplus và phần mềm Stata

Theo kết quả kiểm định, Prob= 0,0000

Xét với mức ý nghĩa 5% ta thấy, Prob = 0,0000 < 0,05 nên không đủ điều kiện chấp nhận H trong giả thuyết: H: σ²=0 nghĩa là không tồn tại tác động ngẫu nhiên, ta sẽ lựa chọn mô hình OLS gộp để đưa ra kết quả.

Bảng 6: Kết quả hồi quy mô hình OLS gộp thông thường

Tên biến

Hệ số hồi quy

Thống kê T

P_value

MS

-0,4788703

-2,49

0,013

GDP

-0,3957097

-3,61

0,000

INF

0,0164404

1,38

0,167

EXR1

1,62975

1,30

0,193

C

-8,027519

-0,66

0,507

Độ tin cậy

95%



Nguồn: Tác giả tính toán dựa trên số liệu của Stoxplus và phần mềm Stata

Bảng 6 cho thấy, kết quả hồi quy về sự tác động của các nhân tố tới rủi ro hệ thống. Với độ tin cậy 95%, kết quả hồi quy chỉ ra tác động của nhân tố MS và GDP có ý nghĩa thống kê.

Thảo luận kết quả mô hình

Dựa theo mô hình đã chạy và phân tích kết quả, cả 4 nhân tố MS, GDP, INF, EXR đều có mối liên hệ đến hệ thống các tổ chức tài chính sẽ phải đối mặt trên thị trường. Ba nhân tố GDP, INF, EXR được kết luận sau khi chạy mô hình với mức ý nghĩa 5% phù hợp và củng cố thêm các nghiên cứu trước với đưa ra. Bên cạnh đó, nhân tố MS có tác động ngược chiều với rủi ro hệ thống, nghĩa là kết luận ngược lại so với giả thuyết ban đầu đưa ra.

Kết quả cũng chứng minh rằng, nếu như cung tiền và tăng trưởng kinh tế dương sẽ tác động đến rủi ro hệ thống của các tổ chức tài chính. Tuy nhiên, đối với mục tiêu chung là tăng trưởng kinh tế đi kèm với phúc lợi xã hội thì cần phải quan tâm thêm các ngành có liên quan để đưa ra chính sách phù hợp.

Từ kết quả trên, bài viết đề xuất, trong thời gian tới cần hạn chế cung tiền để giảm rủi ro hệ thống, do chỉ tiêu này tác động mạnh hơn hẳn chỉ tiêu lạm phát (do tăng cung tiền sẽ gây ra lạm phát). Kết quả của tỷ giá cho thấy, mối quan hệ là thuận chiều, song P_value lại có giá trị quá cao, do vậy, nếu giảm rủi ro hệ thống thì cần quản lý tốt hơn tỷ giá, tránh tình trạng biến động cao.

Bài nghiên cứu mới chỉ sử dụng phương pháp tính hệ số beta để đo lường rủi ro hệ thống mà chưa áp dụng phương pháp khác (VaR), nên chưa thể xác định độ chính xác tuyệt đối của pháp pháp beta. Vì thế, tác giả đề xuất sử dụng các phương pháp đo lường rủi ro hệ thống khác nhau để có sự so sánh, nhận định khách quan hơn.  

Tài liệu tham khảo:

1. Chung, Kee H..(1989), “The Impact of the Demand Volatility and Leverages on the Systematic Risk of Common Stocks”, Journal of Business Finance & Accounting.Oxford: Summer 1989. Vol. 16, Iss. 3; pg. 343;

2. Ahmad, N.H. (2007), “Multi-country study of bank credit risk determinants”, International Journal of Banking and Finance, Vol. 5, issue 1, pp. 135 – 152;

3. Basel Committee on Banking Supervision (2005), International Convergence of Capital Measurement and Capital Standards (A Revised Framework);

4. Das, Abhiman and Ghosh, Saibal (2007), “Determinants of Credit Risk in Indian State-owned Banks: An Empirical Investigation”, Economic Issues , Vol. 12, No. 2 (September 2007): pp. 48-66;

5. Fofack (2005), “Nonperforming loans in Sub-Saharan Africa : causal analysis and macroeconomic implications”, Policy Research Working Paper, World Bank;

6. Joel Bessis (2001), Risk Management in Banking;

7. Keeton, W. và Morris, C. (1987), “Why do banks’ loan losses differ?”, Economic Review, 1987, issue May, pages 3-21;

8. Lucas. A. and Koopman, J. S. (2005), ‘Business and default cycles for credit risk’, Journal of Applied Econometrics, John Wiley and Sons, Ltd, Vol. 20, No. 2, pp. 311 – 323;

9. Messai và Jouini (2013), Micro and Macro Determinants of Non-performing Loans, International Journal of Economics and Financial Issues Vol. 3, No. 4, 2013, pp.852-860 ISSN: 2146-4138;

10. Salas, V and Saurina, J. (2002), ‘Credit Risk in Tow Institutional Regimes: Spanish Commercial and Savings Banks’, Journal of Financial Services Research, Vol. 22, issue 3, pp. 203 – 224.