Bài 5: Dị thường thị trường & nghiên cứu sự kiện

Mục tiêu bài học

Liệt kê các dị thường thị trường nổi tiếng.
Tính lợi suất bất thường (AR) và tích luỹ (CAR) trong một event study.
Hiểu rủi ro data mining khi tìm kiếm dị thường mới.

Nội dung chính

Dị thường thị trường (market anomaly) là các mẫu hình lợi suất có vẻ mâu thuẫn với lý thuyết thị trường hiệu quả hoặc CAPM chuẩn — đã được ghi nhận và nghiên cứu rộng rãi trong nhiều thập kỷ của tài chính học thuật.

Các dị thường nổi tiếng

Bên cạnh dị thường giá trị, quy mô và momentum đã gặp ở Course 4 và bài 4 của course này, một dị thường quan trọng khác là Post-Earnings Announcement Drift (PEAD): giá cổ phiếu tiếp tục "trôi" theo hướng của tin bất ngờ lợi nhuận (earnings surprise) trong nhiều tuần sau ngày công bố, thay vì điều chỉnh ngay lập tức và đầy đủ như lý thuyết thị trường hiệu quả dự đoán.

Phương pháp nghiên cứu sự kiện (Event Study)

Event study là công cụ chuẩn để đo lường tác động của một sự kiện cụ thể (công bố lợi nhuận, M&A, thay đổi chính sách...) lên giá cổ phiếu. Quy trình: ước lượng mô hình thị trường (thường là CAPM đơn giản) trong một cửa sổ ước lượng trước sự kiện, sau đó tính lợi suất bất thường (Abnormal Return — AR) là chênh lệch giữa lợi suất thực tế và lợi suất dự đoán bởi mô hình trong cửa sổ sự kiện, rồi cộng dồn thành CAR (Cumulative Abnormal Return).

Kiểm định ý nghĩa thống kê

CAR cần được kiểm định ý nghĩa thống kê bằng thống kê t, so sánh với độ lệch chuẩn của AR trong cửa sổ ước lượng — một CAR dương nhưng không có ý nghĩa thống kê không đủ bằng chứng để kết luận có phản ứng thị trường thực sự.

Rủi ro "factor zoo" và data mining

Với hàng trăm dị thường đã được công bố trong các tạp chí học thuật, nhiều nhà nghiên cứu (như Harvey, Liu và Zhu, 2016) cảnh báo rằng phần lớn có thể là kết quả của việc thử nghiệm quá nhiều biến (data mining) và đề xuất nâng ngưỡng ý nghĩa thống kê (t-stat > 3 thay vì 2) khi đánh giá các dị thường mới được công bố.

Bài học thực hành: Khi đọc một nghiên cứu tuyên bố tìm ra chiến lược "đánh bại thị trường", luôn kiểm tra xem kết quả có được kiểm chứng ngoài mẫu (out-of-sample) và trên nhiều thị trường/giai đoạn khác nhau hay không, trước khi tin tưởng áp dụng.

Công thức cốt lõi

Lợi suất bất thường (AR)

\[ AR_t = R_t - (\hat\alpha + \hat\beta R_{m,t}) \]

Lợi suất bất thường tích luỹ (CAR)

\[ CAR = \sum_{t=t_1}^{t_2}AR_t \]

Kiểm định ý nghĩa thống kê

\[ t = \frac{CAR}{\sigma_{AR}\sqrt{n}} \]

\(n\): số ngày trong cửa sổ sự kiện.

Ví dụ số

Ví dụ: Event study công bố lợi nhuận vượt kỳ vọng

Dữ kiện: α̂=0, β̂=1,0 (từ cửa sổ ước lượng). Ngày 0–4: R = 2,2/1,0/0,9/0,3/−0,5 (%); R_m = 1,0/0,2/0,4/0,0/−0,4 (%). σ_AR = 1,0%.

AR ngày 0 = 2,2 − (0+1,0×1,0) = 1,2%.
AR ngày 1 = 1,0 − 0,2 = 0,8%.
AR ngày 2 = 0,9 − 0,4 = 0,5%.
AR ngày 3 = 0,3 − 0,0 = 0,3%.
AR ngày 4 = −0,5 − (−0,4) = −0,1%.
CAR = 1,2+0,8+0,5+0,3−0,1 = 2,70%.
t = 2,70%/(1,0%×√5) = 1,21.

Kết quả: CAR (5 ngày) = 2,70%; t-stat = 1,21.

Diễn giải: Dù CAR dương và có vẻ đáng kể (2,70% trong 5 ngày), t-stat chỉ 1,21 — chưa đạt ngưỡng có ý nghĩa thống kê thông thường (thường cần |t| > 1,96 ở mức 5%) — nhắc nhở cần thận trọng khi diễn giải một CAR dương từ mẫu nhỏ.

Công cụ: Event Study: tính AR và CAR

Nhập lợi suất cổ phiếu và thị trường trong cửa sổ sự kiện để tính AR, CAR và kiểm định ý nghĩa.

Lợi suất cổ phiếu R (%, theo ngày sự kiện) Lợi suất thị trường R_m (%, cùng số ngày) Alpha ước lượng (%) Beta ước lượng σ_AR từ cửa sổ ước lượng (%)

Bảng AR & CAR—

CAR—

t-stat—

Ý nghĩa thống kê—

Lưu ý thực tế & bẫy thường gặp

Cửa sổ ước lượng (để tính α, β) nên tách biệt hoàn toàn với cửa sổ sự kiện để tránh sự kiện làm méo chính tham số ước lượng.
PEAD là một trong những dị thường bền vững và được nghiên cứu nhiều nhất, tồn tại qua nhiều thập kỷ dữ liệu và nhiều thị trường khác nhau.
Với event study trên nhiều sự kiện (nhiều công ty, nhiều ngày công bố), cần tổng hợp CAR trung bình và kiểm định trên toàn mẫu, không chỉ một sự kiện đơn lẻ.

Kiểm tra nhanh (5 câu)

Tóm tắt

AR đo lợi suất bất thường so với mô hình thị trường; CAR là tổng luỹ kế của AR qua cửa sổ sự kiện.
PEAD là dị thường bền vững cho thấy giá tiếp tục 'trôi' theo hướng tin bất ngờ nhiều tuần sau công bố.
Cần cảnh giác với rủi ro data mining khi đánh giá các dị thường mới, đặc biệt khi số biến thử nghiệm lớn.