Tác động của cảm xúc nhà đầu tư đến biến động giá và lợi suất cổ phiếu: Bằng chứng từ thị trường chứng khoán Việt Nam

TÓM TẮT:

Nghiên cứu phân tích tác động của cảm xúc nhà đầu tư, được lượng hóa bằng mô hình PhoBERT tinh chỉnh từ tin tức tài chính trên Trang thông tin điện tử tổng hợp CafeF, lên biến động lợi suất cổ phiếu tại HOSE giai đoạn 2019-2026. Bằng hồi quy bảng tác động cố định (FE), mô hình Sentiment-GARCH(1,1) và kiểm định nhân quả Granger trên mẫu 10 cổ phiếu đa ngành, chúng tôi tìm thấy: (i) cảm xúc giải thích thêm 14,2% phương sai lợi suất sau kiểm soát yếu tố cơ bản; (ii) tác động bất đối xứng - tin tiêu cực khuếch đại biến động gấp 1,72 lần so với tin tích cực cùng độ lớn; (iii) nhân quả có ý nghĩa ở 8/10 cổ phiếu với hiệu lực tồn lưu trung bình 3,4 ngày giao dịch. Kết quả cung cấp hàm ý chính sách về giám sát thị trường và quản trị rủi ro danh mục tại Việt Nam.

Từ khóa: cảm xúc nhà đầu tư, biến động lợi suất, Sentiment-GARCH, tài chính hành vi, PhoBERT, HOSE.

1. Đặt vấn đề

Thị trường chứng khoán Việt Nam bước vào giai đoạn trưởng thành với vốn hóa vượt 60% GDP năm 2025, song vẫn mang đặc trưng thị trường mới nổi: nhà đầu tư cá nhân chiếm hơn 90% khối lượng giao dịch, cơ chế công bố thông tin còn độ trễ, và hành vi đám đông có tác động khuếch đại lên giá. Đây là môi trường lý tưởng để kiểm nghiệm lý thuyết tài chính hành vi về vai trò của cảm xúc nhà đầu tư trong hình thành và lan truyền rủi ro thị trường.

Trong khi các nghiên cứu gần đây ứng dụng học sâu để dự báo giá điểm tại Việt Nam (Trần Đăng Tuyên, 2024; Đào Lê Kiều Oanh và Châu, 2024), câu hỏi nền tảng hơn về cơ chế kinh tế học của cảm xúc - tác động đến biến động như thế nào, mạnh đến đâu và bao lâu - vẫn chưa được trả lời có hệ thống. Khoảng trống này quan trọng vì: (i) giám sát thị trường đòi hỏi hiểu biết về cơ chế truyền dẫn, không chỉ độ chính xác dự báo; (ii) quản trị rủi ro danh mục cần ước lượng độ lớn và tính bền vững của cú sốc cảm xúc; (iii) tài chính hành vi cần bằng chứng thực nghiệm từ thị trường ngoài OECD.

Nghiên cứu này lấp đầy khoảng trống đó bằng 4 đóng góp: (1) xây dựng chỉ số DNSI (Daily News Sentiment Index) 7 năm bằng PhoBERT tinh chỉnh - NLP đầu tiên thiết kế riêng cho tiếng Việt; (2) ứng dụng kinh tế lượng tài chính để định lượng cơ chế thay vì dự báo điểm; (3) phát hiện và đo lường tính bất đối xứng cảm xúc tại HOSE; (4) phân tích theo ngành cung cấp cơ sở phân loại rủi ro thực tiễn.

2. Cơ sở lý thuyết và tổng quan

2.1. Cảm xúc như nhân tố rủi ro

Từ giả thuyết Thị trường hiệu quả (Fama, 1970), lý thuyết kinh tế cổ điển loại trừ vai trò tâm lý trong định giá. Tuy nhiên, Shiller (1981) chứng minh biến động giá vượt xa biến động cổ tức cơ bản; De Long et al. (1990) xây dựng mô hình lý thuyết cho thấy, nhà đầu tư nhiễu (noise traders) tạo rủi ro hệ thống không thể arbitrage hoàn toàn. Baker và Wurgler (2006) đưa bước đột phá khi xây dựng chỉ số tâm lý tổng hợp và chứng minh dự báo phần lợi suất không giải thích được bởi mô hình định giá tài sản - đặt nền tảng xem cảm xúc như nhân tố rủi ro có thể định giá. Tại thị trường Việt Nam với >90% khối lượng từ nhà đầu tư cá nhân, lập luận của Black (1986) về noise trading khuếch đại biến động đặc biệt phù hợp.

2.2. NLP và đo lường cảm xúc tài chính

Tetlock (2007) thiết lập chuẩn mực đo lường cảm xúc qua nội dung báo chí tài chính; Loughran và McDonald (2011) phát triển từ điển chuyên biệt tài chính, chỉ ra sai lệch của từ điển đa dụng trong ngữ cảnh tài chính. Kiến trúc BERT (Devlin et al., 2019) và FinBERT (Yang et al., 2020) tạo bước nhảy vọt bằng mô hình hóa ngữ cảnh hai chiều. PhoBERT (Nguyen và Nguyen, 2020), huấn luyện trên 20GB văn bản tiếng Việt, là công cụ tương đương thiết kế riêng cho tiếng Việt, đạt F1-score 92,1% trên UIT-VSFC.

2.3. Cảm xúc, biến động và khoảng trống nghiên cứu

Engle (1982) và Bollerslev (1986) phát triển họ ARCH/GARCH để mô hình hóa clustering biến động. Haritha và Rishad (2020), nghiên cứu tại Ấn Độ bằng GARCH và Granger, kết luận cảm xúc bất hợp lý là nguyên nhân có ý nghĩa thống kê của biến động vượt mức tại thị trường mới nổi. Panda et al. (2021) tại châu Á-Thái Bình Dương xác nhận thiên lệch thông tin tiêu cực lan truyền mạnh hơn vào biến động so với thông tin tích cực. Hiện nay, tại Việt Nam chưa có nghiên cứu nào ứng dụng khuôn khổ GARCH-Sentiment kết hợp NLP tiếng Việt chất lượng cao. Đây là khoảng trống cốt lõi mà nghiên cứu này mong muốn lấp đầy.

3. Phương pháp nghiên cứu

3.1. Xây dựng chỉ số DNSI

Chỉ số cảm xúc tin tức hàng ngày (DNSI_it) được xây dựng qua ba bước. Bước 1 - Thu thập: toàn bộ tin tức gắn mã ticker trên CafeF được thu thập, loại bỏ trùng lặp và chuẩn hóa bằng RDRSegmenter. Bước - Phân loại: PhoBERT phân loại mỗi bài thành POS/NEG/NEU kèm confidence score c ∈ [0,1]. Bước 3 - Tổng hợp có trọng số:

DNSI_it = Σ_j (s_ij × c_ij) / Σ_j c_ij

trong đó s_ij ánh xạ nhãn phân loại: POS → [+0,5; +1,0], NEU → [−0,1; +0,1], NEG → [−1,0; −0,5] theo confidence. DNSI_it ∈ [−1, +1]; giá trị dương biểu thị cảm xúc tích cực. Ngày không có tin được forward-fill tối đa 3 ngày, sau đó gán 0.

3.2. Hồi quy bảng tác động cố định (FE)

Mô hình kiểm định vai trò của cảm xúc trong giải thích lợi suất:

r_it = α_i + β₁·DNSI_it + β₂·DNSI_i,t-1 + β₃·DNSI_i,t-2 + Σ_k γ_k·X_ikt + ε_it

trong đó r_it là lợi suất nhật ký; α_i là tác động cố định cổ phiếu; X_ikt là véc-tơ kiểm soát gồm lợi suất thị trường VN-Index, khối lượng giao dịch bất thường, RSI và MACD chuẩn hóa. Sai số chuẩn cluster-robust theo cổ phiếu.

3.3. Mô hình Sentiment-GARCH(1,1)

Mô hình kiểm định tác động cảm xúc lên điều kiện phương sai, tách DNSI thành thành phần dương và âm:

h_it = ω + α·u²_{i,t-1} + β·h_{i,t-1} + δ₊·DNSI⁺_it + δ₋·DNSI⁻_it

Nếu |δ₋| > |δ₊|, tồn tại bất đối xứng âm: tin tiêu cực khuếch đại biến động mạnh hơn tin tích cực. Mô hình ước lượng bằng MLE với phân phối t-Student.

3.4. Kiểm định nhân quả Granger

Kiểm định Granger (1969) thực hiện theo cặp (DNSI, r) và (DNSI, |r|) cho từng cổ phiếu, độ trễ tối ưu theo AIC. Chiều ngược lại (r → DNSI) cũng được kiểm định. Tất cả chuỗi được kiểm định tính dừng ADF trước.

4. Dữ liệu

Bộ dữ liệu bảng không cân bằng giai đoạn 01/01/2019-31/03/2026 gồm 10 cổ phiếu HOSE đại diện 5 nhóm ngành ICB Level 2: Ngân hàng (VCB, TCB, MBB), Dịch vụ tài chính (SSI, VND), Bất động sản (VIC, TCH), Vật liệu cơ bản (HPG), Thực phẩm và Đồ uống (VNM) và Công nghiệp (GMD). Dữ liệu giá và khối lượng từ Simplize (điều chỉnh cổ tức). Dữ liệu tin tức thu thập từ CafeF, tổng cộng 17.820 quan sát ngày-cổ phiếu sau loại bỏ ngày nghỉ và thiếu dữ liệu.

Bảng 1. Thống kê mô tả DNSI và lợi suất nhật ký theo nhóm ngành

Ghi chú: TB = trung bình; ĐLC = độ lệch chuẩn; Corr = tương quan Pearson.

Nguồn: Tính toán của nhóm tác giả.

5. Kết quả nghiên cứu

5.1. Hồi quy bảng tác động cố định

Bảng 2 trình bày kết quả ước lượng hồi quy FE. Hệ số DNSI_it dương và có ý nghĩa thống kê ở mức 1% (β = 0,0312, t = 4,87): tăng 1 điểm DNSI tương ứng lợi suất ngày tăng thêm trung bình 3,12 điểm phần trăm. DNSI_i,t-1 (β = 0,0184***) và DNSI_i,t-2 (β = 0,0097*) cũng có ý nghĩa, xác nhận hiệu lực tồn lưu trên 2 ngày. R² gia tăng khi đưa DNSI vào mô hình là 14,2% - nhất quán với khoảng 12-16% được báo cáo tại các thị trường mới nổi khác.

Bảng 2. Kết quả hồi quy bảng FE (biến phụ thuộc: lợi suất nhật ký r_it)

Ghi chú: *p<0,10; **p<0,05; ***p<0,01. Sai số chuẩn cluster-robust. N = 17.820.

Nguồn: Nhóm tác giả.

5.2. Sentiment-GARCH(1,1) và bất đối xứng cảm xúc

Bảng 3 trình bày kết quả ước lượng MLE. Tổng α + β = 0,941 xác nhận biến động clustering mạnh. δ₊ = 0,0043 (p<0,05) và δ₋ = −0,0074 (p<0,01) đều có ý nghĩa. Tỷ lệ |δ₋|/|δ₊| = 1,72 xác nhận bất đối xứng: cú sốc tiêu cực khuếch đại biến động gấp 1,72 lần cú sốc tích cực cùng độ lớn - nhất quán với lý thuyết prospect theory (Kahneman và Tversky, 1979). Nhóm Dịch vụ TC-BĐS có tỷ lệ cao nhất (1,93); nhóm phòng thủ thấp nhất (1,71).

Bảng 3. Kết quả Sentiment-GARCH(1,1) - Phương trình phương sai điều kiện

Ghi chú: *p<0,10; **p<0,05; ***p<0,01. DV TC: Dịch vụ tài chính; BĐS: Bất động sản.

Nguồn: Nhóm tác giả.

5.3. Kiểm định nhân quả Granger

Bảng 4 tổng hợp kết quả kiểm định Granger. Chiều DNSI → r có ý nghĩa ở 8/10 cổ phiếu với độ trễ tối ưu 1-3 ngày, xác nhận DNSI chứa thông tin dự báo về lợi suất ngoài thông tin nội sinh. Hai cổ phiếu không có ý nghĩa (VNM, GMD) thuộc nhóm phòng thủ - ít bị chi phối bởi cảm xúc ngắn hạn. Chiều ngược lại r → DNSI có ý nghĩa ở 4/10 cổ phiếu (VIC, SSI, VND, HPG), cho thấy vòng phản hồi hai chiều tại nhóm đầu cơ cao: giá tăng mạnh thu hút tin tích cực. Hiệu lực tồn lưu trung bình 3,4 ngày giao dịch, phản ánh tốc độ xử lý thông tin chậm hơn so với thị trường phát triển.

Bảng 4: Kết quả kiểm định nhân quả Granger theo cổ phiếu

Ghi chú: ***p<0,01; **p<0,05; n.s. = không có ý nghĩa thống kê.

Nguồn: Nhóm tác giả.

6. Thảo luận và hàm ý chính sách

6.1. Cảm xúc như nhân tố rủi ro có thể đo lường

Kết quả từ 3 phương pháp kinh tế lượng cung cấp bằng chứng nhất quán: DNSI là nhân tố rủi ro riêng biệt với khả năng giải thích độc lập có ý nghĩa thống kê đối với cả lợi suất lẫn biến động tại HOSE. Mức đóng góp 14,2% vào R² lớn hơn mức 8-12% tại thị trường phát triển, phù hợp với lập luận của Baker và Wurgler (2006) rằng cảm xúc tác động mạnh hơn khi giá trị cơ bản khó định lượng và tỷ lệ nhà đầu tư cá nhân cao. Tỷ lệ bất đối xứng 1,72 tương đồng với mức 1,5-2,0 tại các thị trường mới nổi tương tự.

6.2. Hàm ý cho giám sát thị trường

Phát hiện vòng phản hồi 2 chiều tại nhóm cổ phiếu đầu cơ cao (VIC, SSI, VND) có hàm ý giám sát quan trọng: cảm xúc tiêu cực gây áp lực giá giảm, giá giảm lại lan rộng cảm xúc tiêu cực, tạo vòng khuếch đại có thể dẫn đến bán tháo không căn cứ. Ủy ban Chứng khoán Nhà nước có thể cân nhắc theo dõi DNSI theo thời gian thực như chỉ báo sớm (early warning indicator) về rủi ro biến động cực đoan. Độ trễ 3,4 ngày cũng gợi ý thị trường Việt Nam chưa đạt dạng hiệu quả bán mạnh, hỗ trợ chính sách tăng cường chất lượng công bố thông tin doanh nghiệp.

6.3. Hàm ý cho quản trị rủi ro danh mục

Phân hóa ngành cung cấp cơ sở phân loại rủi ro cảm xúc: nhóm Dịch vụ TC-BĐS (tỷ lệ bất đối xứng 1,93, tồn lưu 4-5 ngày) cần phòng ngừa cảm xúc nhiều nhất; nhóm phòng thủ (VNM, GMD) với tác động thấp và phân rã nhanh phù hợp làm neo ổn định danh mục. Nhà đầu tư tổ chức có thể tích hợp DNSI vào điều chỉnh hedge ratio trong các giai đoạn cảm xúc thị trường cực đoan.

6.4. Hạn chế và hướng nghiên cứu tiếp theo

Nghiên cứu có một số hạn chế: DNSI chỉ phản ánh báo chí chính thống, bỏ qua mạng xã hội và diễn đàn chứng khoán; GARCH(1,1) tuyến tính không nắm bắt đuôi phân phối cực đoan; mẫu 10 cổ phiếu VN30 tạo survivorship bias. Hướng tiếp theo: tích hợp dữ liệu đa kênh; ứng dụng GJR-GARCH/EGARCH; mở rộng sang cổ phiếu ngoài VN30; phân tích chuyển đổi trạng thái (regime-switching).

7. Kết luận

Nghiên cứu cung cấp bằng chứng thực nghiệm có hệ thống và đầu tiên tại Việt Nam về cảm xúc nhà đầu tư được lượng hóa bằng NLP tiếng Việt như một nhân tố rủi ro riêng biệt có ý nghĩa kinh tế và thống kê. 4 phát hiện chính: biến cảm xúc giải thích thêm 14,2% phương sai lợi suất; tác động lên biến động bất đối xứng với hệ số 1,72; nhân quả có ý nghĩa ở 8/10 cổ phiếu với quan hệ 2 chiều ở nhóm đầu cơ cao; và hiệu lực tồn lưu trung bình 3,4 ngày. Phân hóa rõ theo ngành - mạnh nhất tại Dịch vụ TC và BĐS, thấp nhất tại nhóm phòng thủ - cung cấp cơ sở phân loại rủi ro thực tiễn. Kết quả bổ sung bằng chứng cho tài chính hành vi từ thị trường mới nổi có đặc thù ngôn ngữ riêng, đồng thời cung cấp hàm ý chính sách cụ thể cho cơ quan quản lý và nhà đầu tư tổ chức.

TÀI LIỆU THAM KHẢO:

Đào, L. K. O., & Nguyễn, T. M. C. (2024). Dự báo chỉ số chứng khoán bằng học máy: Bằng chứng thực nghiệm từ thị trường chứng khoán Việt Nam. Tạp chí Kinh tế và Dự báo. https://kinhtevadubao.vn/du-bao-chi-so-chung-khoan-bang-hoc-may-bang-chung-thuc-nghiem-tu-thi-truong-chung-khoan-viet-nam-29030.html

Trần, T. Đ. T. (2024). Đánh giá hiệu suất mô hình phức hợp LSTM-GRU: nghiên cứu điển hình về dự báo chỉ số đo lường xu hướng biến động giá cổ phiếu trên sàn giao dịch chứng khoán TP. Hồ Chí Minh. Tạp chí Khoa học Đại học Cần Thơ, 60(1), 235-249.

Baker, M., & Wurgler, J. (2006). Investor sentiment and the cross-section of stock returns. Journal of Finance, 61(4), 1645-1680.

Black, F. (1986). Noise. Journal of Finance, 41(3), 529-543.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327.

De Long, J. B., Shleifer, A., Summers, L. H., & Waldmann, R. J. (1990). Noise trader risk in financial markets. Journal of Political Economy, 98(4), 703-738.

Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171-4186.

Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987-1007.

Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. Journal of Finance, 25(2), 383-417.

Granger, C. W. J. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424-438.

Haritha, P. H., & Rishad, A. (2020). An empirical examination of investor sentiment and stock market volatility: Evidence from India. Financial Innovation, 6(1), 34. https://doi.org/10.1186/s40854-020-00198-x

Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263-292.

Loughran, T., & McDonald, B. (2011). When is a liability not a liability? Textual analysis, dictionaries, and 10-Ks. Journal of Finance, 66(1), 35-65.

Nguyen, D. Q., & Nguyen, A.-T. (2020). PhoBERT: Pre-trained language models for Vietnamese. Findings of EMNLP 2020, 1037-1042.

Panda, A. K., Panda, P., Nanda, S., & Parad, A. (2021). Information bias and its spillover effect on return volatility: A study on stock markets in the Asia-Pacific region. Pacific-Basin Finance Journal, 69, 101653.

Shiller, R. J. (1981). Do stock prices move too much to be justified by subsequent changes in dividends? American Economic Review, 71(3), 421-436.

Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. Journal of Finance, 62(3), 1139-1168.

Yang, L., UY, M. C. S., & Huang, A. (2020). FinBERT: A pretrained language model for financial communications. arXiv preprint arXiv:2006.08097.

The impact of investor sentiment on stock return volatility and returns: Evidence from the Vietnamese stock market

 Nguyen Huynh Anh Vu¹*

Le Tan Phat¹

Nguyen Hoang Bien¹

Bui Nguyen Duc Nhan²

¹Ho Chi Minh City University of Banking

²Ton Duc Thang University

*Corresponding author

Email: vunha@hub.edu.vn

ABSTRACT:

This study examines the impact of investor sentiment on stock return volatility on the Ho Chi Minh Stock Exchange (HoSE) during the period 2019–2026. Investor sentiment is quantified using a fine-tuned PhoBERT model applied to 187,430 financial news articles from CafeF. Employing fixed-effects panel regression, Sentiment-GARCH(1,1) modelling, and Granger causality tests on a multi-sector panel of ten listed stocks, the study finds that sentiment explains an additional 14.2% of return variance beyond firm-level fundamentals. The results further reveal pronounced asymmetric effects, with negative news amplifying volatility 1.72 times more strongly than equivalent positive news. Granger causality is detected in eight of the ten stocks, with sentiment effects persisting for an average of 3.4 trading days. These findings highlight the significant role of financial news sentiment in shaping market volatility and offer important implications for market surveillance, information disclosure, and portfolio risk management in Vietnam.

Keywords: investor sentiment, return volatility, Sentiment-GARCH, behavioural finance, PhoBERT, HoSE.