LỜI CAM ĐOAN
Tôi xin cam đoan luận văn Thạc sĩ Kinh tế với đề tài “Nghiên cứu
tác động công cụ Google đến tỷ suất sinh lợi chứng khoán trên thị trường
chứng khoán Việt Nam ” là công trình nghiên cứu của cá nhân tôi, dưới sự
hướng dẫn khoa học của PGS.TS. Nguyễn Thị Liên Hoa.
Những nội dung nghiên cứu và kết quả nghiên cứu trong luận văn là trung
thực, dữ liệu trong nghiên cứu được thu thập từ những nguồn đáng tin cậy.
TP.HCM, ngày 15 tháng 10 năm 2016
Tác giả

Lê Trần Công Quyền


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

LÊ TRẦN CÔNG QUYỀN

NGHIÊN CỨU TÁC ĐỘNG CÔNG CỤ GOOGLE
ĐẾN TỶ SUẤT SINH LỢI CHỨNG KHOÁN TRÊN
THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM
Chuyên ngành
Mã số

: Tài chính – Ngân hàng
: 60340201

LUẬN VĂN THẠC SĨ KINH TẾ

NGƯỜI HƯỚNG DẪN KHOA HỌC:
PGS.TS. NGUYỄN THỊ LIÊN HOA


1.5.

Phương pháp nghiên cứu ............................................................................ 5

1.6.

Tính mới của luận văn................................................................................. 5

1.7.

Cấu trúc luận văn ........................................................................................ 5

CHƯƠNG II. TỔNG QUÁT CÁC NGHIÊN CỨU TRƯỚC ĐÂY ................... 6
CHƯƠNG III. PHƯƠNG PHÁP NGHIÊN CỨU ............................................. 17
3.1.

Dữ liệu nghiên cứu ..................................................................................... 17

3.2.

Mô hình và các biến trong mô hình ......................................................... 21

CHƯƠNG IV.

KẾT QUẢ NGHIÊN CỨU TẠI CÁC CÔNG TY NIÊM YẾT

TRÊN SÀN CHỨNG KHOÁN GIAO DỊCH TPHCM. ...................................... 28
4.1.


PHỤ LỤC 1
PHỤ LỤC 2


DANH MỤC BẢNG
Bảng 3.1. Danh sách 36 công ty trên sàn Hose được đưa vào nghiên cứu. ........ 18
Bảng 4.1: Kết quả hồi quy

theo phương pháp Pooled OLS ........................... 29

Bảng 4.2: Kết quả hồi quy Breusch-Pagan LM cho mô hình (1) ........................ 29
Bảng 4.3: Mô hình hồi quy

theo phương pháp FE ......................................... 30

Bảng 4.4: Mô hình hồi quy

theo phương pháp RE ......................................... 31

Bảng 4.5: Kết quả hồi quy từ kiểm định Hausman.............................................. 32
Bảng 4.6. Mức ý nghĩa thống kê của kiểm định F-test cho các độ trễ khác nhau
trong mô hình (1) và (2). ......................................................................................... 33
Bảng 4.7. Bảng thống kê các biến độc lập của mô hình (1). ................................ 34
Bảng 4.8: Mô hình hồi quy (1) với phương pháp RE........................................... 35
Bảng 4.9: Mô hình hồi quy (2) với phương pháp RE........................................... 37
Bảng 4.10: Kết quả tổng hợp mô hình (1) và mô hình (2). .................................. 39
Bảng 4.11: Kết quả hồi quy mô hình (2) giai đoạn khủng hoảng 2008-2009. .... 42
Bảng 4.12: Kết quả hồi quy mô hình (2) giai đoạn sau khủng hoảng 2010-2012.43
Bảng 4.13. Kết quả hồi quy mô hình (2) với 2 giai đoạn: Giai đoạn trong khủng
hoảng (2008-2009) và giai đoạn sau khủng hoảng (2010-2012). ......................... 44

DANH MỤC HÌNH
Hình 3.1: Giao diện trang Google Trend và các ghi chú liên quan tới việc tải số
liệu GSV. .................................................................................................................. 25
Hình 5.1. Biểu đồ thể hiện sự khác nhau của chiến lược giao dịch và chiến lược
danh mục trọng số cân bằng với cùng tập hợp các công ty................................. 57
Hình 5.2. Biểu đồ thể hiện sự khác nhau của chiến lược giao dịch đã bao gồm
chi phí giao dịch và chiến lược trọng số cân bằng với cùng tập hợp các công ty.59


DANH MỤC CHỮ VIẾT TẮT
FE

: Mô hình hồi quy tác động cố định

GDP

: Tổng sản phẩm quốc nội

GSV

: Khối lượng tìm kiếm Google

HOSE

: Sở giao dịch chứng khoán TP.HCM

NTĐ

: Nhà đầu tư


khác nhau, nhưng kết quả lại rất lợi ích. Nhiều nghiên cứu đã nghiên cứu về mối
quan hệ này như Moat và cộng sự (2013), người sử dụng con số thống kê ghé thăm
Wikipedia để dự đoán lợi nhuận chứng khoán, Bollen và cộng sự (2011) nghiên cứu
mối quan hệ công cụ Twitter và lợi nhuận chứng khoán. Laurens Bijl và cộng sự
(2016) nghiên cứu ảnh hưởng của khối lượng tìm kiếm Google (GSV) về lợi nhuận
thị trường chứng khoán.
Tuy nhiên, ở Việt Nam, mối quan hệ của các công cụ tìm kiếm và lợi nhuận
chứng khoán còn tương đối mới, chỉ có một số nhà nghiên cứu quan tâm. Vì vậy,
tác giả đã kế thừa các nghiên cứu trước đây, đặc biệt là bài nghiên cứu “Google
searches and stock returns” được thực hiện bởi Laurens Bijl, Glenn Kringhaug,
Peter Molnár và Eirik Sandvik để xác định mối quan hệ của công cụ tìm kiếm
Google Trends, cụ thể là khối lượng tìm kiếm Google (Google search) với tỷ suất
sinh lợi vượt trội chứng khoán. Bài nghiên cứu sử dụng tập dữ liệu từ năm 2008 đến
năm 2012, kiểm định tính vững tới năm 2013, tác giả thấy rằng khối lượng tìm kiếm
của Google càng cao dẫn đến tỷ suất sinh lợi vượt trội dương. Tác giả cũng xem xét
một chiến lược giao dịch dựa vào việc mua cổ phiếu có số lượng tìm kiếm Google
cao. Chiến lược này là có lợi nhuận khả quan khi các chi phí giao dịch không được
đưa vào tính toán nhưng không có lợi nhuận thậm chí là lỗ nếu tác giả đưa vào chi
phí giao dịch.


2

CHƯƠNG I.
1.1.

GIỚI THIỆU

Lý do chọn đề tài


trong sự nhất trí vào hai lĩnh vực: có thể hay không thể dự đoán biến động thị
trường chứng khoán, và thứ hai, những tác động nào của dự đoán trước đó giúp
chúng ta hiểu biết về thị trường tài chính. Sự tập trung và quan điểm của các nhà
nghiên cứu đã thay đổi theo thời gian. Nghiên cứu sớm nhất được dựa trên một giả
thuyết thị trường hiệu quả tuyên bố rằng giá cổ phiếu được điều khiển bởi các thông
tin mới và do đó theo một con đường ngẫu nhiên tương tự như xuất hiện của các
thông tin mới là ngẫu nhiên (Fama, 1965). Nghiên cứu sau đó đã kiểm tra giả thuyết
thị trường hiệu quả theo một cách phản biện hơn (Ang và Bekaert, 2007; Burton,
năm 2003; Campbell và Yogo, 2006; Cochrane, 2008; Lo và Mackinlay, 1988). Các
nhà nghiên cứu này cho rằng dựa trên những bất hợp lý của thị trường hoặc ngay cả
với những yếu tố mà các tác giả thu thập được như lãi suất ngắn hạn, cổ tức…đều
có thể dự khoán được tỷ suất sinh lợi chứng khoán trong thời gian ngắn hạn. Các
nhà nghiên cứu gần đây đã ngày càng tập trung vào tác động của cảm xúc đầu tư, tài
chính hành vi trong việc dự đoán tỷ suất sinh lợi của chứng khoán (Baker và
Wurgler, 2006; Barberis và cộng sự, 1998). Và dựa vào sự phát triển nhanh chóng
của công nghệ Internet, các công cụ kết nối mạng xã hội, các nhà nghiên cứu đã bắt
đầu sử dụng ngày càng nhiều hơn dữ liệu có sẵn từ các bài báo (Tetlock, 2007),
Twitter (Bollen và cộng sự, 2011), Wikipedia (Moat và cộng sự, 2013) và Google
Trends (Damien và Ahmed, 2013; Preis và cộng sự, 2013; Preis và cộng sự, 2010).
Google ghi lại các dữ liệu tìm kiếm cho tất cả các thuật ngữ tìm kiếm mà
đạt được một số lượng tìm kiếm nhất định, và nó có thể tải về chỉ số tìm kiếm lịch
sử về các mục tìm kiếm thông qua công cụ Google Trends. Tìm kiếm Google là
công cụ tìm kiếm phổ biến nhất trên Web. Tác giả nhận thấy dữ liệu tìm kiếm
Google là một công cụ hữu ích giúp các nhà đầu tư có thể tạo ra được một danh
mục đầu tư sinh lợi vượt trội hiện nay. Một số nghiên cứu trước đó được thực hiện
để dự báo thị trường tài chính dựa trên cơ sở dữ liệu của Google Trends, nhưng với
nhiều kết quả hỗn hợp. Preis và cộng sự (2010) nghiên cứu mối tương quan giữa lợi
nhuận và khối lượng tìm kiếm tên công ty, nhưng họ không tìm thấy bất kỳ mối liên
hệ đáng kể. Thay vào đó, họ tìm thấy bằng chứng mạnh mẽ rằng dữ liệu tìm kiếm


-

Xác định chiến lược phân bổ danh mục năng động tạo ra kết

quả tích cực hơn so với chỉ số danh mục thị trường Vn-Index.
1.3.

Đối tượng nghiên cứu

Đối tượng của đề tài là mối quan hệ giữa khối lượng tìm kiếm Google và tỷ
suất sinh lợi vượt trội của chứng khoán trong chỉ số VN-Index.
1.4.

Phạm vi nghiên cứu


5

Dữ liệu là tập hợp giá chứng khoán, khối lượng giao dịch, GSV của 36
công ty niêm yết trên sàn Hose trong 256 tuần giao dịch giai đoạn từ 1/1/2008 đến
31/12/2012.
1.5.

Phương pháp nghiên cứu

Luận văn sử dụng phương pháp nghiên cứu định lượng, phương pháp hồi
quy dữ liệu bảng Random Effects được thực hiên trong phần mềm Stata 12.
1.6.

Tính mới của luận văn

định rằng một thị trường hiệu quả được định nghĩa là một thị trường mà ở đó có một
số lượng lớn cá nhân duy lý, tối đa hóa lợi nhuận bằng cách tích cực cạnh tranh,
cố gắng dự đoán giá tương lai của từng cổ phiếu, và những thông tin quan trọng là
gần như có sẵn miễn phí với tất cả những người tham gia. Trong một thị trường
hiệu quả, cạnh tranh giữa rất nhiều người tham gia hiểu biết sẽ dẫn đến một kết cục
mà ở đó, vào một thời điểm bất kỳ, giá cổ phiếu đã phản ánh hết những tác động
của thông tin dựa vào những sự kiện đã diễn ra và cả những sự kiện mà tại thời
điểm đó, thị trường kỳ vọng sẽ diễn ra trong tương lai. Hay nói cách khác, trong
một thị trường hiệu quả, tại bất kỳ thời điểm nào, giá thực tế của một cổ phiếu chính
là một dự báo tốt nhất cho giá trị nội tại của chính nó”. Như vậy, giả thuyết thị
trường hiệu quả có hàm ý rất thâm thúy khi chúng ta đều biết hầu hết các nhà đầu tư
khi mua hoặc bán cổ phiếu đều giả định rằng cổ phiếu họ mua có giá trị cao hơn giá
phải trả hoặc cổ phiếu họ bán có giá trị thấp hơn giá bán. Tuy nhiên, thị trường là
hiệu quả và giá hiện tại đã phản ánh hết tất cả thông tin, là kỳ vọng hợp lý nhất về
giá trị nội tại của cổ phiếu, do đó việc mua hoặc bán cổ phiếu nhằm chiến thắng thị
trường sẽ chẳng có ý nghĩa gì cả vì việc kiếm được lợi nhuận vượt trội hoàn toàn
phụ thuộc vào may rủi. Fama (1970) đưa ra cách phân loại mức độ hiệu quả theo
các dạng yếu, trung bình, mạnh căn cứ vào mức độ tương đối của các nguồn thông
tin sẵn có. Có ba dạng giả thuyết thị trường hiệu quả như sau:


7



Giả thuyết thị trường hiệu quả dạng yếu nói rằng giá cổ phiếu đã phản
ánh tất cả những thông tin có được từ dữ liệu giao dịch thị trường như
giá lịch sử, khối lượng giao dịch. Nếu thị trường tuân theo giả thuyết thị
trường hiệu quả dạng yếu, thì chuyên ngành phân tích kỹ thuật, phương
pháp xác định xu hướng và biến động giá cổ phiếu trong tương lai dựa

sánh ước lượng phương sai bắt nguồn từ việc dữ liệu được lấy mẫu ở các tuần khác


8

nhau. Mô hình bước đi ngẫu nhiên bị bác bỏ mạnh mẽ cho toàn bộ tuần mẫu (19621985) và cho tất cả tuần con cho một loạt các chỉ số lợi nhuận tổng hợp và danh
mục đầu tư được chọn lọc theo quy mô. Các tác giả đã bác bỏ giả thuyết bước đi
ngẫu nhiên cho lợi nhuận chứng khoán hàng tuần bởi việc sử dụng kiểm định đặc
tính biến động đơn giản. Các kết quả của Lo và Mackinlay (1988) áp đặt các giới
hạn cho việc thiết lập các mô hình kinh tế hợp lý về việc định giá tài sản: bất kỳ mô
hình cấu trúc của sự hình thành giá cả hợp lý phải được giải thích bởi mô hình chuỗi
thời gian nối tiếp trong dữ liệu hàng tuần. Như một công cụ mô tả thuần túy cho
việc kiểm định sự tiến triển ngẫu nhiên qua thời gian, kiểm định đặc tính biến động
đơn giản của Lo và Mackinlay (1988) cũng phục vụ mục đích hữu ích về sự hình
thành giá trong tương lai. Việc dự đoán tỷ suất sinh lợi trong 1 giai đoạn ngắn thông
qua tỷ lệ cổ tức đã được Ang và Bekaert (2007) thực hiện. Các tác giả này kiểm tra
sức mạnh dự đoán của tỷ suất cổ tức cho việc dự báo tỷ suất sinh lợi vượt trội, dòng
tiền và lãi suất. Tỷ suất cổ tức dự báo tỷ suất sinh lợi vượt trội chỉ trong khoản tuần
ngắn hạn kết hợp với lãi suất ngắn hạn và không có bất kỳ sức mạnh dự báo nào
trong dài hạn. Trong tuần ngắn hạn, lãi suất ngắn hạn cao dự báo lợi nhuận tiêu cực.
Những kết quả này có tính vững trong dữ liệu quốc tế và không thiếu sức mạnh tiên
đoán. Một mô hình giá trị hiện tại phù hợp với các dữ liệu cho thấy tỷ lệ chiết khấu
và diễn biến lãi ngắn hạn đóng một vai trò lớn trong việc giải thích sự thay đổi tỷ
suất cổ tức. Ang và Bekaert (2007) cũng cho thấy rằng tỷ suất cổ tức hoàn toàn có
thể dự đoán dòng tiền tương lai. Tương tự, trong Campbell và Yogo (2006), các tác
giả đã chỉ ra rằng có bằng chứng thực sự cho khả năng dự báo lợi nhuận cổ phiếu,
nhưng nó là khó khăn hơn để phát hiện so với nghiên cứu trước đó đã gợi ý. Các
yếu tố phổ biến nhất và hợp lý về mặt kinh tế cho các biến dự đoán (như tỷ lệ cổ
tức-giá, tỷ lệ thu nhập-giá, hoặc các cách đo lường của lãi suất) được đánh giá ổn
định cao. Trong khi các biến dự đoán là vững, sự phân phối thống kê t có thể không

bày một mô hình chặt chẽ về tâm lý của nhà đầu tư, hay làm thế nào mà nhà đầu tư
hình thành kỳ vọng thu nhập trong tương lai. Các tác giả đề xuất được thúc đẩy bởi
một loạt các bằng chứng về tâm lý trong việc đưa ra dự báo, mọi người chú quá
nhiều đến mức độ của các bằng chứng họ có và quá ít quan tâm đến trọng lượng con
số thống kê của nó. Các tác giả giả sử rằng các doanh nghiệp thông báo thông tin
thu nhập hiện tại đó là có sức mạnh thấp nhưng trọng lượng thống kê có ý nghĩa.


10

Giả định này đã mang lại những dự đoán rằng giá cổ phiếu phản ứng dưới mức đối
với thông báo thu nhập và các sự kiện tương tự. Các tác giả đã giả định thêm rằng
mô hình nhất quán của thông tin, chẳng hạn như hàng loạt thông báo thu nhập tốt,
thể hiện thông tin đó là mức độ cao và trọng lượng thấp. Giả định này đã mang lại
một dự đoán rằng giá chứng khoán phản ứng thái quá với các mẫu phù hợp các tin
tức tốt hay xấu. Barberis và cộng sự (1998) làm cho các giả định hợp lý, và có khả
năng hỗ trợ thực nghiệm, về mức độ và trọng lượng của các phần khác nhau của
bằng chứng và ý nghĩa thực nghiệm ban đầu từ các giả định này. Tuy nhiên, để đẩy
nghiên cứu này xa hơn nữa, điều quan trọng là phát triển một cách tiên nghiệm phân
loại các sự kiện của chúng về mức độ và trọng lượng, và để đưa ra dự đoán hơn nữa
dựa trên sự phân loại như vậy. Nếu tin tức có thể được phân loại trên cơ sở ưu tiên,
điều dự đoán là có thể kiểm chứng. Có vẻ như là một số bằng chứng phù hợp với dự
đoán này. Ví dụ, giá chứng khoán bật mạnh trở lại trong vài tuần sau khi vụ hoảng
loạn của năm 1987. Một cách giải thích của vụ hoảng loạn này là nhà đầu tư thái
quá với tin tức, hoảng sợ bán ra của các nhà đầu tư khác mặc dù có rất ít thông tin
cơ bản về giá trị bảo đảm. Vì vậy, các vụ hoảng loạn ở một sự kiện tin tức có thể
gây ra phản ứng quá mức. Baker và Wurgler (2006) cũng đã kiểm tra làm như thế
nào tình cảm nhà đầu tư ảnh hưởng đến dữ liệu chéo của lợi nhuận cổ phiếu. Lý
thuyết dự đoán rằng một sự lan rộng về mặt tâm lý sẽ ảnh hưởng không cân xứng
đến các cổ phiếu mà giá trị của chúng là rất chủ quan và rất khó để kinh doanh

chuyện như Twitter. Hành vi kinh tế cho chúng ta biết rằng những cảm xúc sâu sắc
có thể ảnh hưởng đến hành vi cá nhân và ra quyết định. Điều này cũng áp dụng đối
với các xã hội rộng lớn, tức là, xã hội có thể trải nghiệm trạng thái tâm trạng mà ảnh
hưởng đến việc ra quyết định tập thể của họ. Bollen và cộng sự (2011) bằng cách
mở rộng được tâm trạng nào tương quan hay thậm chí dự đoán của các chỉ số kinh
tế. Ở đây, họ điều tra xem liệu việc đo lường tâm trạng tập thể xuất phát từ quy mô
lớn việc phản hồi trên Twitter có tương quan với giá trị của chỉ số Dow Jones
Industrial Average (DJIA) theo thời gian. Bài nghiên cứu đã phân tích các nội dung
văn bản của các phản hồi trên Twitter hàng ngày bằng hai công cụ theo dõi tâm
trạng, cụ thể là OpinionFinder mà đo lường tâm trạng tích cực so với tâm trạng tiêu
cực và Google Profile of Mood States (GPOMS) để đo tâm trạng với 6 trạng thái:
Bình tĩnh, Cảnh báo, Chắc chắn, Năng động, Tử tế và Hạnh phúc. Bài báo còn


12

phân tích kiểm chứng chéo các kết quả chuỗi thời gian của tâm trạng bằng cách so
sánh khả năng của chúng để phát hiện phản ứng của công chúng đến cuộc bầu cử
tổng thống và ngày Lễ Tạ Ơn năm 2008. Một phân tích nguyên nhân Granger và
một Self-Organizing Fuzzy Neural Network sau đó được sử dụng để điều tra giả
thuyết rằng thể loại tâm trạng của công chúng, được đo bằng OpinionFinder và
chuỗi thời gian tâm trạng GPOMS, là tiên đoán những thay đổi trong giá trị đóng
cửa của DJIA. Kết quả của bài phân tích chỉ ra rằng sự chính xác của các dự đoán
chỉ số DJIA có thể được cải thiện đáng kể bởi sự bao gồm các khía cạnh tâm trạng
cụ thể nhưng những vấn đề khác thì không. Bài phân tích tìm thấy độ chính xác
87,6% trong việc dự đoán những thay đổi lên xuống hàng ngày trong các giá trị
đóng cửa của chỉ số DJIA và sự giảm giá trị sai số phần trăm trung bình hơn 6%.
Đối với cộng cụ tìm kiếm Wikipedia thì Moat và cộng sự (2013) đã cho thấy điều
thú vị hơn, khá rõ ràng hơn liên quan tới mối quan hệ với thị trường chứng khoán.
Bởi vì khủng hoảng tài chính là kết quả của sự kết hợp thảm họa của các hành động.

chống và kiểm soát dịch bệnh đưa ra cảnh báo. Carneiro và Mylonakis (2009) mô tả
công cụ Google Trends, giải thích dữ liệu được xử lý như thế nào và thảo luận về
những điểm mạnh và hạn chế của nó. Google Trends cho thấy nhiều hứa hẹn như
một hệ thống giám sát kịp thời, mạnh mẽ, và nhạy cảm. Nó được sử dụng tốt nhất
cho việc giám sát dịch bệnh với tỷ lệ nhiễm cao và hiện đang phù hợp tốt hơn để
theo dõi hoạt động bệnh ở các nước phát triển, bởi vì để có hiệu quả tốt nhất, đòi
hỏi các phần lớn người sử dụng tìm kiếm Web. Carneiro và Mylonakis (2009) đưa
ra khuyến nghị Google nên làm việc với các học viên chăm sóc sức khỏe cộng đồng
để phát triển các công cụ chuyên dụng, sử dụng Google Trends cho một kế hoạch
chi tiết, để theo dõi các bệnh truyền nhiễm. Tìm kiếm Web phù hợp để truy vấn cho
các bệnh cần phải được thiết lập cho các công cụ chuyên ngành hoặc giám sát hội
chứng. Công nghệ độc đáo và sáng tạo này đưa con người một bước gần hơn để
giám sát dịch bệnh trong thời gian thực. Không chỉ trong lĩnh vực y tế, mà trong
lĩnh vực tài chính thì Google Trend cũng là công cụ rất hữu ích, đặc biệt là trong
mối tương quan với lợi nhuận chứng khoán. Preis và cộng sự (2010) nghiên cứu
mối tương quan giữa lợi nhuận và khối lượng tìm kiếm tên công ty trên Google,
nhưng họ không tìm thấy bất kỳ mối liên hệ đáng kể. Thay vào đó, họ tìm thấy bằng
chứng mạnh mẽ rằng dữ liệu tìm kiếm của Google có thể được sử dụng để dự đoán


14

khối lượng giao dịch. Preis và cộng sự (2013) điều tra xem liệu các mục tìm kiếm
nói chung liên quan đến tài chính có thể được sử dụng để dự đoán biến động của thị
trường. Các tác giả đã nhóm các từ khóa tìm kiếm trên Google thành các chủ đề
khác nhau. Sau đó, các tác giả sử dụng Google Trends để so sánh khối lượng tìm
kiếm các chủ đề trong khoảng thời gian từ năm 2004 đến 2012 nhằm xem xét sự
biến động về giá của chỉ số S&P 500 (chỉ số cổ phiếu dựa trên cổ phiếu phổ thông
của 500 công ty có giá trị vốn hóa thị trường lớn nhất niêm yết trên NYSE hoặc
NASDAQ). Kết quả cho thấy, trong lịch sử, khối lượng tìm kiếm những chủ đề có

dụng một cách tiếp cận nghiêm ngặt hơn nhằm loại bỏ một vài độ chệch trong các
kết quả của Preis et al. (2013). Laurens Bijl và cộng sự (2016) điều tra xem dữ liệu
truy vấn tìm kiếm tên công ty có thể được sử dụng để dự đoán lợi nhuận cổ phiếu
hàng tuần cho các doanh nghiệp tư nhân. Laurens Bijl và cộng sự (2016) sử dụng
dữ liệu từ Dịch Vụ Dữ liệu Nghiên cứu Wharton (WRDS) và Google Trends. Các
dữ liệu thu được từ WRDS bao gồm giá mở cửa hàng ngày, số lượng, cổ tức và số
lượng cổ phiếu lưu hành cho các công ty trong chỉ số S&P 500 từ ngày 01 tháng 1
năm 2007 đến hết 31 tháng 12 năm 2013 với 431 biến quan sát là công ty trong chỉ
số S&P 500. Họ sử dụng hồi quy dữ liệu bảng với mô hình fixed effects. Kết quả
cho thấy GSV cao thực sự dự đoán lợi nhuận thấp trong tương lai. Mối quan hệ là
yếu nhưng vững và có ý nghĩa thống kê. Tuy vậy, hiệu ứng này là không đủ mạnh
để tạo thành một chiến lược kinh doanh có lợi nhuận do chi phí giao dịch. Hai
nghiên cứu liên quan nhất đến nghiên cứu này là Da và cộng sự (2011) và Joseph và
cộng sự (2011). Cả hai nghiên cứu tìm thấy rằng một GSV cao dự đoán lợi nhuận
cao trong tương lai cho một đến hai tuần đầu tiên với sự đảo ngược sau đó. Tuy
nhiên, những nghiên cứu này nghiên cứu giai đoạn từ năm 2004 đến năm 2008,
trong khi Laurens Bijl và cộng sự (2016) sử dụng nhiều dữ liệu gần đây bao gồm
các giai đoạn 2008-2013.
Còn tại Việt Nam, một số nghiên cứu chỉ dừng lại mối quan hệ giữa tài
chính hành vi và lợi nhuận thị trường chứng khoán. Ngô Thanh Tuyền (2014) đã xử
lý và phân tích dữ liệu về TTCK Việt Nam. Mẫu dữ liệu được thu thập từ tháng
ngày 1/3/2002 (thời điểm bắt đầu giao dịch suốt 5 ngày/tuần) đến ngày 30/4/2010
của chỉ số VN-Index và sử dụng mô hình của Hwang & Salmon (2004) để chứng


16

minh sự tồn tại và đo lường mức độ hành vi bầy đàn trên TTCK Việt Nam. Tức là
hành vi bầy đàn và tỷ suất sinh lợi chứng khoán có mối liên hệ với nhau.
Ngoài ra, theo tác giả tìm hiểu thì chưa hề có một nghiên cứu chuyên sâu

tháng 1 năm 2007 đến hết 31 tháng 12 năm 2013. Tác giả cần dữ liệu chứng khoán
từ năm 2007 để tính toán beta trung bình động 52 tuần cho các cổ phiếu trong năm
2008. Tác giả phân tích dữ liệu GSV từ 2008-2012 do sự thiếu độ tin cậy trong
GSV trước đến năm 2008. Các dữ liệu GSV mà tác giả sử dụng là chỉ số (có giá trị
từ 0-100) cho khối lượng tìm kiếm tại Việt Nam cho tên của các công ty trong chỉ
số VN-Index từ ngày 1 tháng 1 năm 2008 đến 31 tháng 12 năm 2012. Tác giả sử
dụng khung thời gian 2008-2012 cho chỉ số GSV bởi vì: thứ nhất, công cụ Google
Trend hiện tại chỉ trích xuất được dữ liệu theo tuần với khung thời gian nhỏ hơn
hoặc bằng 5 năm. Thứ hai, cùng với khung thời gian đó, tác giả sẽ tách giai đoạn từ
2008-1012 thành 2 giai đoạn nhỏ: 2008-2009 & 2010-1012, nhằm tìm lời giải cho
sự tác động trong trường hợp khủng hoảng tài chính diễn ra. Ngoài ra, tác giả còn