Xây dựng chỉ số điều kiện tài chính cho Việt Nam

PHÁT TRIỂN & HỘI NHẬP Số 21(31) - Tháng 03-04/2015
Nghiên Cứu & Trao Đổi 
18
1. Giới thiệu
Cuộc khủng hoảng tài chính 
toàn cầu kể từ năm 2008 đã đặt ra 
vấn đề về tầm quan trọng của việc 
nhận diện và đánh giá mối liên hệ 
giữa những điều kiện tài chính và 
nền kinh tế. Chẳng hạn ở châu Á, 
sự thắt chặt đột ngột về những điều 
kiện tài chính cuối năm 2008 đã tạo 
một sự sụt giảm mạnh trong sản 
lượng kinh tế (Onsorio cùng cộng 
sự (2011)). Tính phức tạp của khu 
vực tài chính đòi hỏi cần rất nhiều 
biến tài chính để có thể phản ánh 
đầy đủ những chức năng đặc trưng 
của khu vực này. Mặc dù từng chỉ 
số tài chính riêng lẻ có thể hữu ích 
cho việc dự báo hoạt động kinh tế ở 
từng thời điểm, sự thích hợp trong 
vai trò của chúng có thể thay đổi 
qua thời gian. Việc sử dụng một tập 
hợp lớn các thông tin từ các biến 
tài chính như lãi suất chính sách, 
lãi suất cho vay ngân hàng, giá cổ 
phiếu, điều kiện tín dụng, tỷ giá, 
v.v. có thể cho ra những tín hiệu dự 
báo mạnh. Việc kết hợp các biến số 
này trong một chỉ số thống kê tổng 
hợp đại diện cho môi trường tài 
chính như chỉ số điều kiện tài chính 
(FCI) là đặc biệt cần thiết cho nhu 
cầu phân tích chính sách tiền tệ của 
một quốc gia.
FCI là một kết hợp của nhiều 
biến tài chính, bao gồm cả những 
biến bên ngoài, nhằm mục đích 
đánh giá toàn bộ các điều kiện tài 
chính của nền kinh tế. FCI giúp 
nhận biết và đánh giá mối liên hệ 
vĩ mô và cung cấp dự báo mang 
tính lịch sử để so sánh sự thắt chặt 
và nới lỏng tương đối của những 
điều kiện tài chính. Chính vì vậy, 
chỉ số FCI hữu ích cho việc thực 
thi chính sách tiền tệ vì nó nắm bắt 
được các kênh truyền dẫn tiền tệ. 
Về mặt cơ chế, FCI sẽ loại bỏ ảnh 
hưởng chu kỳ của các biến kinh tế 
vĩ mô về khía cạnh thực để sau khi 
được ‘làm sạch’ chỉ số này sẽ chỉ 
phản ánh những biến động ngắn 
hạn trong môi trường tài chính, 
những cú sốc trong chính sách tiền 
tệ chẳng hạn. Ngoài ra, FCI được 
cho là thể hiện ảnh hưởng lên chu 
kỳ kinh doanh vì nó không chỉ 
phản ánh sự phản hồi của các điều 
kiện kinh tế ở hiện tại và trong quá 
khứ mà còn cho thấy kỳ vọng của 
thị trường về triển vọng kinh tế 
(Gumata và cộng sự, 2012).
Đến nay, nhiều chỉ số điều 
kiện tài chính đã được giới thiệu 
bởi các tổ chức, như IMF có chỉ 
số IMF US FCI dựa trên nghiên 
cứu của Swiston (2008), chỉ số 
IMF FCI dựa trên nghiên cứu của 
Matheson (2012); Chicago Fed có 
chỉ số NFCI dựa trên nghiên cứu 
của Brave & Butters (2011); chỉ 
số OECD FCI dựa trên nghiên 
cứu Guichard & Turner (2008), 
được phát triển cho Mỹ, EU, Anh 
và Nhật; các chỉ số xây dựng từ 
các ngân hàng như chỉ số Goldman 
Sachs FCI dựa trên nghiên cứu 
Bahaj và cộng sự (2007), Citi 
FCI dựa trên D’Antonio (2008), 
Deutsche Bank FCI dựa trên 
Hooper và cộng sự (2007; 2010). 
Những nghiên cứu thực nghiệm về 
Xây dựng chỉ số điều kiện 
tài chính cho Việt Nam
TS. Lê ĐạT cHí & TrầN Hoài NaM
Mục đích của bài này là xây dựng một chỉ số điều kiện tài chính (FCI) đặc trưng cho môi trường tài chính VN nhằm phản ánh những kênh truyền dẫn chính sách tiền tệ và tình hình hoạt động kinh tế. Chỉ số 
FCI được xây dựng dựa trên phương pháp phân tích nhân tố (FA) cho 4 biến số tài 
chính là tăng trưởng thị trường chứng khoán, tăng trong tỷ giá thực có hiệu lực, 
chênh lệch lãi suất cho vay và lãi suất cơ bản (lãi suất chính sách), và tăng trưởng 
tín dụng ngân hàng cho khu vực tư nhân. Kiểm định trong mẫu và ngoài mẫu cho 
chỉ số FCI thu được đã xác nhận tính hiệu quả và khả năng dự báo của chỉ số FCI 
đối với tăng trưởng GDP thực ở VN.
Từ khóa: Chỉ số điều kiện tài chính, phân tích nhân tố, tăng trưởng kinh tế.
Số 21 (31) - Tháng 03-04/2015 PHÁT TRIỂN & HỘI NHẬP 
 Nghiên Cứu & Trao Đổi 
19
FCI gần đây như Hatzius và cộng 
sự (2010), Roye (2011), Hollo và 
cộng sự (2011); chuỗi nghiên cứu 
của IMF như Onsorio cùng cộng 
sự (2011) nghiên cứu cho châu Á, 
Gumata và cộng sự (2012) nghiên 
cứu cho Nam Phi và Ho và cộng 
sự (2013) nghiên cứu cho Phần 
Lan. Một số chuỗi nghiên cứu mới 
nhất như Debuque-Gonzales & 
Gochoco-Bautista (2013) ở ADB, 
Paries và cộng sự (2014) ở ECB. 
Những nghiên cứu này sử dụng 
nhiều phương pháp khác nhau, 
trong đó nổi bật như phương pháp 
VAR, phương pháp phân tích nhân 
tố với nhiều phiên bản mô hình 
khác nhau. Ở VN, sự hữu ích của 
FCI trong việc thi hành chính sách 
tiền tệ và dự báo hoạt động nền 
kinh tế có thể giúp ích cho các nhà 
hoạch định chính sách. Tuy nhiên, 
đến nay chưa có tổ chức/nghiên 
cứu nào xây dựng chỉ số FCI cho 
VN. Từ đó, mục đích của bài này là 
xây dựng một chỉ số FCI đơn giản 
dành cho VN thông qua phương 
pháp phân tích nhân tố.
2. Xây dựng chỉ số điều kiện tài 
chính bằng phương pháp phân 
tích nhân tố
Phân tích nhân tố (FA) là kỹ 
thuật thống kê được sử dụng nhằm 
mô tả phương sai giữa các biến quan 
sát có tương quan thông qua một số 
ít nhất có thể các biến không quan 
sát được (nhân tố). Đây là phương 
pháp được sử dụng rộng rãi trong 
việc tạo ra các chỉ số. Nguyên tắc 
của phương pháp FA là nhằm trích 
xuất ra những nhân tố chung (F
t
) 
nắm bắt những thay đổi chung và 
nhiều nhất có thể trong một nhóm 
gồm p biến (X
t
). Mô hình phân tích 
nhân tố có thể được thể hiện như 
sau:
X
t
 – μ = βF
t
 + U
t
 (1)
trong đó μ là một vectơ p x 1 1 
gồm các trung bình của các biến, 
β là một ma trận p x m các hệ số, 
F
t
 là một vectơ gồm m x 1 biến 
không thể quan sát – đây là những 
nhân tố chung, và U
t
 là một vectơ 
p x 1 các sai số (lỗi) được giả định 
là không trực giao với các nhân tố 
chung. 
Để xây dựng một FCI dựa theo 
phương pháp phân tích nhân tố 
chung đại diện cho các điều kiện tài 
chính ở VN, các biến tài chính được 
lựa chọn ở đây bao gồm chênh lệch 
lãi suất cho vay và lãi suất cơ bản 
(Spread), tăng trong tỷ giá thực có 
hiệu lực (REER), tăng trưởng tín 
dụng ngân hàng cho khu vực tư 
nhân (Credit) và tăng trưởng chỉ 
số thị trường chứng khoán (Stock). 
Các biến số này tương đồng với 
các biến của Onsorio cùng cộng 
sự (2011) trong nghiên cứu đánh 
giá về điều kiện tài chính ở châu 
Á. Ngoài ra việc xác định những 
biến này cũng căn cứ trên kết quả 
phản ánh sự tương quan với nhân 
tố chung, cụ thể sự tương quan này 
phải lớn hơn 30%.
Vấn đề đặt ra là chỉ số FCI cần 
phản ánh những thông tin về trạng 
thái tương lai của nền kinh tế, nó 
phải loại bỏ tác động phản hồi của 
hoạt động kinh tế (Gumata và cộng 
sự, 2012). Mục đích ở đây là nhằm 
nắm bắt những cú sốc tài chính 
thuần túy và không có tác động từ 
hoạt động kinh tế trong quá khứ. 
Để giải quyết vấn đề nội sinh đó, 
theo Onsorio cùng cộng sự (2011), 
chúng ta thực hiện làm sạch nhân 
tố chung ước lượng được ở trên 
b ằ n g cách hồi quy theo 
biến tăng trưởng kinh tế (bao 
gồm giá trị hiện hành và các giá trị 
trễ của nó):
 (2)
t r o n g 
đó A(L) là toán tử trễ thể hiện 
các tăng trưởng GDP hiện hành và 
các quý trước, và y
t
 là tăng trưởng 
GDP năm tính theo tháng (so với 
cùng tháng năm trước đó). Thành 
phần nhiễu V
t
 chính là chỉ số FCI 
cần tìm, chỉ phản ánh những thay 
đổi ngoại sinh của các điều kiện tài 
chính và do vậy chỉ số này có khả 
năng tác động, dự báo hoạt động 
kinh tế tương lai.
Để là một thước đo điều kiện tài 
chính có giá trị, chỉ số FCI phải có 
khả năng dự báo hoạt động kinh tế 
tương lai. Trước khi sử dụng chỉ số 
FCI như một biến vĩ mô, chúng tôi 
sẽ kiểm định tính hiệu lực và khả 
năng dự báo của FCI đối với tăng 
trưởng GDP. Trước tiên, chúng 
tôi thực hiện kiểm định Granger 
để đánh giá vai trò như một công 
cụ chính sách của FCI. Tiếp theo 
chúng tôi sẽ đánh giá liệu FCI có 
khả năng mạnh trong việc giải 
thích và dự báo tăng trưởng GDP 
trong thời gian gần hay không. 
Kiểm định này sẽ bao gồm kiểm 
định trong mẫu và kiểm định ngoài 
mẫu. Ở đây chúng tôi theo kiểm 
định khả năng dự báo tương tự như 
trong Gumata và cộng sự (2012) và 
Ho và cộng sự (2013), vốn dựa trên 
tinh thần của Hatzius cùng cộng sự 
(2010) và trước đó là Bernanke 
(1990). Phương trình ước lượng 
như sau:
Chúng tôi sẽ kiểm tra các kỳ 
dự báo h đến 4–6 quý. Độ trễ q 
trong phần tự hồi quy (AR) được 
xác định dựa theo tiêu chuẩn AIC 
bằng cách ước lượng phương trình 
(3)
PHÁT TRIỂN & HỘI NHẬP Số 21(31) - Tháng 03-04/2015
Nghiên Cứu & Trao Đổi 
20
(3) mà không có FCI. Đối với kiểm 
định trong mẫu (sử dụng toàn bộ 
mẫu để ước lượng các hệ số hồi 
quy dùng để ‘tiên đoán’ giá trị ước 
lượng của y
t+h
 ), để đánh giả khả 
năng dự báo của FCI, chúng tôi sử 
dụng hệ số R2 từng phần và thống 
kê t cho hệ số ω của FCI. Đối với 
kiểm định ngoài mẫu, chúng tôi 
sẽ đánh giá khả năng dự báo của 
FCI thông qua giá trị sai số dự báo 
RMSE cho các kỳ dự báo h . Ở đây, 
kiểm định ngoài mẫu liên quan đến 
việc dự báo tăng trưởng y
t+h
 trong 
phương trình (2) sử dụng kỹ thuật 
ước lượng đệ quy trong suốt thời 
kỳ dự báo. Cụ thể, dự báo ở thời 
điểm t thu được bằng cách ước 
lượng các hệ số hồi quy sử dụng dữ 
liệu từ thời điểm bắt đầu mẫu quan 
sát (quý 1/1996) đến thời điểm t, và 
rồi những hệ số hồi quy ước lượng 
được sẽ được dùng để dự báo y
t+h
. 
Tiến trình này được lặp lại để thực 
hiện dự báo ở thời điểm t + 1, t + 2, 
v.v. cho đến lúc kết thúc mẫu quan 
sát (quý 3/2013). Thời kỳ dự báo 
ngoài mẫu của chúng tôi bắt đầu 
từ quý 1/2003 và cho phép số quan 
sát tối thiểu là gần 30 quý khi ước 
lượng hồi quy cho lần dự báo đầu 
tiên. Để kiểm chứng khả năng dự 
báo của FCI, chúng tôi sẽ so sánh 
kết quả RMSE tính được trong hai 
trường hợp là có và không có FCI 
trong mô hình (2).
3. Dữ liệu vĩ mô để xây dựng chỉ 
số điều kiện tài chính
Để xây dựng chỉ số làm thước 
đo điều kiện tài chính FCI cho 
VN chúng tôi sử dụng một tập 
hợp các biến vĩ mô bao gồm: 
tăng trưởng kinh tế (GDP), tăng 
trưởng thị trường chứng khoán 
(Stock), tăng trong tỷ giá thực có 
hiệu lực (REER), chênh lệch lãi 
suất cho vay và lãi suất cơ bản (lãi 
suất chính sách) (Spread), và tăng 
trưởng tín dụng ngân hàng cho 
khu vực tư nhân (Credit). Thống 
kê mô tả về các biến này xem ở 
Bảng 1. 4 biến tài chính được đưa 
vào mô hình xác định FCI thường 
được chọn dựa trên tác động có ý 
nghĩa của chúng lên tăng trưởng 
GDP. Trong nghiên cứu Swiston 
(2008) FCI có tính đến những ảnh 
hưởng có ý nghĩa thống kê đối với 
tăng trưởng GDP từ những cú sốc 
tới các chuẩn cho vay, lãi suất trái 
phiếu doanh nghiệp, giá cổ phần, 
và tỷ giá thực. Swiston cũng cho 
rằng FCI là một chỉ báo chính xác 
cho tăng trưởng GDP thực bởi vì 
nó chứa đựng những thông tin về 
các cú sốc qua một kỳ nhiều quý 
trước quý mà GDP được đo lường, 
nó bao hàm một lượng thông tin 
đi đầu quan trọng về hoạt động 
kinh tế. Trong bài này, năm biến 
số chúng tôi đưa vào mô hình FA 
để xây dựng FCI tương đồng với 
các biến của Onsorio cùng cộng sự 
(2011).
Từ phương pháp FA và các hồi 
quy liên quan được sử dụng, dữ 
liệu đầu phải là dừng và chuẩn. 
Việc chuẩn hóa là tiến trình tự 
động khi thực hiện FA trong phần 
mềm thống kê Stata. Ở đây, chúng 
tôi trình bày kết quả kiểm định giả 
thiết nghiệm đơn vị/tính không 
dừng đối với các chuỗi biến vĩ mô 
được trình bày trong Bảng 1. Đối 
với mỗi chuỗi biến, chúng tôi thực 
hiện bốn phương pháp kiểm định 
chuyên biệt bao gồm kiểm định 
Dickey–Fuller tăng cường (ADF), 
Phillips–Perron (PP), kiểm định 
Dickey Fuller GLS (DF-GLS), và 
Kwiatkowski–Phillips–Schmidt–
Shin (KPSS).
(a) Kiểm định Skewness/ 
Kurtious; (b) Kiểm định 
Shapiro-Wilk; (c) Kiểm định 
Shapiro - Francia; (d) Kiểm định 
Augmented Dickey - Fuller với 
H
o
: chuỗi có nghiệm đơn vị; (e) 
Kiểm định Phillips - Perron với 
H
o
: chuỗi tích hợp I(1); (f) Kiểm 
Variable GDP Stock REER Spread Credit
Descriptive statistics
Obs. 52 48 63 71 71
Mean 0.0657 0.1514 0.0139 0.0387 0.2076
Std. Dev. 0.0122 0.5202 0.0643 0.0144 0.1600
Min 0.0312 -0.6703 -0.1053 0.0000 -0.0661
Max 0.0848 1.6940 0.1672 0.0633 0.8174
Normality
S/K(a) (Prob>χ2) 0.1019 0.0633 0.3785 0.1862 0.0000
S-W(b) (Prob>z) 0.0560 0.0239 0.1855 0.0632 0.0000
S-F(c) (Prob>z) 0.0665 0.0272 0.2534 0.1173 0.0000
Stationarity
ADF(d) 0.347 0.002 0.002 0.089 0.011
PP(e) 0.344 0.080 0.014 0.007 0.041
DF-GLS(f) -2.315 -3.913 -2.485 -2.272 -3.117
 1% CV -3.762 -3.770 -3.721 -3.721 -3.690
 5% CV -3.223 -3.133 -3.155 -3.122 -3.122
 10% CV -2.916 -2.833 -2.855 -2.825 -2.825
KPSS(g) 0.488 0.332 0.136 0.747 0.365
Bảng 1. Thống kê mô tả và một số thuộc tính dữ liệu vĩ mô
Số 21 (31) - Tháng 03-04/2015 PHÁT TRIỂN & HỘI NHẬP 
 Nghiên Cứu & Trao Đổi 
định Dickey - Fuller GLS với H
o
: 
chuỗi có nghiệm đơn vị; (g) Kiểm 
định Kwiatkowski – Phillips – 
Schmidt – Shin với H
o
: chuỗi là 
dừng. (a),(b),(c) Các kiểm định với 
giả thiết H
o
: dữ liệu phân phối 
chuẩn; (a),(b),(c),(d),(e) Biểu thị bằng 
giá trị p-value; (f) Biểu thị bằng 
giá trị Test statistic, so sánh với 
các giá trị tới hạn (CV) ứng với 
ba mức ý nghĩa 1%, 5% và 5%; 
và (g) Biểu thị bằng giá trị Test 
statistic, các giá trị tới hạn tương 
ứng với các mức ý nghĩa 10%, 
5%, 2,5% và 1% lần lượt là 0,119, 
0,146, 0,176 và 0,216.
Kết quả kiểm định DF-GLS cho 
thấy chỉ có biến Stock (DF-GLS 
kiểm tra ở độ trễ tối ưu là 3 quý theo 
tiêu chuẩn SC - Schwarz Criterion) 
dừng về một xu hướng tuyến tính 
(chính xác hơn là bác bỏ giả thiết 
không về bước ngẫu nhiên có thể 
có độ chệch) ở mức ý nghĩa 5%. 
Các chuỗi còn lại không thể bác 
bỏ giả thiết không ở mức 5%. Như 
vậy, từ nhiều kiểm định khác nhau, 
có thể kết luận rằng bốn chuỗi 
Stock, REER, Spread, Credit đều 
có tính dừng: chuỗi REER dừng 
với độ tin cậy cao nhất là 99%, tiếp 
đó là Credit với 95% độ tin cậy, 
biến Stock và Spread dừng với ý 
nghĩa thống kê 1% tương ứng lần 
lượt với hai kiểm định ADF và PP, 
và hai biến đó có ý nghĩa 10% ở 
chiều ngược lại, tức là tương ứng 
lần lượt với hai kiểm định PP và 
ADF. Biến còn lại duy nhất, tăng 
trưởng thực GDP, là không dừng 
ở tất cả các kiểm định, đặc biệt là 
không cho thấy khả năng dừng xu 
hướng.
4. Đánh giá tính hiệu lực và khả 
năng dự báo của chỉ số điều 
kiện tài chính thu được 
Hồi quy phân tích nhân tố là một 
giải pháp để đối phó với vấn đề đa 
cộng tuyến giữa các biến giải thích. 
Đối với trường hợp dữ liệu đa cộng 
tuyến, giải pháp đơn giản nhất là 
loại bỏ các biến bị tương quan lẫn 
nhau khỏi phân tích. Tuy nhiên 
phương pháp này trở nên rắc rối khi 
một số biến muốn bỏ lại cần thiết 
cho mô hình lý thuyết. Khi không 
thể quyết định biến nào thích hợp 
cần loại bỏ, người nghiên cứu có 
thể kết hợp các biến thành một tập 
hợp biến được cắt giảm. Việc kết 
hợp các biến thành một biến hỗn 
hợp thông qua xây dựng các nhân 
tố là cách mà FA thực hiện. Thông 
qua phân tích dữ liệu thăm dò nhân 
tố, phương pháp này sẽ xác định số 
nhân tố mà các biến chứa đựng, và 
sau đó xác định mức độ (có trọng 
số hoặc không có trọng số) của các 
biến dựa trên những nhân tố giải 
thích cho các biến này. Hồi quy 
phân tích nhân tố được áp dụng 
cho “các chuỗi biến dừng có trung 
bình bằng 0” (Gumata và cộng sự, 
2012). Như đã kiểm định, 4 biến tài 
chính chúng tôi đưa vào FA (Stock, 
REER, Spread và Credit) đều là 
tiến trình dừng. Tiến trình hồi quy 
FA bằng ma trận tương quan cũng 
bao gồm bước chuẩn hóa các biến 
để các biến này có trung bình bằng 
0 và đơn vị độ lệch chuẩn bằng 1.
Kết quả từ phương pháp FA đối 
với mẫu dữ liệu 4 biến tài chính 
Stock, REER, Spread, Credit cho 
thấy chiều và mức độ tương quan 
của các biến trong chỉ số sẽ được 
xây dựng. Chúng tôi sử dụng nhân 
tố đầu tiên (là nhân tố chung giải 
thích tốt nhất tổng phương sai các 
biến) trong các nhân tố đạt được 
từ phương pháp FA (phương trình 
(1)). Tín hiệu (cùng chiều, ngược 
chiều) và độ lớn của các biến tài 
chính đóng vai trò quan trọng trong 
việc nắm bắt và đánh giá mối quan 
hệ hệ thống với nhân tố chung. Sự 
tương quan của nhân tố chung này 
với biến tài chính càng cao thì mức 
phân bổ tỷ trọng của biến đó trong 
chỉ số FCI sẽ càng lớn. Kết quả 
cho thấy, trong số 4 biến tài chính 
thì nhân tố chung có tương quan 
dương với 3 biến Stock, Spread 
và Credit, trong khi tương quan 
âm với REER. Trong đó, nhân tố 
chung ảnh hưởng nhiều nhất tới 
Credit vì nhân tố chung này giải 
thích hơn 77% cho những thay đổi 
trong Credit. Tất cả các biến đều 
được giải thích trên 30% bởi nhân 
tố chung, và đây là cơ sở để chúng 
tôi đưa cả 4 biến số này vào tiến 
trình xác định FCI cho VN.
Sau khi xác định nhân tố chung 
từ phương trình (1), chúng tôi xây 
dựng chỉ số FCI hàng quý cho VN 
theo phương trình (2). Tuy nhiên, 
để đảm bảo FCI ước lượng được 
là một chỉ số có ý nghĩa, tính hiệu 
lực và khả năng dự báo của chỉ số 
này sẽ được kiểm định trong mẫu 
và ngoài mẫu.
Bảng 2 trình bày kết quả kiểm 
định nhân quả Granger của FCI và 
thay đổi trong tăng trưởng GDP 
thực. Kết quả này cho thấy tính 
nhân quả một chiều từ chỉ số FCI 
đến tăng trưởng GDP với mức ý 
nghĩa thống kê là 1%. Như vậy, 
chỉ số trong quá khứ của FCI có ý 
nghĩa trong việc dự báo biến động 
tăng trưởng GDP thực trong tương 
lai. Điều này hàm ý vai trò của 
chỉ số FCI như một công cụ chính 
Bảng 2. Kiểm định nhân quả Granger giữa FCI và tăng trưởng GDP
Giả thuyết Ho: F-statistic p-value
FCI không nhân quả Granger với GDP 4.36 0.0045
GDP không nhân quả Granger với FCI 0.59 0.7770
21
PHÁT TRIỂN & HỘI NHẬP Số 21(31) - Tháng 03-04/2015
Nghiên Cứu & Trao Đổi 
22
sách.
Kết quả kiểm định trong mẫu 
chỉ ra ở Bảng 3 cho thấy FCI có 
thể giúp dự báo tăng trưởng GDP 
thực. Cụ thể, với mức ý nghĩa 
thống kê 5%, FCI có thể dự báo 
tăng trưởng cho 1 đến 4 quý tới. 
Tuy nhiên, trong trường hợp này, 
FCI có khả năng dự báo trong 
mẫu tốt nhất với kỳ dự báo 3 
quý. Điều đó thể hiện qua mức ý 
nghĩa của hệ số tương quan và hệ 
số R2 riêng phần. Trong trường 
hợp h=3, độ tin cậy của FCI 
trong việc dự báo tăng trưởng 
GDP là cao nhất, trên 99%. Và 
với việc sử dụng chỉ số FCI cho 
mô hình dự báo h=3, sai số từ dự 
báo tăng trưởng GDP dựa trên 
phương pháp tự hồi quy chính nó 
giảm đến 42,97%. Và với việc 
đưa chỉ số FCI vào mô hình dự 
báo (3) được ước lượng với độ 
phù hợp gần 60%. Đồng thời dựa 
vào kết quả trong Bảng 3, có thể 
thấy rằng khả năng dự báo của 
mô hình (3) giảm về 2 phiá của 
quý dự báo thứ 3, nghĩa là độ tin 
cậy của mối tương quan giữa FCI 
và tăng trưởng GDP thực cũng 
như khả năng dự báo (giảm sai 
số trong mô hình tự hồi quy biến 
tăng trưởng) giảm lần lượt ở kỳ 
dự báo quý 2 rồi đến quý 1. Mặt 
khác, càng dự báo xa hơn quý 
3 thì độ tin cậy và khả năng dự 
báo của FCI đối với tăng trưởng 
càng giảm. Điều này khẳng định 
chỉ số FCI chúng tôi xây dựng 
cho VN đóng vai trò như một chỉ 
báo hoạt động kinh tế trong ngắn 
hạn, đặc biệt là khả năng dự báo 
cho 3 quý tới (dự báo trong mẫu). 
Rõ ràng, thành phần các biến tài 
chính như lãi suất và kênh tín 
dụng (hai kênh của chính sách 
tiền tệ) đóng vai trò tác động lên 
tăng trưởng GDP trong tương lai 
gần với khoảng thời gian đủ để 
chính sách tiền tệ được hấp thụ 
vào hệ thống. Ở đây cần lưu ý, 
FCI được lấy từ phần nhiễu của 
hồi quy (2) nên không có tương 
quan với tăng trưởng cùng quý. 
Nó chỉ đóng vai trò là chỉ báo 
cho hoạt động kinh tế nhờ phản 
ánh những cú sốc đến các yếu tố 
tài chính lên tăng trưởng GDP 
tương lai.
Khả năng dự báo tốt cho tăng 
trưởng thực ngắn hạn của FCI 
cũng được kiểm chứng qua kết 
quả kiểm định ngoài mẫu ở Bảng 
4. Bảng này trình bày kết quả 
kiểm định ngoài mẫu cho khả 
năng dựa báo của FCI đối với 
tăng trưởng thực của VN trong 
giai đoạn từ quý 1/2008 đến quý 
3/2013. Rõ ràng thời kỳ này biểu 
thị cho cuộc khủng hoảng tài 
chính từ năm 2008 kéo dài cho 
đến tận bây giờ. Như được chỉ 
ra trong Bảng 4, sai số dự báo 
RMSE khi dự báo ngoài mẫu 
cho 1, 2 và 3 quý tới đều được cắt 
giảm khi có sự xuất hiện của FCI 
trong mô hình (3). Mức độ giảm 
RMSE ở trường hợp h=2 là cao 
nhất với mức cắt giảm sai số là 
19,5%, tiếp đó là trường hợp h=3 
với mức cắt giảm 15% và trường 
hộp h=1 cắt giảm 10,6% sai số 
dự báo. 
Như vậy kiểm định trong mẫu 
và ngoài mẫu đều xác nhận tính 
hiệu quả và khả năng dự báo của 
FCI đối với tăng trưởng GDP 
thực ở VN, trong đó kiểm định 
ngoài mẫu xác nhận khả năng dự 
báo trong giai đoạn khủng hoảng 
tài chính 2008 đến bây giờ. Như 
vậy chúng tôi đã xây dựng được 
một chỉ số điều kiện tài chính 
cho VN với khả năng dự báo 
tăng trưởng GDP gần.
5. Kết luận 
Bài nghiên cứu đã xây dựng 
một chỉ số điều kiện tài chính 
cho VN dựa trên phương pháp 
FA. Tính hiệu quả và khả năng 
dự báo của chỉ số FCI này đối với 
tăng trưởng GDP thực ở VN đã 
được kiểm chứng qua kiểm định 
trong mẫu và ngoài mẫu. Từ đây, 
FCI cung cấp cho các nhà hoạch 
định chính sách VN một công cụ 
phân tích hữu ích trong việc thực 
thi chính sách tiền tệ và dự báo 
tăng trưởng kinh tế trong ngắn 
hạn. 
Kỳ dự báo t-statistic p-value R2 riêng phần R2
h=1 2.48 0.0190 0.1609 0.5187
h=2 2.89 0.0070 0.2066 0.4924
h=3 4.91 0.0000 0.4297 0.5984
h=4 3.44 0.0020 0.2702 0.4278
h=5 1.85 0.0730 0.0967 0.2609
h=6 1.10 0.2790 0.0365 0.2188
RMSE h=1 h=2 h=3 h=4
Mô hình không bao gồm FCI 0.0140 0.0207 0.0240 0.0207
Mô hình bao gồm FCI 0.0125 0.0167 0.0204 0.0221
Bảng 3. Kiểm định trong mẫu đối với khả năng dự báo của FCI lên tăng trưởng GDP thực
Bảng 4. Kiểm định ngoài mẫu đối với khả năng dự báo của FCI lên tăng trưởng GDP thực
(Xem tiếp trang 33)