Tải bản đầy đủ
CHƯƠNG 3PHƯƠNG PHÁP NGHIÊN CỨU

CHƯƠNG 3PHƯƠNG PHÁP NGHIÊN CỨU

Tải bản đầy đủ

25

tượng khác nhau làm cho loại dữ liệu này sẽ chứa đựng nhiều thông tin có
giá trị hơn, biến đổi hơn, giảm hiện tượng tương quan của các biến trong mô
hình, bậc tự do cao hơn, và sẽ là hiệu quả hơn cho việc xử lý các mô hình.
-

Việc nghiên cứu giá trị của các biến số trên từng đối tượng khác nhau được
lặp đi lặp lại theo thời gian nên loại dữ liệu này sẽ phù hợp hơn cho việc
nghiên cứu sự năng động của các thay đổi theo thời gian của nhiều đối tượng
khác nhau.

-

Loại dữ liệu này sẽ tốt hơn cho việc theo dõi và đo lường những tác động mà
dữ liệu theo không gian, và dữ liệu theo thời gian thuần túy không thể quan
sát hết được. Đồng thời, cũng cho phép chúng ta nghiên cứu các mô hình có
tình phức tạp cao hơn.

-

Việc kết hợp nhiều dữ liệu của nhiều đối tượng nghiên cứu khác nhau sẽ làm
cho số quan sát tăng lên đáng kể, vì vậy nó sẽ làm giảm các sai số ngẫu nhiên
có thể xảy ra trong việc phân tích các mô hình.
Phương pháp hồi quy thông dụng với dữ liệu dạng bảng là mô hình hồi quy

Pool, mô hình hồi quy tác động cố định và mô hình hồi quy tác động ngẫu nhiên.
3.1.2. Mô hình hồi quy Pool

Đối với mô hình này, giả định về sự tự tương quan, phương sai thay đổi,
những sự khác biệt về không gian và thời gian của từng biến quan sát đều không tác
động đến. Vì vậy, tung độ gốc và độ dốc của các hệ số được giả định là không thay
đổi theo thời gian, và cả theo từng biến. Đây là trường hợp đơn giản nhất, chúng ta
bỏ qua mảng thời gian và không gian của dữ liệu bảng, mà chỉ ước lượng mô hình
hồi quy bình phương bé nhất (OLS) thông thường.
Mô hình hồi quy được biễu diễn như sau:
Yit = β1 + β2 X2it + β3 X3it + … + βk Xkit + µ

it

(1)

Trong đó: i = 1, 2, 3, ….n; t= 1, 2, 3, ….T
Tuy nhiên, đối với loại mô hình này, khả năng xảy ra hiện tượng tự tương

quan trong số liệu khá cao. Ngoài ra, việc giả định hệ số chặn trong mô hình là

26

giống nhau cho các đối tượng quan sát, và giả định về hệ số ước lượng của các biến
quan sát là giống nhau cho các đối tượng quan sát là các giả định hết sức nghiêm
khắc mà các dữ liệu khó đáp ứng được. Vì vậy, dù đây là trường hợp đơn giản,
nhưng mô hình hồi quy này – với tất cả dữ liệu kết hợp như thế này có thể sẽ làm
mất đi hình ảnh thật về mối quan hệ giữa các biến của các đối tượng quan sát.
3.1.3. Mô hình tác động cố định (Fixed Effects Model - FEM)

Mô hình tác động cố định không bỏ qua các ảnh hưởng theo chuỗi thời gian
và các đơn vị chéo, hay nói cách khác, tung độ gốc của mỗi đơn vị chéo là thay đổi
nhưng vẫn giả định độ dốc là cố định cho từng biến. Khi đó, mô hình tác động cố
định được biểu diễn như sau:
Yit = βit + β2X2it + β3X3it + ….+ βkXkit + µ it

(2)

Mô hình (2) có thể tách thành hai mô hình:
Yit = β1t + β2X2it + β3X3it + ….+ βkXkit + µ
Yit = β1i + β2X2it + β3X3it + ….+ βkXkit + µ

it
it

(2A)
(2B)

Mô hình 2A giả định tung độ góc thay đổi theo thời gian nhưng giống nhau
giữa các đơn vị chéo trong cùng năm quan sát, được biết đến như hồi quy tác động
cố định thời gian. Khi đó, tác động thời gian cố định kiểm soát những biến không
quan sát giống nhau giữa các đơn vị chéo nhưng khác nhau khi thời gian thay đổi.
Những tác động theo thời gian này có thể là do tình hình kinh tế, hay chính sách của
nhà nước đối với các công ty.
Mô hình 2B giả định tung độ gốc chung của mô hình thay đổi nhưng độ dốc
của các đơn vị chéo không đổi. Ý nghĩa của tác động chéo cố định là dù tung độ gốc
khác nhau giữa các đơn vị chéo nhưng nó lại không thay đổi theo thời gian. Những
ảnh hưởng làm thay đổi tung độ gốc có thể là do sự khác biệt về đặc thù, hay phong
cách quản lý của mỗi công ty.
3.1.4. Mô hình tác động ngẫu nhiên (Random Effects Model - REM)

Trong mô hình hồi quy tác động cố định, những yếu tố không quan sát được

27

xem như là tham số và được ước lượng, còn ở mô hình tác động ngẫu nhiên, chúng
được xem như là kết quả của những biến ngẫu nhiên.
Từ mô hình 2B, ta có thể viết lại:
Yit = β1i + β2X2it + β3X3it + ….+ βkXkit + µ

it

Thay vì cố định β1i , ta giả định nó như biến ngẫu nhiên có giá trị β1 và giá trị
tung độ gốc của đơn vị chéo được biểu diễn như sau:
β1i = β1 + εi; Với i = 1, 2, …N và εi là sai số ngẫu nhiên.
Mô hình này kèm theo những giả định của tác động cố định cộng thêm yêu
cầu bổ sung là các tác động không quan sát được không tương quan với tất cả các
biến giải thích. Giả thuyết này được kiểm định bằng kiểm định Hausman. Ngoài ra,
mô hình này giúp cho việc kiểm soát những tác động không quan sát được của các
đơn vị chéo khác nhau nhưng không thay đổi theo thời gian. Những tác động không
quan sát được như đặc thù, chính sách, nguồn nhân lực, …của công ty. Tuy nhiên,
nếu không giữ giả định tác động cố định không tương quan với các biến giải thích,
thì mô hình hồi quy tác động cố định lại thích hợp hơn.
3.1.5. So sánh và lựa chọn FEM và REM

Một vấn đề được đặt ra ở đây là các nhà nghiên cứu sẽ chọn lựa mô hình
nào, là FEM, hay REM? Câu trả lời sẽ còn tùy thuộc vào việc chúng ta giả định thế
nào về sự tương quan giữa sai số thành phần µ i và các biến số. Nếu như giả định
rằng µ i và các biến số là không có tương quan nhau thì REM có thể sẽ phù hợp
hơn; còn nếu ngược lai, µ i và các biến số có tương quan nhau thì FEM sẽ phù hợp
hơn.
Do có sự khác nhau cơ bản trong hai mô hình này nên việc chọn FEM hay
REM được các nhà kinh tế lượng đề xuất dựa trên số lượng quan sát chúng ta có
được như sau:
1) Nếu T (dãy số quan sát thời gian) nhiều và N (là đối tượng nghiên cứu)
nhỏ, thì giá trị của các tham số ước lượng trong hai mô hình FEM và
REM không chệch nhau nhiều. Do đó, việc chọn lựa mô hình nào sẽ tùy

28

thuộc vào tiện ích trong việc xử lý.
2) Nếu N lớn và T nhỏ, kết quả ước lượng của hai mô hình này rất lệch
nhau. Nếu các đối tượng nghiên cứu không được chọn ra một cách ngẫu
nhiên từ một tổng thể lớn hơn nhiều thì FEM sẽ phù hợp hơn. Tuy nhiên,
nếu các đối tượng nghiên cứu của mẫu được rút ra một cách ngẫu nhiên
từ một tổng thể lớn hơn thì REM sẽ thích hợp hơn, bởi vì trong trường
hợp này, β1i là thật sự ngẫu nhiên nên việc suy luận thống kê hay giải
thích mô hình sẽ dễ dàng, và không có điều kiện ràng buộc.
3) Nếu sai số thành phần µ i của từng đối tượng nghiên cứu và một hoặc
nhiều biến giải thích có tương quan nhau thì kết quả ước lượng REM là
chệch, trong khi đó, kết quả này là không chệch đối với FEM.
4) Nếu N lớn, T nhỏ, và nếu giả định của REM được đảm bảo thì kết quả
ước lượng của REM sẽ chính xác hơn so với FEM.
Để có cở sở lựa chọn FEM hay REM, Wooldridge (1997) đã dùng kiểm định
Hausman. Đây là kiểm định được phát triển bởi Hausman (1978), có phân phối tiệm
cận χ2 và dùng để kiểm định giả thuyết Ho rằng kết quả hồi quy của FEM và REM
là không có sự khác nhau rõ rệt. Nếu giả thuyết này bị bác bỏ thì kết luận là REM
không phù hợp và trong trường hợp này FEM sẽ được lựa chọn.
3.2. Mô hình thực nghiệm:

Dựa theo cách tiếp cận của các nghiên cứu đã tiến hành thành công trước đây
về các yếu tố có liên quan, hay về các yếu tố có tác động đến tỷ suất sinh lợi chứng
khoán, như mô hình nghiên cứu của Dwi Martani, Mulyono, Rahfiani Khairurizka
(2009). Theo đó, để nghiên cứu ảnh hưởng của các thông tin từ báo cáo tài chính lên
tỷ suất sinh lợi chứng khoán, mô hình đề xuất trong nghiên cứu này là:
STOCKRETURN = f (ROE, NPM, CR, DER, TATO, PBV, SIZE)
Với biến phụ thuộc là tỷ suất sinh lợi chứng khoán, biến này được ký hiệu là
RET. Theo đó, mô hình được trình bày lại như sau:
RET = f (ROE, NPM, CR, DER, TATO, PBV, SIZE)

29

Còn lại các biến độc lập, ROE và NPM đo lường hiệu quả hoạt động của
doanh nghiệp – khả năng sinh lợi, CR là khả năng thanh toán, DER đại diện cho chỉ
số nợ, TATO là vòng quay tổng tài sản, PBV giá cổ phiếu trên giá trị sổ sách và
SIZE đại diện cho quy mô công ty của từng doanh nghiệp được chọn trong dữ liệu
quan sát.
Thu thập dữ liệu từ các công ty được chọn làm đối tượng nghiên cứu, qua
giao đoạn khảo sát, ta được dữ liệu dạng bảng. Như đã trình bày trong phần cơ sở lý
thuyết, phương pháp hồi quy với dữ liệu dạng sẽ được xem xét trong ba mô hình
sau:
3.2.1. Mô hình hồi quy Pool:

Trong mô hình hồi quy Pool, ảnh hưởng của các biến giải thích và những
biến không quan sát đều không đổi đối với tất cả các công ty qua từng năm quan
sát, và tung độ góc của tất cả các đơn vị chéo quan sát được giả định là giống nhau.
Mô hình này được biểu diễn như sau:
RET = β1 + β2 ROE + β3 NPM + β4 CR + β5 DER + β6 TATO + β7 PBV + β8 SIZE

Đây là trường hợp đơn giản nhất, mô hình bỏ qua mảng thời gian, và không
gian của dữ liệu dạng bảng, mà chỉ ước lượng mô hình hồi quy OLS thông thường.
Do đó, việc sử dụng mô hình này là không thích hợp, và đòi hỏi phải có một mô
hình đặc thù dùng để ước lượng cho dữ liệu dạng bảng.
3.2.2. Mô hình hồi quy với tác động cố định:

Mô hình này được biểu diễn như sau:
RETit =β1i + β2 ROEit + β3 NPMit +β4 CRit +β5 DERit +β6 TATOit + β7PBVit +
β8SIZEit + µ it
Trong đó, i đại diện cho các công ty, i = 1, 2, …, 60; t đại diện cho thời gian.
Mô hình hồi quy tác động cố định phân tích những khác biệt về hệ số chặn
của nhóm, trong khi đó, giả sử rằng các độ dốc là khác nhau và sai số không đổi.

30

3.2.3. Mô hình hồi quy tác động ngẫu nhiên:

Mô hình hồi quy tác động ngẫu nhiên phân tích những thành phần của
phương sai, và sai số, trong khi giả sử rằng các hệ số chặn không thay đổi và các độ
dốc là giống nhau. Trong đó, tung độ gốc ở mô hình được biễu diễn như sau:
β1i = β1 + εi; Với i = 1, 2, …N và εi là sai số ngẫu nhiên.
Theo đó, mô hình được biểu diễn như sau:
RETit =β1 + β2 ROEit + β3 NPMit +β4 CRit +β5 DERit +β6 TATOit + β7PBVit +
β8SIZEit + wit
Trong đó, i đại diện cho các công ty, i = 1, 2, …, 60; t đại diện cho thời gian.
3.2.4. Kiểm định Hausman:

Để xem xét, lựa chọn mô hình phù hợp giữa mô hình các tác động cố định và
mô hình các tác động ngẫu nhiên, đề tài sử dụng kiểm định Hausman (1978). Đây là
kiểm định giúp lựa chọn nên sử dụng mô hình tác động cố định hay là mô hình tác
động ngẫu nhiên. Thực chất kiểm định Hausman để xem xét có tồn tại tự tương
quan giữa Ui và εit hay không? Kiểm định Hausman là kiểm định giả thiết:
H0: Ui và biến độc lập không tương quan.
H1: Ui và biến độc lập có tương quan.
Khi giá trị (Prob> χ2) < 0,05 thì ta bác bỏ giả thiết H0, khi đó Ui và biến độc
lập có tương quan, khi đó phải sử dụng mô hình tác động cố định. Và ngược lại, khi
giá trị (Prob> χ2) > 0,05 lúc đó chấp nhận giả thiết H0, tức là Ui và biến độc lập
không tương quan, mô hình tác động ngẫu nhiên sẽ được sử dụng.
Đánh giá độ phù hợp của mô hình hồi quy:
Sau khi ước lượng được mô hình hồi quy, chúng ta cần đánh giá về sự phù
hợp của mô hình này. Luận văn tiến hành đánh giá độ phù hợp của mô hình hồi quy
theo một số tiêu chí như sau:
Đầu tiên, đề tài xem xét dấu của các hệ số ước lượng được có phù hợp với lý
thuyết và các nghiên cứu trước hay không. Các biến được chọn phải đáp ứng được
yêu cầu đầu tiên này. Tiếp theo, đề tài chọn các biến không những dấu của hệ số
ước lượng phù hợp với lý thuyết và các nghiên cứu trước, mà hệ số này khác 0 phải

31

có nghĩa thống kê.
Ngoài các tiêu chí nêu trên, đề tài tiếp tục thực hiện một số kiểm định cơ bản
để xem có tồn tại các khuyết tật có tồn tại trong mô hình hay không, như kiểm định
đa cộng tuyến, tự tương quan sau khi ước lượng mô hình hồi quy.
Một số kiểm định các khuyết tật của mô hình:
-

Ma trận tương quan giữa các hệ số được dùng để kiểm tra hiện tượng đa
cộng tuyến trong mô hình hồi quy. Việc này được thực hiện ở bước khảo sát
mối tương quan giữa các cặp biến.

-

Ngoài ra phương pháp hồi quy phụ cũng được áp dụng để chắc chắn là có
hay không có tương quan.

-

Bên cạnh đó, để kiểm tra hiện tượng tự tương quan, đề tài sẽ dựa vào giá trị
thống kê Durbin-Watson có trong bảng kết quả hồi quy cộng với kinh
nghiểm kiểm tra được trình bày trong tài liệu của tác giả Hoàng Trọng và
Chu Nguyễn Mộng Ngọc (2008) mà kết luận có hay không tồn tại tự tương
quan trong mô hình hồi quy.

-

Đối với vấn đề phương sai thay đổi, đề tài dùng kiểm định White để xem xét
tổng quát về sự đồng nhất của phương sai.
Đối với việc dùng giá trị R2 để xem xét về mức độ giải thích của mô hình,

hiện nay, có rất nhiều ý kiến xung quanh vấn đề dùng chỉ tiêu R2 để giải thích, đánh
giá mô hình hồi quy với dữ liệu dạng bảng. Nhiều chuyên gia kinh tế cho rằng, hệ
số này chỉ có giá trị giải thích đối với các mô hình hồi quy theo chuỗi thời gian, và
mà mẫu quan sát nhỏ (khoảng trên dưới 100 quan sát), hoặc dùng trong các trường
hợp dự báo. Còn đối với mô hình hồi quy dữ liệu dạng bảng, đối với các nghiên cứu
đi kiểm định giả thuyết, hoặc dự đoán mối liên hệ giữa các biến, thì chỉ tiêu R2
không được sử dụng để đưa ra kết luận. Gelman và Pardoe (2006) cho rằng R2
không phải là một chỉ tiêu hoàn hảo để đánh giá mô hình, đặc biệt là mô hình hồi
quy dữ liệu dạng bảng. R2 có thể cho chúng ta biết một vài điều, nhưng không phải
là tất cả, không thể kết luận mô hình không tốt nếu R2 thấp, cũng không thể kết luận
mô hình là hoàn hảo trong việc giải thích mối quan hệ giữa các biến trong trường

32

hợp R2 tiến về gần 1. Do đó, nghiên cứu này không sử dụng chỉ tiêu R2 để đánh giá
mô hình.
3.3. Đo lường các biến trong mô hình nghiên cứu

Phần tiếp theo sẽ trình bày các biến trong mô hình nghiên cứu được đo lường
như thế nào, để đạt tới mục đích cuối cùng là tìm ra các mối quan hệ như đã giả
định có tồn tại hay không. Biến phụ thuộc trong mô hình đề xuất là tỷ suất sinh lợi
chứng khoán (RET). Biến độc lập gồm có: Lợi nhuận sau thuế trên vốn chủ sở hữu
(ROE), hệ số biên lợi nhuận ròng (NPM), khả năng thanh toán hiện hành (CR), tỷ lệ
nợ trên vốn chủ sở hữu (DER), vòng quay tổng tài sản (TATO), tỷ lệ giá cổ phiếu
trên giá trị sổ sách (PBV) và quy mô công ty (SIZE). Quá trình chọn lọc và đo
lường các biến được tiến hành như sau:
3.3.1 Biến phụ thuộc: Tỷ suất sinh lợi chứng khoán (RET)
Đề tài nghiên cứu ảnh hưởng của các thông tin từ báo cáo tài chính lên tỳ
suất sinh lợi chứng khoán. Theo Dwi Martani, Mulyono, Rahfiani Khairurizka
(2009), tỷ suất sinh lợi chứng khoán được tính toán bởi hai chỉ tiêu suất sinh lợi thị
trường được điều chỉnh và suất sinh lợi bất thường, cụ thể như sau:
(1) Suất sinh lợi thị trường điều chỉnh là tỷ suất sinh lợi chứng khoán trừ đi suất
sinh lợi thị trường:

(3.1)

(2) Suất sinh lợi bất thường là tỷ suất sinh lợi chứng khoán trừ đi tỷ suất sinh lợi
chứng khoán kỳ vọng:

(3.2)
Suất sinh lợi kỳ vọng được suy ra từ mô hình thị trường E(Ri) = α1 + β1 Rm

33

Theo Nguyễn Anh Phong (2012), suất sinh lời của chứng khoán được tính
toán bởi công thức:

Pt và Pt-1 là mức giá cuối năm t và mức giá cuối năm t-1
Trong bài nghiên cứu này, tác giả sử dụng phương trình (3.3) để tính toán tỷ suất
sinh lợi chứng khoán.
3.3.2 Điều chỉnh giá khi tính toán tỷ suất sinh lợi cổ phiếu:
Tỷ suất sinh lợi chứng khoán được tính trên giá thực tế tại các thời điểm thực
tế. Tuy nhiên, có một số trường hợp cần điều chỉnh giá khi tính toán, đó là khi công
ty phát hành bổ sung ví dụ như phân bổ cổ tức dưới dạng cổ phiếu theo các tỷ lệ và
giá khác nhau,... Khi đó số lượng cổ phiếu tăng lên nhưng giá cổ phiếu sẽ giảm. Nếu
tính tỷ suất sinh lợi trên giá thì sẽ thấy nhà đầu tư bị lỗ. Thực ra, thị trường rất công
bằng với những phân bổ cổ tức kiểu này: giá thị trường sẽ giảm một mức sao cho
tổng giá trị công ty không đổi. Nói khác đi, được lợi bao nhiêu lần về lượng thì bị
thiệt bấy nhiêu lần về giá. Nhưng khi phân tích thuần túy về giá thì bắt buộc phải
điều chỉnh ngược lại. Mặt khác, mỗi công ty nghiên cứu trong đề tài có thể phát
hành thêm cổ phiếu để trả cổ tức hoặc bán để tăng vốn nhiều lần trong năm, nên
việc điều chỉnh giá sau khi phát hành cũng cần phải được thực hiện tương ứng với số
lần phát hành thêm.
Giá điều chỉnh sẽ được tính toán theo công thức sau:

(3.4)

Ví dụ, ngày 02/06 công ty BMC phân bổ cho 5 cổ phiếu cũ 2 cổ phiếu thưởng. Giá
thị trường trước khi phân bổ (30/5) là 76.500 đồng/cổ phiếu. Giá thị trường sau khi
phân bổ (02/6) là 54.000 đồng. Nếu không điều chỉnh, suất sinh lợi (về vốn) của
BMC ngày 02/6 sẽ là (54.000 - 6.500)/76.500 = -29,4%. Như vậy là không công
bằng với BMC, vì vào ngày đó không có lý do gì mà giá công ty BMC giảm xuống

34

1/3. Nếu cổ đông A trước ngày 02/6 có 5 cổ phiếu có giá trị là 76.500 x 5 = 382.500
đồng, sau khi được phân bổ thêm 2 cổ phiếu thưởng cổ đông A có 54.000 x 7 =
378.000 đồng. Như vậy giá trị tài sản của cô đông A chỉ giảm (-1,17%). Do vậy,
cần phải điều chỉnh giá tính toán cho hợp lý theo công thức giá điều chỉnh trên. Khi
đó suất sinh lợi của ngày 02/6 sẽ là [(54.000x7/5)-76.500]/76.500 = -1,17%.
Bảng 3.1: Điều chỉnh giá khi các công ty phát hành bổ sung niêm yết trên HoSE xếp
theo thứ tự thời gian từ 01/01/2009 đến 31/12/2011:
S
T
T
1

NGÀY
ẢNH
HƯỞNG
02/01/2009

2

20/05/2009

3

22/05/2009

GMC

4

25/05/2009

5
6

25/05/2009
03/06/2009

7

18/06/2009

8

24/06/2009

LAF
(lần 1)
LGC
DIC
(lần 1)
KHP
(lần 1)
SFI

9

24/06/2009

SGT

10

24/06/2009

LCG

11

26/06/2009

PJT

12

26/06/2009

VPK

13

26/06/2009

TCR
(lần 1)


CK
TTF
(lần 1)
ITA
(lần 1)

NỘI DUNG ĐIỀU CHỈNH

GIÁ ĐIỀU CHỈNH

TTF phát hành 5.000.000 cổ
phiếu thưởng (3:1)
ITA phát hành 67.904.226 trả cổ
tức(100:36) và thưởng (100:14)
tổng cộng (100:50)
GMC phát hành 4.199.074 cổ
phiếu thưởng
LAF phát hành 2.319.560 cổ
phiếu trả cổ tức và thưởng (10:4)
LGC phát hành thưởng (10:1)
DIC phát hành 1.015.493 cổ
phiếu thưởng
KHP phát hành thưởng 3.480.982
CP
SFI phát hành 5.526.654 cổ phiếu
trả cổ tức và thưởng (1:2),
SGT phát hành 8.774.998 cổ
phiếu thưởng và trả cổ tức
(100:15)
LCG phát hành 6.800.000 cổ
phiếu trả cổ tức và thưởng
(100:17)
PJT phát hành 1.400.000 trả cổ
tức và thưởng
VPK phát hành 400.000 cổ phiếu
thưởng (19:1)
TCR phát hành trả cổ tức (100:4)
trong đó liên quan 324.975

P*4/3
P*150/100

P*8.865.021/4.665.947
P*14/10
P*11/10
P*8.200.000/6.769.955
P*20.890.068/17.409.0
86
P*3/1
P*115/100

P*117/100

P*8.400.000/7.000.000
P*20/19
P*104/100

35

MCP
(lần 1)
VIC

MCP phát hành (100:55)

P*155/100

VIC phát hành 79.644.082 cổ
phiếu giá 10.000

(P*(109.191.261+79.6
44.082)(79.644.082*10))/109.
191.261
P*112/100

14

30/06/2009

15

02/07/2009

16

16/07/2009

TCM
(lần 1)

17

21/07/2009

NSC

18

10/08/2009

TMS
(lần 1)

TMS phát hành 1.800.000 giá
15.000 đ/cp

19

14/08/2009

PGC phát hành 1.499.823 thưởng

20

17/08/2009

PGC
(lần 1)
TNA

21

24/08/2009

DMC

22

18/09/2009

VNM

23

16/10/2009

TRA

DMC phát hành 4.039.338 cổ
phiếu thưởng (10:3)
VNM phát hành 175.603.160
thưởng
TRA phát hành 2.039.630 thưởng

24

09/11/2009

TMS
(lần 2)

TMS phát hành 2.810.262, trong
đó 1.800.000 giá 15.000

25

09/11/2009

ST8 phát hành 940.329 trả cổ tức

26

12/11/2009

27

12/11/2009

ST8
(Lần 1)
DHG
(Lần 1)
HDC
(Lần 1)

TCM bán 10,3 triệu cổ phiếu cho
đối tác chiến lược , Thưởng cổ
phiếu tỷ lệ 100:12
NSC phát hành thưởng và trả cổ
tức 2.248.211 CP

TNA phát hành 2.200.000 trong
đó 550.000 thưởng, 1.650.000 giá
10.000

DHG phát hành 6.662.962 trả cổ
tức
HDC phát hành 2.669.391 trả cổ
tức 812.800 còn lại giá 20.000

P*(5.765.950+2.248.2
11)
/5.765.950
(P*(8.002.626+1.800.0
00)(1.800.000*15))/8.002.
626
P*26.499.823/25.000.0
00
(P*(3.300.000+2.200.0
00)(1.650.000*10))/3.300.
000
P*13/10
P*351.228.150/175.62
4.990
P*10.198.150/8.158.52
0
(P*(10.102.626+2.810.
262)(1.800.000*15))/10.10
2.626
P*10.345.349/9.405.02
0
P*26.653.842/19.990.8
80
(P*10.797.391-(
20.000*1.856.591))
/8.128.000