31 Bất ngờ lợi nhuận chuẩn hóa (SUE)

Trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX), các thông báo lợi nhuận là những sự kiện thông tin quan trọng. Nhà đầu tư và các nhà phân tích định lượng liên tục theo dõi độ lệch giữa lợi nhuận kế toán được báo cáo và kỳ vọng của thị trường. Độ lệch này được đo lường bằng bất ngờ lợi nhuận chuẩn hóa (Standardized Earnings Surprise, SUE).

Chương này trình bày chi tiết phương pháp tính SUE theo ba cách tiếp cận khác nhau, thường được sử dụng trong các nghiên cứu học thuật và nghiên cứu của các tổ chức. Chúng ta áp dụng các phương pháp này cho một bộ dữ liệu gồm các cổ phiếu vốn hóa lớn của Việt Nam để minh họa cơ chế tính toán. Mục tiêu là tách riêng thành phần “bất ngờ” của lợi nhuận, vốn là một yếu tố dự báo đã được biết đến của hiện tượng trôi dạt sau thông báo lợi nhuận (PEAD) (Bernard và Thomas 1989; Livnat và Mendenhall 2006).

31.1 Phương pháp luận

Chúng ta định nghĩa ba phương pháp chính để tính SUE. Mỗi phương pháp khác nhau ở cách xác lập giá trị lợi nhuận “kỳ vọng”.

31.1.1 Phương pháp 1: Bước ngẫu nhiên theo mùa vụ

Phương pháp này giả định lợi nhuận tuân theo một quy luật mùa vụ. Yếu tố dự báo tốt nhất cho lợi nhuận trên mỗi cổ phiếu (EPS) của quý hiện tại là EPS của cùng quý trong năm trước. Cách làm này kiểm soát tính mùa vụ thường thấy ở các ngành của Việt Nam như bán lẻ và nông nghiệp.

\[SUE_{1} = \frac{EPS_{t} - EPS_{t-4}}{P_{t}}\]

Trong đó:

$EPS_{t}$ là lợi nhuận trên mỗi cổ phiếu của quý hiện tại.
$EPS_{t-4}$ là lợi nhuận trên mỗi cổ phiếu của cùng quý trong năm tài chính trước.
$P_{t}$ là giá cổ phiếu vào cuối quý (được dùng làm mẫu số chuẩn hóa).

31.1.2 Phương pháp 2: Loại trừ các khoản mục đặc biệt

Lợi nhuận được báo cáo thường chứa các khoản mục không thường xuyên (ví dụ: bán tài sản, xóa sổ một lần) làm sai lệch hiệu quả hoạt động thực sự. Phương pháp này điều chỉnh EPS được báo cáo bằng cách loại bỏ tác động sau thuế của các khoản mục đặc biệt.

Tại Việt Nam, thuế suất thuế thu nhập doanh nghiệp (CIT) tiêu chuẩn nhìn chung là 20%. Chúng ta điều chỉnh các khoản mục đặc biệt để phản ánh tác động của chúng lên lợi nhuận ròng.

\[ Adjusted \ EPS = Reported \ EPS - \frac{Special \ Items \times (1 - CIT)}{Shares \ Outstanding} \]

Khi đó, cách tính SUE tuân theo logic mùa vụ nhưng sử dụng các số liệu EPS đã điều chỉnh: \[SUE_{2} = \frac{Adj \ EPS_{t} - Adj \ EPS_{t-4}}{P_{t}}\]

31.1.3 Phương pháp 3: Đồng thuận của các nhà phân tích

Phương pháp này dựa vào đồng thuận của thị trường thay vì chuỗi thời gian lịch sử. Phương pháp so sánh lợi nhuận thực tế được báo cáo với dự báo trung vị của các nhà phân tích được công bố trước thông báo.

\[SUE_{3} = \frac{Actual \ EPS - Median \ Estimate}{P_{t}}\]

31.2 Mô tả dữ liệu

Trong phân tích này, chúng ta sử dụng một bộ dữ liệu bao phủ các năm tài chính từ 2023 đến 2025. Dữ liệu gồm báo cáo tài chính hằng quý và ước tính đồng thuận của các nhà phân tích đối với một số cổ phiếu thành phần của chỉ số VN30.

Bộ dữ liệu vietnam_fin_data.csv gồm các cột sau:

ticker: Mã cổ phiếu (ví dụ: VNM, VCB, HPG).
fiscal_year: Năm tài chính.
fiscal_qtr: Quý tài chính (1-4).
eps_basic: Lợi nhuận cơ bản trên mỗi cổ phiếu (VND).
price_close: Giá đóng cửa vào cuối quý (VND).
special_items: Giá trị các khoản mục đặc biệt trước thuế (triệu VND). (tức là is_other_profit trong DataCore).
shares_out: Số cổ phiếu đang lưu hành (triệu).
analyst_med: Ước tính EPS trung vị của các nhà phân tích (VND).

31.2.1 Trực quan hóa dữ liệu cốt lõi

Dưới đây là bảng biểu diễn dữ liệu thô mà chúng ta đã nạp cho phân tích.

ticker (mã CP)	fiscal_year (năm TC)	fiscal_qtr (quý TC)	eps_basic (EPS cơ bản)	price_close (giá đóng cửa)	special_items (khoản mục đặc biệt)	shares_out (số CP lưu hành)	analyst_med (trung vị nhà phân tích)
VNM	2023	1	1200	68000	0	2090	1150
VNM	2023	2	1350	71000	50000	2090	1300
VNM	2023	3	1400	74000	0	2090	1450
VNM	2023	4	1100	69000	-20000	2090	1150
VNM	2024	1	1300	72000	0	2090	1250
VNM	2024	2	1500	75000	0	2090	1400
VCB	2023	1	1800	85000	10000	5500	1700
VCB	2024	1	2100	92000	0	5500	2000

31.3 Triển khai

31.3.1 Thiết lập Python và nạp dữ liệu

Trước tiên, chúng ta thiết lập môi trường và nạp bộ dữ liệu. Chúng ta đảm bảo dữ liệu được sắp xếp theo mã cổ phiếu và thời gian để tính độ trễ một cách chính xác.

Hiện mã

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Creating the dataset directly for this chapter's demonstration
data = {
    'ticker': ['VNM']*8 + ['VCB']*8 + ['HPG']*8,
    'fiscal_year': [2023, 2023, 2023, 2023, 2024, 2024, 2024, 2024] * 3,
    'fiscal_qtr': [1, 2, 3, 4, 1, 2, 3, 4] * 3,
    'eps_basic': [
        1200, 1350, 1400, 1100, 1300, 1500, 1450, 1250, # VNM
        1800, 1900, 2000, 2200, 2100, 2300, 2400, 2600, # VCB
        500, 600, 550, 400, 700, 800, 750, 600          # HPG
    ],
    'price_close': [
        68000, 71000, 74000, 69000, 72000, 75000, 73000, 70000, # VNM
        85000, 88000, 90000, 95000, 92000, 96000, 98000, 102000, # VCB
        20000, 22000, 21000, 19000, 25000, 28000, 27000, 24000 # HPG
    ],
    'special_items': [
        0, 50000, 0, -20000, 0, 0, 10000, 0, # VNM (VND Millions)
        10000, 0, 0, 50000, 0, 20000, 0, 0, # VCB
        0, 0, -50000, 0, 100000, 0, 0, 0 # HPG
    ],
    'shares_out': [2090]*8 + [5580]*8 + [5810]*8, # In Millions
    'analyst_med': [
        1150, 1300, 1450, 1150, 1250, 1400, 1480, 1200, # VNM
        1700, 1850, 1950, 2150, 2000, 2250, 2450, 2550, # VCB
        450, 550, 600, 450, 650, 750, 800, 650 # HPG
    ]
}

df = pd.DataFrame(data)

# Sort strictly to ensure shift operations work on correct temporal sequence
df = df.sort_values(by=['ticker', 'fiscal_year', 'fiscal_qtr'])
print(df.head())

   ticker  fiscal_year  fiscal_qtr  eps_basic  price_close  special_items  \
16    HPG         2023           1        500        20000              0   
17    HPG         2023           2        600        22000              0   
18    HPG         2023           3        550        21000         -50000   
19    HPG         2023           4        400        19000              0   
20    HPG         2024           1        700        25000         100000   

    shares_out  analyst_med  
16        5810          450  
17        5810          550  
18        5810          600  
19        5810          450  
20        5810          650

31.3.2 Logic tính toán

Bây giờ chúng ta áp dụng các hàm để tính ba biến thể của SUE.

Bước 1: Xử lý tính mùa vụ (độ trễ)

Với Phương pháp 1 và 2, chúng ta cần dữ liệu của cùng quý năm trước (độ trễ 4).

Hiện mã

# Group by ticker to ensure we don't shift data between companies
df['eps_lag4'] = df.groupby('ticker')['eps_basic'].shift(4)

Bước 2: Điều chỉnh các khoản mục đặc biệt

Với Phương pháp 2, chúng ta phải loại bỏ các khoản mục không thường xuyên. Chúng ta áp dụng thuế suất thuế thu nhập doanh nghiệp (CIT) của Việt Nam là 20%.

Công thức điều chỉnh trên mỗi cổ phiếu là: \[ \text{Adjustment} = \frac{\text{Special Items} \times (1 - 0.20)}{\text{Shares Outstanding}} \]

Hiện mã

# Constants
CIT_RATE_VN = 0.20

# Calculate impact per share
# Note: special_items are in millions, shares_out are in millions
# The units cancel out, leaving the result in VND per share.
df['spi_impact_per_share'] = (df['special_items'] * (1 - CIT_RATE_VN)) / df['shares_out']

# Calculate Adjusted EPS
df['eps_adjusted'] = df['eps_basic'] - df['spi_impact_per_share']

# Create lag for Adjusted EPS
df['eps_adj_lag4'] = df.groupby('ticker')['eps_adjusted'].shift(4)

Bước 3: Tính các biến thể của SUE

Chúng ta hoàn tất phép tính bằng cách lấy chênh lệch giữa giá trị thực tế (hoặc đã điều chỉnh) và giá trị kỳ vọng, chia cho giá cổ phiếu.

Hiện mã

# Method 1: Seasonal Random Walk (Standard EPS)
df['sue_1'] = (df['eps_basic'] - df['eps_lag4']) / df['price_close']

# Method 2: Seasonal Random Walk (Excluding Special Items)
df['sue_2'] = (df['eps_adjusted'] - df['eps_adj_lag4']) / df['price_close']

# Method 3: Analyst Forecasts (IBES Equivalent)
df['sue_3'] = (df['eps_basic'] - df['analyst_med']) / df['price_close']

# Scaling for readability (converting to percentage)
df['sue_1_pct'] = df['sue_1'] * 100
df['sue_2_pct'] = df['sue_2'] * 100
df['sue_3_pct'] = df['sue_3'] * 100

31.4 Kết quả và phân tích

Chúng ta trình bày bất ngờ lợi nhuận chuẩn hóa đã tính cho năm tài chính 2024. Giá trị dương cho thấy một bất ngờ tích cực (vượt kỳ vọng), còn giá trị âm cho thấy kết quả không đạt kỳ vọng.

31.4.1 Kết quả dạng bảng (năm tài chính 2024)

Hiện mã

# Filter for 2024 results where lag data exists
results_2024 = df[df['fiscal_year'] == 2024][['ticker', 'fiscal_qtr', 'sue_1_pct', 'sue_2_pct', 'sue_3_pct']]

# Display formatted table
from IPython.display import display, Markdown
markdown_table = results_2024.to_markdown(index=False, floatfmt=".4f")
display(Markdown(markdown_table))

ticker	fiscal_qtr	sue_1_pct	sue_2_pct	sue_3_pct
HPG	1	0.8000	0.7449	0.2000
HPG	2	0.7143	0.7143	0.1786
HPG	3	0.7407	0.7152	-0.1852
HPG	4	0.8333	0.8333	-0.2083
VCB	1	0.3261	0.3276	0.1087
VCB	2	0.4167	0.4137	0.0521
VCB	3	0.4082	0.4082	-0.0510
VCB	4	0.3922	0.3992	0.0490
VNM	1	0.1389	0.1389	0.0694
VNM	2	0.2000	0.2255	0.1333
VNM	3	0.0685	0.0632	-0.0411
VNM	4	0.2143	0.2033	0.0714

31.4.2 Trực quan hóa

Hình sau vẽ SUE dựa trên dự báo của nhà phân tích (Phương pháp 3) cho các mã cổ phiếu được chọn trong năm tài chính 2024.

Hiện mã

pivot_sue = results_2024.pivot(index='fiscal_qtr', columns='ticker', values='sue_3_pct')

plt.figure(figsize=(10, 6))
for column in pivot_sue.columns:
    plt.plot(pivot_sue.index, pivot_sue[column], marker='o', label=column)

plt.title('Method 3: Analyst Based SUE (FY 2024)')
plt.xlabel('Fiscal Quarter')
plt.ylabel('SUE (%)')
plt.axhline(0, color='black', linestyle='--', linewidth=0.8)
plt.legend(title='Ticker')
plt.grid(True, linestyle=':', alpha=0.6)
plt.xticks([1, 2, 3, 4])
plt.show()

31.5 Kết luận

Trong chương này, chúng ta đã chính thức hóa cách tính bất ngờ lợi nhuận chuẩn hóa cho thị trường Việt Nam. Chúng ta đã chỉ ra rằng chỉ dựa vào tăng trưởng EPS thô (Phương pháp 1) có thể gây hiểu lầm khi có các khoản mục không thường xuyên. Hơn nữa, các bất ngờ dựa trên nhà phân tích (Phương pháp 3) thường cung cấp tín hiệu rõ ràng hơn về thông tin mới đi vào thị trường.

Để xây dựng mô hình định lượng vững chắc tại Việt Nam, chúng tôi khuyến nghị dùng Phương pháp 2 khi dữ liệu nhà phân tích thưa thớt (phổ biến ở các cổ phiếu vốn hóa nhỏ) và Phương pháp 3 cho các cổ phiếu thành phần VN30, nơi mức độ phủ sóng của nhà phân tích sâu và thanh khoản cao.

# Bất ngờ lợi nhuận chuẩn hóa (SUE) Trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX), các thông báo lợi nhuận là những sự kiện thông tin quan trọng. Nhà đầu tư và các nhà phân tích định lượng liên tục theo dõi độ lệch giữa lợi nhuận kế toán được báo cáo và kỳ vọng của thị trường. Độ lệch này được đo lường bằng bất ngờ lợi nhuận chuẩn hóa (Standardized Earnings Surprise, SUE). Chương này trình bày chi tiết phương pháp tính SUE theo ba cách tiếp cận khác nhau, thường được sử dụng trong các nghiên cứu học thuật và nghiên cứu của các tổ chức. Chúng ta áp dụng các phương pháp này cho một bộ dữ liệu gồm các cổ phiếu vốn hóa lớn của Việt Nam để minh họa cơ chế tính toán. Mục tiêu là tách riêng thành phần "bất ngờ" của lợi nhuận, vốn là một yếu tố dự báo đã được biết đến của hiện tượng trôi dạt sau thông báo lợi nhuận (PEAD) [@bernard1989post; @livnat2006comparing]. ## Phương pháp luận Chúng ta định nghĩa ba phương pháp chính để tính SUE. Mỗi phương pháp khác nhau ở cách xác lập giá trị lợi nhuận "kỳ vọng". ### Phương pháp 1: Bước ngẫu nhiên theo mùa vụ Phương pháp này giả định lợi nhuận tuân theo một quy luật mùa vụ. Yếu tố dự báo tốt nhất cho lợi nhuận trên mỗi cổ phiếu (EPS) của quý hiện tại là EPS của cùng quý trong năm trước. Cách làm này kiểm soát tính mùa vụ thường thấy ở các ngành của Việt Nam như bán lẻ và nông nghiệp. $$SUE_{1} = \frac{EPS_{t} - EPS_{t-4}}{P_{t}}$$ Trong đó: - $EPS_{t}$ là lợi nhuận trên mỗi cổ phiếu của quý hiện tại. - $EPS_{t-4}$ là lợi nhuận trên mỗi cổ phiếu của cùng quý trong năm tài chính trước. - $P_{t}$ là giá cổ phiếu vào cuối quý (được dùng làm mẫu số chuẩn hóa). ### Phương pháp 2: Loại trừ các khoản mục đặc biệt Lợi nhuận được báo cáo thường chứa các khoản mục không thường xuyên (ví dụ: bán tài sản, xóa sổ một lần) làm sai lệch hiệu quả hoạt động thực sự. Phương pháp này điều chỉnh EPS được báo cáo bằng cách loại bỏ tác động sau thuế của các khoản mục đặc biệt. Tại Việt Nam, thuế suất thuế thu nhập doanh nghiệp (CIT) tiêu chuẩn nhìn chung là 20%. Chúng ta điều chỉnh các khoản mục đặc biệt để phản ánh tác động của chúng lên lợi nhuận ròng. $$ Adjusted \ EPS = Reported \ EPS - \frac{Special \ Items \times (1 - CIT)}{Shares \ Outstanding} $$ Khi đó, cách tính SUE tuân theo logic mùa vụ nhưng sử dụng các số liệu EPS đã điều chỉnh: $$SUE_{2} = \frac{Adj \ EPS_{t} - Adj \ EPS_{t-4}}{P_{t}}$$ ### Phương pháp 3: Đồng thuận của các nhà phân tích Phương pháp này dựa vào đồng thuận của thị trường thay vì chuỗi thời gian lịch sử. Phương pháp so sánh lợi nhuận thực tế được báo cáo với dự báo trung vị của các nhà phân tích được công bố trước thông báo. $$SUE_{3} = \frac{Actual \ EPS - Median \ Estimate}{P_{t}}$$ ## Mô tả dữ liệu Trong phân tích này, chúng ta sử dụng một bộ dữ liệu bao phủ các năm tài chính từ 2023 đến 2025. Dữ liệu gồm báo cáo tài chính hằng quý và ước tính đồng thuận của các nhà phân tích đối với một số cổ phiếu thành phần của chỉ số VN30. Bộ dữ liệu `vietnam_fin_data.csv` gồm các cột sau: - **ticker**: Mã cổ phiếu (ví dụ: VNM, VCB, HPG). - **fiscal_year**: Năm tài chính. - **fiscal_qtr**: Quý tài chính (1-4). - **eps_basic**: Lợi nhuận cơ bản trên mỗi cổ phiếu (VND). - **price_close**: Giá đóng cửa vào cuối quý (VND). - **special_items**: Giá trị các khoản mục đặc biệt trước thuế (triệu VND). (tức là `is_other_profit` trong DataCore). - **shares_out**: Số cổ phiếu đang lưu hành (triệu). - **analyst_med**: Ước tính EPS trung vị của các nhà phân tích (VND). ### Trực quan hóa dữ liệu cốt lõi Dưới đây là bảng biểu diễn dữ liệu thô mà chúng ta đã nạp cho phân tích. | ticker (mã CP) | fiscal_year (năm TC) | fiscal_qtr (quý TC) | eps_basic (EPS cơ bản) | price_close (giá đóng cửa) | special_items (khoản mục đặc biệt) | shares_out (số CP lưu hành) | analyst_med (trung vị nhà phân tích) | |:--------|:--------|:--------|:--------|:--------|:--------|:--------|:--------| | VNM | 2023 | 1 | 1200 | 68000 | 0 | 2090 | 1150 | | VNM | 2023 | 2 | 1350 | 71000 | 50000 | 2090 | 1300 | | VNM | 2023 | 3 | 1400 | 74000 | 0 | 2090 | 1450 | | VNM | 2023 | 4 | 1100 | 69000 | -20000 | 2090 | 1150 | | VNM | 2024 | 1 | 1300 | 72000 | 0 | 2090 | 1250 | | VNM | 2024 | 2 | 1500 | 75000 | 0 | 2090 | 1400 | | VCB | 2023 | 1 | 1800 | 85000 | 10000 | 5500 | 1700 | | VCB | 2024 | 1 | 2100 | 92000 | 0 | 5500 | 2000 | ## Triển khai ### Thiết lập Python và nạp dữ liệu Trước tiên, chúng ta thiết lập môi trường và nạp bộ dữ liệu. Chúng ta đảm bảo dữ liệu được sắp xếp theo mã cổ phiếu và thời gian để tính độ trễ một cách chính xác. ```{python} import pandas as pd import numpy as np import matplotlib.pyplot as plt # Creating the dataset directly for this chapter's demonstration data = { 'ticker': ['VNM']*8 + ['VCB']*8 + ['HPG']*8, 'fiscal_year': [2023, 2023, 2023, 2023, 2024, 2024, 2024, 2024] * 3, 'fiscal_qtr': [1, 2, 3, 4, 1, 2, 3, 4] * 3, 'eps_basic': [ 1200, 1350, 1400, 1100, 1300, 1500, 1450, 1250, # VNM 1800, 1900, 2000, 2200, 2100, 2300, 2400, 2600, # VCB 500, 600, 550, 400, 700, 800, 750, 600 # HPG ], 'price_close': [ 68000, 71000, 74000, 69000, 72000, 75000, 73000, 70000, # VNM 85000, 88000, 90000, 95000, 92000, 96000, 98000, 102000, # VCB 20000, 22000, 21000, 19000, 25000, 28000, 27000, 24000 # HPG ], 'special_items': [ 0, 50000, 0, -20000, 0, 0, 10000, 0, # VNM (VND Millions) 10000, 0, 0, 50000, 0, 20000, 0, 0, # VCB 0, 0, -50000, 0, 100000, 0, 0, 0 # HPG ], 'shares_out': [2090]*8 + [5580]*8 + [5810]*8, # In Millions 'analyst_med': [ 1150, 1300, 1450, 1150, 1250, 1400, 1480, 1200, # VNM 1700, 1850, 1950, 2150, 2000, 2250, 2450, 2550, # VCB 450, 550, 600, 450, 650, 750, 800, 650 # HPG ] } df = pd.DataFrame(data) # Sort strictly to ensure shift operations work on correct temporal sequence df = df.sort_values(by=['ticker', 'fiscal_year', 'fiscal_qtr']) print(df.head()) ``` ### Logic tính toán Bây giờ chúng ta áp dụng các hàm để tính ba biến thể của SUE. **Bước 1: Xử lý tính mùa vụ (độ trễ)** Với Phương pháp 1 và 2, chúng ta cần dữ liệu của cùng quý năm trước (độ trễ 4). ```{python} # Group by ticker to ensure we don't shift data between companies df['eps_lag4'] = df.groupby('ticker')['eps_basic'].shift(4) ``` **Bước 2: Điều chỉnh các khoản mục đặc biệt** Với Phương pháp 2, chúng ta phải loại bỏ các khoản mục không thường xuyên. Chúng ta áp dụng thuế suất thuế thu nhập doanh nghiệp (CIT) của Việt Nam là 20%. Công thức điều chỉnh trên mỗi cổ phiếu là: $$ \text{Adjustment} = \frac{\text{Special Items} \times (1 - 0.20)}{\text{Shares Outstanding}} $$ ```{python} # Constants CIT_RATE_VN = 0.20 # Calculate impact per share # Note: special_items are in millions, shares_out are in millions # The units cancel out, leaving the result in VND per share. df['spi_impact_per_share'] = (df['special_items'] * (1 - CIT_RATE_VN)) / df['shares_out'] # Calculate Adjusted EPS df['eps_adjusted'] = df['eps_basic'] - df['spi_impact_per_share'] # Create lag for Adjusted EPS df['eps_adj_lag4'] = df.groupby('ticker')['eps_adjusted'].shift(4) ``` **Bước 3: Tính các biến thể của SUE** Chúng ta hoàn tất phép tính bằng cách lấy chênh lệch giữa giá trị thực tế (hoặc đã điều chỉnh) và giá trị kỳ vọng, chia cho giá cổ phiếu. ```{python} # Method 1: Seasonal Random Walk (Standard EPS) df['sue_1'] = (df['eps_basic'] - df['eps_lag4']) / df['price_close'] # Method 2: Seasonal Random Walk (Excluding Special Items) df['sue_2'] = (df['eps_adjusted'] - df['eps_adj_lag4']) / df['price_close'] # Method 3: Analyst Forecasts (IBES Equivalent) df['sue_3'] = (df['eps_basic'] - df['analyst_med']) / df['price_close'] # Scaling for readability (converting to percentage) df['sue_1_pct'] = df['sue_1'] * 100 df['sue_2_pct'] = df['sue_2'] * 100 df['sue_3_pct'] = df['sue_3'] * 100 ``` ## Kết quả và phân tích Chúng ta trình bày bất ngờ lợi nhuận chuẩn hóa đã tính cho năm tài chính 2024. Giá trị dương cho thấy một bất ngờ tích cực (vượt kỳ vọng), còn giá trị âm cho thấy kết quả không đạt kỳ vọng. ### Kết quả dạng bảng (năm tài chính 2024) ```{python} # Filter for 2024 results where lag data exists results_2024 = df[df['fiscal_year'] == 2024][['ticker', 'fiscal_qtr', 'sue_1_pct', 'sue_2_pct', 'sue_3_pct']] # Display formatted table from IPython.display import display, Markdown markdown_table = results_2024.to_markdown(index=False, floatfmt=".4f") display(Markdown(markdown_table)) ``` ```{=html}  ``` ```{=html}  ``` ### Trực quan hóa Hình sau vẽ SUE dựa trên dự báo của nhà phân tích (Phương pháp 3) cho các mã cổ phiếu được chọn trong năm tài chính 2024. ```{python} #| fig-width: 7 #| label: fig-sue pivot_sue = results_2024.pivot(index='fiscal_qtr', columns='ticker', values='sue_3_pct') plt.figure(figsize=(10, 6)) for column in pivot_sue.columns: plt.plot(pivot_sue.index, pivot_sue[column], marker='o', label=column) plt.title('Method 3: Analyst Based SUE (FY 2024)') plt.xlabel('Fiscal Quarter') plt.ylabel('SUE (%)') plt.axhline(0, color='black', linestyle='--', linewidth=0.8) plt.legend(title='Ticker') plt.grid(True, linestyle=':', alpha=0.6) plt.xticks([1, 2, 3, 4]) plt.show() ``` ## Kết luận Trong chương này, chúng ta đã chính thức hóa cách tính bất ngờ lợi nhuận chuẩn hóa cho thị trường Việt Nam. Chúng ta đã chỉ ra rằng chỉ dựa vào tăng trưởng EPS thô (Phương pháp 1) có thể gây hiểu lầm khi có các khoản mục không thường xuyên. Hơn nữa, các bất ngờ dựa trên nhà phân tích (Phương pháp 3) thường cung cấp tín hiệu rõ ràng hơn về thông tin mới đi vào thị trường. Để xây dựng mô hình định lượng vững chắc tại Việt Nam, chúng tôi khuyến nghị dùng Phương pháp 2 khi dữ liệu nhà phân tích thưa thớt (phổ biến ở các cổ phiếu vốn hóa nhỏ) và Phương pháp 3 cho các cổ phiếu thành phần VN30, nơi mức độ phủ sóng của nhà phân tích sâu và thanh khoản cao.