Luận án Tiến sĩ Kinh tế học: Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:148

Thêm vào BST

Báo xấu

2
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận án Tiến sĩ Kinh tế học "Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam" trình bày các nội dung chính sau: Thực trạng TTCK Việt Nam giai đoạn 2008 - 2022; Phân tích so sánh các danh mục Học máy với danh mục MV tiêu chuẩn.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận án Tiến sĩ Kinh tế học: Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN --------------------------------- BÙI QUỐC HOÀN TIẾP CẬN MACHINE LEARNING TRONG QUẢN TRỊ DANH MỤC TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM LUẬN ÁN TIẾN SĨ NGÀNH KINH TẾ HỌC HÀ NỘI - 2024
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN --------------------------------- BÙI QUỐC HOÀN TIẾP CẬN MACHINE LEARNING TRONG QUẢN TRỊ DANH MỤC TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM Chuyên ngành: Toán kinh tế Mã số: 9310101 LUẬN ÁN TIẾN SĨ Người hướng dẫn khoa học: 1. TS. Nguyễn Mạnh Thế 2. TS. Vương Mai Phương HÀ NỘI - 2024
i LỜI CAM ĐOAN Tôi đã đọc và hiểu về các hành vi vi phạm sự trung thực trong học thuật. Tôi cam kết bằng danh dự cá nhân rằng, luận án: “Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam” là do tôi tự thực hiện và không vi phạm yêu cầu về sự trung thực trong học thuật. Hà Nội, ngày 02 tháng 7 năm 2024 Nghiên cứu sinh Bùi Quốc Hoàn
ii LỜI CẢM ƠN Tác giả xin bày tỏ sự biết ơn chân thành đến TS. Nguyễn Mạnh Thế và TS. Vương Mai Phương, những người hướng dẫn khoa học, đã tận tình hướng dẫn tác giả trong suốt thời gian học tập, nghiên cứu và thực hiện luận án. Tác giả xin chân thành cảm ơn các quý thầy cô giáo trong Khoa Toán kinh tế và các đồng nghiệp thuộc Bộ môn Toán cơ bản - Trường Đại học Kinh tế Quốc dân đã tạo mọi điều kiện và giúp đỡ tác giả trong suốt thời gian học tập và nghiên cứu. Tác giả xin chân thành cảm ơn các nhà khoa học, các thầy cô giáo công tác trong và ngoài trường Đại học Kinh tế Quốc dân đã đóng góp nhiều ý kiến quý báu để tác giả hoàn thiện luận án. Tác giả xin trân trọng cảm ơn các quý thầy cô giáo và cán bộ Viện Đào tạo Sau đại học - Trường Đại học Kinh tế Quốc dân đã tạo điều kiện giúp đỡ tác giả trong quá trình học tập tại trường. Cuối cùng, tác giả xin được gửi lời cảm ơn sâu sắc đến những người thân trong gia đình đã tạo điều kiện, động viên và khích lệ tác giả trong suốt quá trình học tập, nghiên cứu và hoàn thành luận án. Bùi Quốc Hoàn
iii MỤC LỤC LỜI CAM ĐOAN .......................................................................................................... i LỜI CẢM ƠN ............................................................................................................... ii MỤC LỤC .................................................................................................................... iii DANH MỤC CHỮ VIẾT TẮT .....................................................................................v DANH MỤC BẢNG BIỂU ......................................................................................... vi DANH MỤC HÌNH VẼ .............................................................................................. vii LỜI MỞ ĐẦU ................................................................................................................1 CHƯƠNG 1. CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN NGHIÊN CỨU .......................9 1.1 Cơ sở lý thuyết .........................................................................................................9 1.1.1 Một số khái niệm trong quản trị danh mục đầu tư .................................................9 1.1.2 Cơ sở lý thuyết của Quản trị danh mục đầu tư .....................................................13 1.1.3 Mô hình Trung bình - phương sai của Markowitz ................................................17 1.2 Tổng quan nghiên cứu ...........................................................................................24 1.2.1 Các nghiên cứu trên thế giới ................................................................................24 1.2.2 Các nghiên cứu trong nước ..................................................................................31 1.3 Khoảng trống và khung nghiên cứu ....................................................................32 1.3.1 Khoảng trống nghiên cứu .....................................................................................32 1.3.2 Khung nghiên cứu .................................................................................................33 CHƯƠNG 2. PHƯƠNG PHÁP NGHIÊN CỨU .......................................................43 2.1 Các phương pháp Học máy ứng dụng trong quản trị danh mục......................44 2.1.1 Giới thiệu về Học máy ..........................................................................................44 2.1.2 Phương pháp phân cụm chuỗi thời gian...............................................................46 2.1.3 Phương pháp Bộ nhớ ngắn – dài hạn (Long Short - Term Memory) ...................52 2.1.4 Phương pháp chính quy hóa .................................................................................55
iv 2.2 Học máy kết hợp với mô hình MV trong xây dựng danh mục tối ưu ..............58 2.2.1 Phương pháp phân cụm chuỗi thời gian kết hợp với mô hình MV .......................58 2.2.2 Phương pháp LSTM kết hợp với mô hình MV ......................................................60 2.2.3 Phương pháp chính quy hóa kết hợp với mô hình MV .........................................65 CHƯƠNG 3. PHÂN TÍCH THỰC NGHIỆM VÀ KẾT QUẢ ................................71 3.1 Thực trạng TTCK Việt Nam giai đoạn 2008 - 2022 ...........................................71 3.2 Kết quả thực nghiệm .............................................................................................83 3.2.1 Kết quả thực nghiệm của phương pháp phân cụm chuỗi thời gian ......................83 3.2.2 Kết quả thực nghiệm của phương pháp LSTM .....................................................89 3.2.3 Kết quả thực nghiệm của phương pháp Lasso .....................................................94 3.3 Phân tích so sánh ...................................................................................................99 3.3.1 Phân tích so sánh các danh mục Học máy với danh mục MV tiêu chuẩn ............99 3.3.2 So sánh các danh mục Học máy .........................................................................106 3.4 Kết luận chương...................................................................................................108 CHƯƠNG 4. KẾT LUẬN VÀ KHUYẾN NGHỊ .................................................... 110 4.1 Kết luận của luận án............................................................................................ 112 4.2 Một số khuyến nghị ............................................................................................. 113 4.3 Một số hạn chế của luận án ................................................................................ 115 TÀI LIỆU THAM KHẢO ......................................................................................... 117
v DANH MỤC CHỮ VIẾT TẮT Chữ viết tắt Giải thích Tiếng Anh Giải thích Tiếng Việt ETF Exchange Traded Fund Quỹ đầu tư Global Mean - Variance Danh mục Trung bình - phương sai GMVP Portfolio toàn cục IR Information Ratio Tỷ số thông tin Least Absolute Shrinkage Toán tử lựa chọn và rút gọn tuyệt Lasso and Selection Operator đối tối thiểu LSTM Long Short-Term Memory Bộ nhớ ngắn - dài hạn ML Machine Learning Học máy (Máy học) MPT Modern Portfolio Theory Lý thuyết danh mục đầu tư hiện đại MV Mean - Variance Trung bình - phương sai OLS Ordinary Least Squares Phương pháp bình phương tối thiểu RNN Recurrent Neutral Network Mạng nơ ron hồi quy SR Sharpe Ratio Tỷ số Sharpe TO Turnover Portfolio Chỉ số luân chuyển danh mục TTCK Thị trường chứng khoán TTGDCK Trung tâm giao dịch chứng khoán
vi DANH MỤC BẢNG BIỂU Bảng 2.1. Thông tin về các tập dữ liệu trong các giai đoạn ..........................................64 Bảng 3.1. Thống kê cơ bản về lợi suất của chỉ số VNIndex (2008 - 2012) ..................75 Bảng 3.2. Thống kê cơ bản về lợi suất của chỉ số VNIndex (2013 - 2019) ..................79 Bảng 3.3. Thống kê cơ bản về lợi suất của chỉ số VNIndex (2020 - 2022) ..................80 Bảng 3.4. Các chỉ số đánh giá danh mục (giai đoạn 2008 - 2012) ................................83 Bảng 3.5. Các chỉ số đánh giá danh mục (giai đoạn 2013 - 2019) ................................85 Bảng 3.6. Các chỉ số đánh giá danh mục (giai đoạn 2020 - 2022) ................................87 Bảng 3.7. Các chỉ số đánh giá danh mục (giai đoạn 2008 - 2012) ................................90 Bảng 3.8. Các chỉ số đánh giá danh mục (giai đoạn 2013 - 2019) ................................91 Bảng 3.9. Các chỉ số đánh giá danh mục (giai đoạn 2020 - 2022) ................................93 Bảng 3.10. Các chỉ số đánh giá danh mục (giai đoạn 2008 - 2012) ..............................95 Bảng 3.11. Các chỉ số đánh giá danh mục (giai đoạn 2013 - 2019) ..............................96 Bảng 3.12. Các chỉ số đánh giá danh mục (giai đoạn 2020 - 2022) ..............................98 Bảng 3.13. So sánh danh mục MTS và MV giai đoạn 2008 - 2012 ............................100 Bảng 3.14. So sánh danh mục Lasso và MV giai đoạn 2008 - 2012 ...........................100 Bảng 3.15. So sánh danh mục LSTM-MV và MV giai đoạn 2008 - 2012..................101 Bảng 3.16. Kiểm định sự khác nhau trong giai đoạn 2008 - 2012 ..............................101 Bảng 3.17. So sánh danh mục MTS-MV và MV giai đoạn 2013 - 2019 ....................102 Bảng 3.18. So sánh danh mục Lasso và MV giai đoạn 2013 - 2019 ...........................102 Bảng 3.19. So sánh danh mục LSTM-MV và MV giai đoạn 2013 - 2019..................103 Bảng 3.20. Kiểm định sự khác nhau trong giai đoạn 2013 - 2019 ..............................103 Bảng 3.21. So sánh danh mục MTS-MV và MV giai đoạn 2020 – 2022 ...................104 Bảng 3.22. So sánh danh mục Lasso và MV giai đoạn 2020 – 2022 ..........................104 Bảng 3.23. So sánh danh mục LSTM-MV và MV giai đoạn 2020 – 2022 .................104 Bảng 3.24. Kiểm định sự khác nhau trong giai đoạn 2020 - 2022 ..............................105 Bảng 3.25. So sánh ba phương pháp Học máy ............................................................106 Bảng 3.26. Kiểm định sự khác biệt của 3 phương pháp với MV theo lợi suất .............. 107 Bảng 3.27. Kiểm định sự khác biệt của 3 phương pháp với MV theo lợi suất tích lũy 107
vii DANH MỤC HÌNH VẼ Hình 1.1 Quá trình quản trị danh mục đầu tư ................................................................ 11 Hình 1.2. Minh họa đường biên hiệu quả xây dựng theo mô hình MV ........................20 Hình 1.3. Khung nghiên cứu của luận án ......................................................................33 Hình 1.4. Minh họa giá trị VaR và CVaR ......................................................................38 Hình 1.5. Minh họa phương pháp cửa sổ cuộn (rolling window) .................................38 Hình 1.6. Minh họa phương pháp cửa sổ cuộn cho giai đoạn 2008 - 2012 ..................39 Hình 2.1. Một đơn vị cơ bản của LSTM .......................................................................54 Hình 2.2. Diễn giải về tính thưa của nghiệm bài toán hồi quy Lasso ...........................57 Hình 2.3. Phương pháp xây dựng danh mục dựa trên kỹ thuật phân cụm ....................58 Hình 2.4. Minh họa phương pháp xác thực chéo ..........................................................68 Hình 2.5. Phương pháp xác thực chéo trong tập huấn luyện.........................................70 Hình 3.1. Một số chỉ tiêu vĩ mô của Việt Nam giai đoạn 2008 – 2022 .........................74 Hình 3.2 Chỉ số VNIndex giai đoạn 2008 - 2012 ..........................................................75 Hình 3.3. Vốn hóa thị trường trên thị trường chứng khoán Việt Nam ..........................76 Hình 3.4. Số lượng mã chứng khoán niêm yết tại Việt Nam ........................................77 Hình 3.5. Số lượng trái phiếu giao dịch trên thị trường chứng khoán ..........................78 Hình 3.6. Số lượng quỹ ETF giao dịch trên thị trường chứng khoán............................78 Hình 3.7. Chỉ số VNIndex trong giai đoạn 2013 – 2019 ...............................................79 Hình 3.8. Chỉ số VNIndex trong giai đoạn 2020 - 2022 ...............................................80 Hình 3.9. Số lượng quỹ đầu tư trên thị trường chứng khoán Việt Nam ........................82 Hình 3.10. Lợi suất tích lũy (giai đoạn 2008 - 2012) ....................................................84 Hình 3.11. Tỷ số IR tại các thời điểm (giai đoạn 2008 - 2012) .....................................85 Hình 3.12. Chuỗi lợi suất tích lũy (giai đoạn 2013 - 2019)...........................................86 Hình 3.13. Tỷ số IR tại các thời điểm (giai đoạn 2013 - 2019).....................................87 Hình 3.14. Lợi suất tích lũy (giai đoạn 2020 - 2022) ....................................................88 Hình 3.15. Tỷ số IR tại các thời điểm (giai đoạn 2020 - 2022).....................................89 Hình 3.16. Lợi suất tích lũy (giai đoạn 2008 - 2012) ....................................................90 Hình 3.17. Tỷ số IR tại các thời điểm (giai đoạn 2008 - 2012).....................................91 Hình 3.18. Lợi suất tích lũy (giai đoạn 2013 - 2019) ....................................................92 Hình 3.19. Tỷ số IR tại các thời điểm (giai đoạn 2013 - 2019).....................................92 Hình 3.20. Lợi suất tích lũy (giai đoạn 2020 - 2022) ....................................................93 Hình 3.21. Tỷ số IR tại các thời điểm (giai đoạn 2020 - 2022).....................................94 Hình 3.22. Lợi suất tích lũy (giai đoạn 2008 - 2012) ....................................................95 Hình 3.23. Tỷ số IR tại các thời điểm (giai đoạn 2008 - 2012).....................................96
viii Hình 3.24. Lợi suất tích lũy (giai đoạn 2013 - 2019) ....................................................97 Hình 3.25. Tỷ số IR tại các thời điểm (giai đoạn 2013 - 2019).....................................97 Hình 3.26. Lợi suất tích lũy (giai đoạn 2020 - 2022) ....................................................98 Hình 3.27. Tỷ số IR tại các thời điểm (giai đoạn 2020 - 2022).....................................99 Hình 4.1. Xác định danh mục theo thời gian ............................................................... 114 Hình 4.2 Quy trình xác định danh mục ....................................................................... 114
1 LỜI MỞ ĐẦU 1. Lý do lựa chọn đề tài Quản trị danh mục đầu tư trên thị trường chứng khoán là một nhiệm vụ khó khăn do thị trường luôn biến động phức tạp. Việc quản trị danh mục đầu tư gồm các bước tích hợp, bao gồm: xác định mục tiêu và kế hoạch đầu tư; xây dựng danh mục đầu tư; và đánh giá danh mục và thực hiện các điều chỉnh cần thiết. Các bước này được thực hiện một cách nhất quán để tạo ra và duy trì một danh mục đầu tư (sự kết hợp giữa các tài sản) phù hợp, đáp ứng các mục tiêu đề ra. Trong các bước này, việc xây dựng danh mục đầu tư là một khâu quan trọng. Các quan điểm và phương pháp lựa chọn danh mục đã được phát triển qua các giai đoạn lịch sử. Trong đó, sự đa dạng hóa của danh mục đầu tư nhận được sự quan tâm từ phía các nhà nghiên cứu và cả các nhà đầu tư. Quan điểm đa dạng hóa danh mục đầu tư được bắt nguồn từ công trình của Harry Markowitz (Markowitz, 1952). Markowitz và các nhà nghiên cứu tiếp theo, như Jack Treynor và William Sharpe, đã xây dựng lý thuyết danh mục đầu tư hiện đại (Modern Portfolio Theory - MPT) - phân tích các lựa chọn danh mục đầu tư hợp lý dựa trên việc sử dụng rủi ro một cách hiệu quả. Lý thuyết danh mục đầu tư hiện đại đã cách mạng hóa việc quản lý đầu tư. Thứ nhất, các nhà đầu tư bắt đầu nhận ra tầm quan trọng của quan điểm danh mục đầu tư trong việc đạt được các mục tiêu đầu tư. Thứ hai, MPT đã giúp phổ biến kiến thức và sử dụng các phương pháp định lượng trong quản trị danh mục đầu tư. Ngày nay, các khái niệm định lượng và định tính bổ sung cho nhau trong quản lý đầu tư. Lý thuyết danh mục hiện đại với cốt lõi là bài toán phân tích Trung bình - phương sai (Mean - variance analysis: MV) lựa chọn danh mục tối ưu nhằm cực đại hóa lợi suất với mức độ rủi ro định sẵn, hoặc một cách tương đương, cực tiểu hóa rủi ro với mức lợi suất kỳ vọng định sẵn. Việc lựa chọn này được dựa trên hai thông số cơ bản, gồm lợi nhuận và độ rủi ro của danh mục. Trong đó, lợi nhuận được đo bởi lợi suất kỳ vọng của danh mục, còn độ rủi ro được đo bởi phương sai của danh mục. Quá trình tính toán danh mục đòi hỏi việc ước lượng giá trị kỳ vọng của lợi suất và ma trận hiệp phương sai giữa các tài sản. Với số tài sản trên thị trường chứng khoán ngày càng nhiều và sự liên hệ giữa các tài sản ngày càng phức tạp, phương pháp Trung bình - phương sai có thể gặp phải một số hạn chế. Thứ nhất là, như các nghiên cứu thực nghiệm đã chỉ ra, ước lượng của ma trận hiệp phương sai, nhất là trong điều kiện số tài sản lớn, là khá nhạy cảm với nhiễu (Jobson & Korkie, 1980; Best & Grauer, 1991). Cụ thể hơn, một cú sốc dù nhỏ trên thị trường cũng có thể dẫn đến sự thay đổi lớn trong ma trận hiệp phương sai, và do
2 đó sẽ có sai lệch lớn của danh mục nhận được. Vấn đề này càng trở nên nghiêm trọng khi mà cấu trúc của thị trường thay đổi nhanh, khi đó việc thu được ước lượng cho ma trận hiệp phương sai có độ chính xác cao càng trở nên khó khăn hơn. Hạn chế thứ hai là tính quá khớp của lời giải bài toán MV. Theo Kinn (2018), cách tiếp cận theo mô hình MV tiêu chuẩn tương đương với giải bài toán hồi quy tuyến tính bằng phương pháp bình phương tối thiểu (Ordinary Least Squares - OLS), trong đó các biến hồi quy là lợi suất của các tài sản và các hệ số là các trọng số của danh mục đầu tư. Vì OLS nhằm mục đích tạo ra ước lượng tuyến tính không chệch tốt nhất nên nó không cho phép đánh đổi giữa độ chệch và phương sai của ước lượng. Do đó, khi số tài sản trên thị trường là lớn thì hiệu suất của danh mục thu được có thể không tốt do hậu quả của vấn đề quá khớp. Gần đây, đã có một số hướng nghiên cứu nhằm cải thiện các vấn đề trên của phương pháp MV tiêu chuẩn, trong đó đáng kể đến là sự kết hợp các phương pháp Học máy (Machine learning - ML) với bài toán tối ưu MV. Các nghiên cứu thực nghiệm theo hướng này đã cho thấy những ưu việt đáng kể so với phương pháp MV tiêu chuẩn (Nanda và cộng sự, 2010; Iorio và cộng sự, 2018; DeMiguel & Nogales, 2009; Awoye, 2016; Bjerring và cộng sự, 2017; Brodie và cộng sự, 2009; Kinn, 2018; Ta và cộng sự, 2020; Ma và cộng sự, 2021; Zhang và cộng sự, 2022). Các nghiên cứu theo hướng kết hợp ML với bài toán tối ưu có thể phân thành ba nhóm chính. Nhóm thứ nhất theo tiếp cận giảm chiều dữ liệu, nhằm hướng tới một danh mục ít tài sản hơn, bằng phương pháp phân cụm chuỗi thời gian. Kết quả thực nghiệm của các công trình được thực hiện theo hướng này đã cho thấy sự cải thiện của danh mục tìm được so với danh mục xác định theo phương pháp MV tiêu chuẩn, chẳng hạn Nanda và cộng sự (2010), Iorio và cộng sự (2018), Marvin và Bhatt (2015), Ren (2005). Nhóm tiếp theo là giải quyết vấn đề quá khớp bằng cách tích hợp các mô hình dự báo vào lựa chọn danh mục đầu tư tối ưu. Các công trình tiêu biểu có thể kể đến là Ta và cộng sự (2020), Wang và cộng sự (2020), Fjellström (2022), Zhang và cộng sự (2022). Các nghiên cứu cho thấy việc sử dụng giá trị dự báo bởi các mô hình ML phù hợp hơn so với sử dụng giá trị lợi suất lịch sử trong các mô hình xây dựng danh mục tối ưu. Và hướng tiếp theo là giải quyết vấn đề quá khớp bằng phương pháp chính quy. Các nghiên cứu của Brodie và cộng sự (2009), Kinn (2018) hay Husmann và cộng sự (2022) sử dụng phương pháp chính quy với mô hình MV. Chủ trương của phương pháp chính quy là chấp nhận một phần chệch cho giá trị trung bình của các hệ số cần ước lượng nhưng giảm thiểu được phương sai của ước lượng. Việc giảm thiểu phương sai này về nguyên tắc sẽ giúp cải thiện được độ chính xác cho các tính toán cho ngoài mẫu.
3 Ở Việt Nam, thị trường chứng khoán đã phát triển khá mạnh về quy mô. Tính tại thời điểm tháng 5 năm 2023, số lượng công ty niêm yết trên sàn Hà Nội (HNX) là 359, và số lượng công ty niêm yết trên sàn thành phố Hồ Chí Minh (HSX) là 515. Điều này có thể làm ảnh hưởng đến chất lượng ước lượng của ma trận hiệp phương sai cũng như chất lượng của hiệu suất danh mục ngoài mẫu khi tiếp cận bằng phương pháp MV tiêu chuẩn. Tuy nhiên, các nghiên cứu ở Việt Nam chưa tập trung vào hướng khắc phục những hạn chế này bằng cách sử dụng Học máy. Thêm vào đó, các nghiên cứu ở Việt Nam (và trên thế giới) thường tập trung vào việc so sánh các phương pháp trên cùng một bộ số liệu, mà chưa làm rõ được ưu điểm của từng phương pháp trên các trạng thái khác nhau của thị trường. Cụ thể hơn, chẳng hạn lúc thị trường bình ổn, việc ước lượng ma trận hiệp phương sai có thể tốt hơn so với lúc thị trường có những biến động lớn, khi đó vấn đề quá khớp có thể là không đáng kể. Còn trong khi thị trường có biến động lớn thì chất lượng của ước lượng này cũng như chất lượng cho việc tính toán ngoài mẫu có thể bị giảm sút. Bên cạnh đó, các nghiên cứu trên thế giới theo cách tiếp cận Học máy thường chỉ tập trung cho các thị trường mới nổi hoặc đã phát triển, mà chưa nghiên cứu cho thị trường cận biên như thị trường Việt Nam. Do vậy, nghiên cứu sinh (NCS) lựa chọn “Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam” là chủ đề nghiên cứu cho luận án của mình. Trong luận án, NCS sẽ áp dụng một số phương pháp Machine Learning để nghiên cứu thực nghiệm cho TTCK Việt Nam, ngoài ra, cũng sẽ tìm hiểu hiệu quả của các phương pháp này khi thị trường ở các trạng thái khác nhau. 2. Mục tiêu nghiên cứu Mục tiêu nghiên cứu của luận án là xây dựng danh mục tối ưu sử dụng các phương pháp Học máy kết hợp với bài toán tối ưu Markowitz và đánh giá hiệu quả của các phương pháp này trong các bối cảnh khác nhau của thị trường Việt Nam. Từ đó đề xuất các khuyến nghị cho các nhà đầu tư trong quản trị danh mục cũng như các nhà nghiên cứu thực nghiệm trên thị trường chứng khoán Việt Nam. 3. Câu hỏi nghiên cứu và giả thuyết nghiên cứu Câu hỏi nghiên cứu Luận án nhằm trả lời các câu hỏi nghiên cứu sau: 1) Danh mục đề xuất bởi các phương pháp Học máy có hiệu quả hơn so với các danh mục tiêu chuẩn thông dụng khác trong điều kiện thị trường bình thường hay không? 2) Danh mục đề xuất bởi các phương pháp Học máy có hiệu quả hơn so với các danh mục tiêu chuẩn thông dụng khác trong điều kiện thị trường có biến động hay không?
4 3) Hiệu quả của các phương pháp Học máy khác nhau như thế nào trong điều kiện thị trường bình thường và điều kiện thị trường có biến động? Giả thuyết nghiên cứu: Luận án sử dụng 3 nhóm phương pháp Học máy kết hợp với bài toán tối ưu MV., đó là phương pháp phân cụm với chuỗi thời gian, phương pháp Bộ nhớ ngắn - dài hạn (Long Short-Term Memory: LSTM) và phương pháp chính quy hóa Lasso. Mục đích của việc sử dụng 3 phương pháp này là nhằm khắc phục vấn đề sai số khi ước lượng các đầu vào (ma trận hiệp phương sai và lợi suất trung bình). Tính ưu việt của các phương pháp này so với các danh mục tiêu chuẩn, do đó sẽ phụ thuộc vào khả năng khắc phục này. Vì vậy, luận án đưa ra một số giả thuyết nghiên cứu như sau: H1: Sử dụng các phương pháp Học máy kết hợp MV sẽ giúp cải thiện hiệu quả so với phương pháp MV. Thứ hai là, do cấu trúc về mặt thống kê của thị trường trong giai đoạn thị trường biến động sẽ khác với giai đoạn thông thường nên luận án đề xuất kiểm định giả thuyết H2: H2: Hiệu quả của các phương pháp Học máy kết hợp MV so với MV có thể khác nhau trong điều kiện thị trường bình thường và trong điều kiện thị trường có biến động. Thứ ba là, do phương pháp LSTM có tính tự học cao, có tính đến bài toán dự báo trong quá trình tính toán, và với bản chất phi tuyến, nên nó sẽ giúp cải thiện hơn so với các phương pháp Học máy khác trong bài toán xây dựng danh mục. H3: Phương pháp LSTM có ưu việt hơn so với hai phương pháp Học máy còn lại. 4. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu Đối tượng nghiên cứu của luận án là các cổ phiếu trên TTCK Việt Nam, mô hình MV và các phương pháp ML trong xây dựng danh mục tối ưu. Phạm vi nghiên cứu Phạm vi thời gian: Thời kỳ nghiên cứu là từ năm 2008 đến năm 2022. Thời gian nghiên cứu này được chia làm ba giai đoạn: * Giai đoạn 2008 - 2012, đại diện cho thời kỳ thị trường có những biến động lớn do chịu tác động của khủng hoảng tài chính thế giới. * Giai đoạn 2013 - 2019, đại diện cho thời kỳ thị trường tương đối bình ổn. * Giai đoạn 2020 - 2022, đại diện giai đoạn thị trường có sự ảnh hưởng bởi các cú sốc như dịch Covid-19, các sự kiện tài chính - kinh tế. Phạm vi nội dung: Quản trị danh mục bao hàm nhiều nội dung. Luận án tập trung vào nghiên cứu bài toán danh mục tối ưu theo hướng khắc phục một số nhược điểm của bài toán MV bằng phương pháp Học máy. Luận án xây dựng danh mục tối ưu bằng một số phương pháp Học máy kết hợp với bài toán tối ưu theo mô hình Markowitz cho thị
5 trường trong các tình trạng khác nhau, bao gồm thị trường chịu ảnh hưởng của cuộc khủng hoảng tài chính - kinh tế quốc tế, thị trường trong điều kiện bình thường và thị trường chịu sự tác động bởi dịch Covid-19. Số liệu: Luận án sử dụng dữ liệu là giá đóng cửa hàng ngày của các cổ phiếu giao dịch trên sàn thành phố Hồ Chí Minh (HOSE) của Việt Nam. Dữ liệu được cung cấp bởi công ty VietStock. Số liệu về lãi suất trái phiếu chính phủ sử dụng dữ diệu được công bố trên trang vn.investing.com. 5. Phương pháp nghiên cứu Luận án sẽ sử dụng một số phương pháp chính sau đây. Phương pháp nghiên cứu tại bàn (Desk research hay Secondary research): Phương pháp nghiên cứu tại bàn là một phương pháp nghiên cứu thường được sử dụng trong khoa học dữ liệu và thị trường tài chính. Thay vì sử dụng các phương pháp nghiên cứu truyền thống như thăm dò ý kiến hay thực hiện các cuộc điều tra, phương pháp nghiên cứu tại bàn tập trung vào phân tích dữ liệu số và thực hiện các phép thống kê để đưa ra kết luận. Phương pháp sử dụng các dữ liệu công khai và đánh giá khả năng các kết quả nghiên cứu trước đó được áp dụng trong một lĩnh vực quan tâm. Phương pháp thống kê: Luận án sẽ sử dụng các phân tích thống kê cơ bản để phân tích các chuỗi số cũng như mối quan hệ giữa các chuỗi số theo một số đặc tính. Các phương pháp mô hình hóa: Luận án sử dụng bốn phương pháp cụ thể, gồm phương pháp MV tiêu chuẩn và ba phương pháp kết hợp mô hình tối ưu với các phương pháp Học máy, thể hiện cho ba nhóm chính đã được trình bày ở trên, bao gồm: 1) Mô hình tối ưu MV: mô hình tối ưu xuất hiện trong bài toán lựa chọn danh mục theo mục tiêu tối thiểu hóa rủi ro với mức lợi suất kỳ vọng cho trước. Đây là phương pháp xây dựng danh mục tối ưu dựa trên bài toán MV tiêu chuẩn. Kết quả của mô hình này sẽ được sử dụng làm một trong các danh mục tiêu chuẩn để so sánh với kết quả từ các phương pháp sẽ được trình bày tiếp theo. 2) Phương pháp phân cụm chuỗi thời gian, với mục đích giảm chiều dữ liệu, nhằm giúp cải thiện chất lượng đầu vào của bài toán MV. Phương pháp thực hiện phân cụm chuỗi thời gian bằng phương pháp phân cụm phân cấp (Hierarchical Clustering). Khoảng cách được sử dụng là khoảng cách Pearson (dựa trên hệ số tương quan Pearson). Thông tin về các cổ phiếu được đại diện bởi các chuỗi thời gian. Phương pháp được thực hiện với hai chuỗi thời gian, sử dụng đồng thời thông tin về lợi suất và thông tin về độ biến động. 3) Phương pháp Bộ nhớ ngắn - dài hạn (LSTM): Phương pháp cũng nhằm cải thiện chất lượng đầu vào của bài toán MV. Phương pháp LSTM được sử dụng để dự báo
6 lợi suất của các cổ phiếu. Sau đó, các giá trị dự báo và các giá trị lịch sử được sử dụng để tính các tham số đầu vào cho mô hình MV. 4) Phương pháp chính quy hóa Lasso (Lasso regularization): Phương pháp nhằm cải thiện vấn đề quá khớp - là vấn đề thường gặp khi giải bài toán tối ưu MV, bằng cách đưa thêm số hạng phạt vào hàm mục tiêu. Trong quá trình thực hiện, tham số của mô hình là giá trị của tham số phạt, được xác định bởi Phương pháp kiểm tra chéo (cross - validation). Dữ liệu được sử dụng trong luận án là các dữ liệu dạng chuỗi thời gian. Tập kiểm tra trong khi thực hiện xác thực chéo được lựa chọn đảm bảo về thứ tự thời gian. Phân tích được thực hiện trên kết quả nhận được theo cách tiếp cận cửa sổ cuộn (rolling window). Các cửa sổ mẫu được dịch chuyển dần từ đầu tới cuối giai đoạn nghiên cứu. Điều này giúp đánh giá được hiệu quả của các phương pháp trên những đặc điểm khác biệt của mỗi giai đoạn khác nhau. Phần mềm hỗ trợ xử lý số liệu: Python. Các đoạn mã dùng để xử lý dữ liệu, đưa ra các danh mục tối ưu và phân tích kết quả được viết bằng ngôn ngữ Python. Các danh mục tối ưu theo mô hình MV tiêu chuẩn được xác định dựa trên các hàm được cung cấp trong thư viện Riskfolio-Lib (https://riskfolio-lib.readthedocs.io/). Các bài toán tối ưu hóa được giải bởi các hàm cung cấp trong thư viện MOSEK (https://www.mosek.com/products/mosek/). Thiết kế nghiên cứu trong luận án là sử dụng thí nghiệm với số liệu thứ cấp. Trong các thí nghiệm này, nhóm đối chứng là danh mục thu được từ phương pháp MV tiêu chuẩn. Nhóm thực nghiệm là các danh mục dự báo từ phương pháp MV kết hợp với các phương pháp Học máy (MV-ML): phân cụm chuỗi thời gian, bộ nhớ ngắn - dài hạn, và Lasso. Ngoài ra, luận án cũng thực hiện đối sánh bản thân các danh mục thu được từ các phương pháp MV-ML trong hai điều kiện khác nhau của thị trường, nhằm xem xét một cách thực nghiệm hiệu quả của các phương pháp này. • Số liệu sử dụng là giá đóng cửa của các cổ phiếu trên sàn HOSE trong giai đoạn từ năm 2008 đến năm 2022. Thí nghiệm được thực hiện trên từng giai đoạn nhỏ là 2008 - 2012, 2013 - 2019 và 2020 - 2022, nhằm đánh giá kết quả trên các bối cảnh thị trường khác nhau. • Phương pháp phân tích là so sánh các danh mục thu được từ bốn phương pháp nêu trên trên các tiêu chí: (i) chuỗi lợi suất tích lũy; (ii) lợi suất trung bình; (iii) độ lệch chuẩn của lợi suất; (iv) tỷ số Shapre; (v) tỷ số thông tin; (vi) chỉ số luân chuyển danh mục; (vi) giá trị rủi ro VaR và (vii) tổn thất kỳ vọng CVaR, trong đó sẽ quan tâm
7 nhiều hơn đến lợi suất trung bình, thể hiện cho lợi nhuận thu được, và độ lệch chuẩn, thể hiện cho độ rủi ro của danh mục. Cách bước trong tính toán các tiêu chí đánh giá: - Bước 1: Sử dụng một phần dữ liệu như tập dữ liệu huấn luyện (training data), xác định các danh mục theo phương pháp MV tiêu chuẩn và theo phương pháp MV kết hợp với các phương pháp Học máy. - Bước 2: Tính toán lợi suất của các danh mục nhận được từ Bước 1 trong giai đoạn kế tiếp. Sử dụng chuỗi lợi suất này để tính toán các tiêu chí đánh giá danh mục. - Bước 3: Nhập giai đoạn dự báo ở Bước 2 vào tập dữ liệu huấn luyện và tiếp tục dự báo cho giai đoạn tiếp theo và lặp lại quy trình từ Bước 2. So sánh kết quả thực nghiệm: - So sánh nhóm thực nghiệm với nhóm đối chứng trên mỗi giai đoạn: 2008 – 2012; 2013 – 2019 và 2020 – 2022 (sử dụng chuỗi lợi suất tính toán với các cửa sổ trượt riêng cho mỗi nhóm đối chứng). - So sánh ba nhóm thực nghiệm với nhau trên mỗi giai đoạn: 2008 – 2012; 2013 – 2019 và 2020 – 2022. 6. Những đóng góp mới của luận án Những đóng góp mới về mặt học thuật, lý luận Luận án phân tích về hiệu quả của các phương pháp Học máy kết hợp Tối ưu (Machine Learning - Mean Variance: ML-MV) trong bài toán tối ưu hóa danh mục cho thị trường Việt Nam – thuộc nhóm thị trường cận biên – là nhóm thị trường hầu như chưa được nghiên cứu trên thế giới (sử dụng các phương pháp này). Điều này giúp cho việc đánh giá về hiệu quả của phương pháp ML-MV trên các thị trường chứng khoán với mức độ phát triển khác nhau được toàn diện hơn. Luận án đã tận dụng 2 tình huống thị trường có biến động (khủng hoảng tài chính quốc tế, và đại dịch Covid) để đối sánh hiệu quả của các phương pháp trên các tình huống khác nhau của thị trường. Các nghiên cứu hiện có thường chỉ tập trung so sánh hiệu quả của các phương pháp trong cùng thời kỳ, do đó luận án giúp cung cấp bằng chứng mới để từ đó có thể đưa ra một cái nhìn đầy đủ hơn về hiệu quả thực nghiệm của các phương pháp với các trạng thái khác nhau của cùng một thị trường. Những phát hiện, đề xuất mới rút ra được từ kết quả nghiên cứu của luận án Kết quả thực nghiệm cho thấy, sử dụng các phương pháp Học máy có thể giúp cải thiện hiệu quả của danh mục so với phương pháp Trung bình - Phương sai (Mean - Variance: MV) tiêu chuẩn. Trong cả ba giai đoạn nghiên cứu, danh mục có lợi suất tích lũy cao nhất trong các danh mục Học máy có hiệu quả hơn về mặt lợi suất so với danh
8 mục MV tiêu chuẩn, và sự vượt trội này là có ý nghĩa thống kê. Điều này cũng tương tự như các nghiên cứu trước đây trên thế giới. Tuy nhiên, hiệu quả của danh mục Học máy mang lại (so với danh mục MV tiêu chuẩn) ở thị trường Việt Nam lớn hơn khá đáng kể so với trên thị trường phát triển. Tuy nhiên, trong cả ba giai đoạn nghiên cứu, giá trị rủi ro của các danh mục Học máy cũng cao hơn so với danh mục MV. Điều này có nghĩa rằng, về mặt dài hạn danh mục Học máy ưu việt hơn so với danh mục MV tiêu chuẩn do sự vượt trội về lợi suất đã được khẳng định bởi kết quả kiểm định. Tuy nhiên, trong ngắn hạn thì sự ưu việt này chưa hẳn đã có tính thuyết phục, bởi vì tuy lợi suất cao hơn nhưng độ biến động cũng cao hơn và giá trị rủi ro (VaR) hay tổn thất kỳ vọng (CVaR) cũng lớn hơn. Trong hai giai đoạn thị trường có biến động, hiệu quả của các danh mục Học máy có thể rất khác biệt với nhau và với danh mục MV tiêu chuẩn. Cụ thể, danh mục đề xuất từ phương pháp Bộ nhớ ngắn - dài hạn (LSTM-MV) là có ưu việt một cách ổn định, trong khi hai danh mục còn lại, đề xuất từ phương pháp phân cụm chuỗi thời gian (MTS- MV) và từ phương pháp Lasso (Lasso), hoặc sự khác biệt là không đáng kể hoặc thua kém so với danh mục MV tiêu chuẩn. Sự vượt trội về lợi suất của danh mục LSTM-MV và danh mục MTS-MV so với danh mục MV đều chỉ được thể hiện trong giai đoạn thị trường bình thường. Trong đó, độ rủi ro của danh mục LSTM-MV lại cao hơn một cách đáng kể so với danh mục MTS- MV. Do vậy nhà đầu tư cần có những cân nhắc thận trọng trong việc lựa chọn danh mục. Luận án cung cấp lời giải định lượng về danh mục cho thị trường Việt Nam, bao gồm một số chỉ tiêu tài chính cũng như phi tài chính để nhà đầu tư có thể cân nhắc lựa chọn danh mục phù hợp với mục tiêu của mình. 7. Kết cấu của luận án Ngoài phần Lời giới thiệu và tài liệu tham khảo, luận án được cấu trúc thành 4 chương, bao gồm: Chương 1: Cơ sở lý luận và tổng quan nghiên cứu Chương 2: Các phương pháp nghiên cứu Chương 3: Phân tích thực nghiệm và kết quả Chương 4: Kết luận và khuyến nghị
9 CHƯƠNG 1. CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN NGHIÊN CỨU Chương 1 trình bày cơ sở lý thuyết về quản trị danh mục, bao gồm lý thuyết danh mục đầu tư hiện đại và một số chiến lược đầu tư - quản trị danh mục. Chương này cũng giới thiệu tổng quan các nghiên cứu trên thế giới và Việt Nam về quản trị danh mục, trong đó tập trung vào bài toán xây dựng danh mục tối ưu. 1.1 Cơ sở lý thuyết 1.1.1 Một số khái niệm trong quản trị danh mục đầu tư Danh mục đầu tư Với sự phát triển nhanh chóng của các nền kinh tế hiện đại, hoạt động phân tích ngày càng đóng vai trò quan trọng trong quá trình đầu tư chứng khoán. Theo Strong (2009), các chuyên gia đầu tư thường mô tả phân tích chứng khoán như một quá trình ba bước. Bước đầu tiên, nhà phân tích xem xét triển vọng cho nền kinh tế, dựa trên giai đoạn của chu kỳ kinh doanh. Bước thứ hai, nhà phân tích xác định các ngành có khả năng phát triển tốt trong điều kiện kinh tế được dự báo. Bước cuối cùng, nhà phân tích chọn các công ty cụ thể trong các ngành được ưa chuộng. Sau này, quá trình phân tích chứng khoán dần chuyển tới mức độ chuyên nghiệp hơn, đó là quản lý danh mục đầu tư chứng khoán. Bởi vì phân tích chứng khoán liên quan đến việc ước lượng lợi nhuận từ các tài sản đầu tư riêng lẻ trong khi quản lý danh mục đề cập đến việc xây dựng và duy trì một tập hợp các tài sản đầu tư (Strong, 2009). Vì vậy, hoạt động quản trị danh mục đầu tư dần ở thành một xu hướng trong những năm gần đây. Danh mục đầu tư chứng khoán gồm tập hợp các chứng khoán mà một cá nhân hoặc tổ chức nắm giữ. Một danh mục đầu tư thường gồm nhiều loại tài sản khác nhau, chẳng hạn như cổ phiếu, trái phiếu, hoặc các tài sản tài chính khác. Xây dựng danh mục đầu tư (investment portfolio) là hoạt động phân bổ tiền đầu tư vào nhiều loại tài sản khác nhau nhằm giảm thiểu rủi ro và tăng cường khả năng sinh lời. Mục tiêu của đầu tư theo danh mục là đa dạng hóa danh mục nhằm hạn chế rủi ro tương ứng với một mức lợi nhuận kỳ vọng. Trong đó, lợi nhuận kỳ vọng của một danh mục đầu tư được đo lường dưới dạng trung bình có trọng số của lợi suất kỳ vọng cho từng khoản đầu tư riêng lẻ trong danh mục, hoặc sự thay đổi tổng thể về giá trị của danh mục ban đầu. Các trọng số được sử dụng trong việc tính trung bình là giá trị thị trường ban đầu tương đối cho mỗi khoản đầu tư. Do đó, nhà đầu tư sẽ đối mặt với sự không chắc chắn liên quan đến các kỳ vọng tương lai của lợi suất danh mục đầu tư, được gọi là rủi ro của danh mục đầu tư. Có nghĩa là nhà đầu tư sẽ đối mặt với sự không chắc chắn rằng một danh mục đầu tư sẽ đạt được tỷ suất lợi nhuận dự kiến của nó. Vì vậy,
10 các nhà đầu tư kỳ vọng tạo ra một danh mục có rủi ro thấp nhất, đó là rủi ro của thị trường hay rủi ro hệ thống. Kỳ vọng này sẽ có thể thực hiện được bằng việc đầu tư theo danh mục để đa dạng hóa trong quản lý tài chính cũng như giảm thiểu rủi ro và tối đa hóa khả năng sinh lời của khoản đầu tư. Đa dạng hóa danh mục mang lại nhiều lợi ích cho nhà đầu tư (Markowitz, 1952; Tobin, 1958). Đa dạng hóa có thể được thực hiện bằng cách phân bổ khoản đầu tư vào nhiều loại tài sản khác nhau. Nếu một phần của danh mục gặp rủi ro, các phần còn lại có thể bù đắp hoặc giảm thiểu tác động bất lợi. Khi đó, nhà đầu tư có thể phân tán và giảm thiểu tác động của biến động thị trường đến toàn bộ danh mục đầu tư. Đa dạng hóa mang lại tiềm năng sinh lời bằng cho nhà đầu tư bằng cách tận dụng các cơ hội đầu tư từ nhiều lĩnh vực và kênh đầu tư khác nhau, cũng như giúp họ phân bổ tài sản phù hợp để đảm bảo một cân bằng hợp lý giữa rủi ro và lợi nhuận dự kiến. Từ đó, danh mục đầu tư đa dạng hóa giúp nhà đầu tư có thể tăng cường khả năng thanh toán và linh hoạt trong việc quản lý tài chính. Quản trị danh mục đầu tư Quản trị danh mục đầu tư chứng khoán là quá trình quản lý và điều chỉnh các khoản đầu tư với mục tiêu tối ưu hóa lợi nhuận và kiểm soát rủi ro. Đây là một hoạt động quan trọng và cần thiết trong lĩnh vực đầu tư và kinh doanh chứng khoán, giúp giảm thiểu rủi ro và tối đa hóa lợi nhuận cho nhà đầu tư. Do giá chứng khoán thường xuyên biến động, việc quản trị danh mục đầu tư trở thành một yếu tố then chốt giúp nhà đầu tư phản ứng kịp thời với những thay đổi của thị trường, đồng thời duy trì và nâng cao giá trị của danh mục đầu tư. Các chiến lược quản lý danh mục đầu tư phổ biến bao gồm chiến lược chủ động (Active Strategy), chiến lược thụ động (Passive Strategy), và chiến lược kết hợp (Mix- Strategy). Chiến lược quản lý chủ động tập trung vào việc phân tích các yếu tố kinh tế và tài chính, sử dụng các công cụ dự báo thị trường và định giá chứng khoán. Nhà đầu tư theo chiến lược này sẽ thực hiện mua bán chứng khoán một cách chủ động, nhằm tìm kiếm lợi nhuận cao hơn so với việc chỉ nắm giữ chứng khoán. Các quyết định đầu tư dựa trên phân tích kỹ thuật, phân tích cơ bản, và các thông tin thị trường để xác định thời điểm mua bán tối ưu. Ngược lại, chiến lược quản lý thụ động chú trọng vào việc mua và nắm giữ chứng khoán trong một khoảng thời gian dài, với ít hoặc không có sự điều chỉnh danh mục đầu tư. Chiến lược này thường được thực hiện bằng cách theo dõi một chỉ số thị trường cụ thể (benchmark), chẳng hạn như chỉ số VN30. Nhà đầu tư sẽ xây dựng danh mục đầu tư phản ánh cơ cấu của chỉ số này, nghĩa là mua và giữ các chứng khoán có trong chỉ số với tỷ trọng tương ứng. Tốc độ tăng hoặc giảm của lợi nhuận danh mục đầu tư sẽ tương ứng với tốc độ tăng hoặc giảm của chỉ số được chọn