Luận văn Thạc sĩ: Hiệu quả trong dự báo chỉ số giá chứng khoán tại Việt Nam - một sự so sánh giữa các mô hình dự báo phổ biến

Thị trường chứng khoán là một bộ phận thiết yếu của nền kinh tế, đóng vai trò quan trọng trong việc huy động vốn và phản ánh sức khỏe tài chính tổng thể của một quốc gia. Tại Việt Nam, một nền kinh tế mới nổi với những biến động thị trường đáng kể, việc dự báo chính xác chỉ số giá chứng khoán trở nên đặc biệt cấp thiết cho các nhà đầu tư, nhà quản lý danh mục và hoạch định chính sách. Sự biến động phức tạp của thị trường tài chính hiện đại đặt ra thách thức lớn cho các mô hình dự báo truyền thống. Trong bối cảnh đó, nghiên cứu này nhằm mục đích so sánh hiệu quả của các mô hình dự báo phổ biến, bao gồm cả các phương pháp kinh tế lượng truyền thống và các kỹ thuật học máy, học sâu tiên tiến, để cung cấp cái nhìn toàn diện về khả năng ứng dụng của chúng trong việc dự báo chỉ số giá chứng khoán tại Việt Nam.

Các nhà nghiên cứu, chuyên gia tài chính, nhà đầu tư, nhà quản lý danh mục và hoạch định chính sách trong lĩnh vực tài chính – ngân hàng.

Nghiên cứu này tập trung vào việc đánh giá hiệu quả trong dự báo chỉ số giá chứng khoán tại Việt Nam thông qua việc so sánh toàn diện các mô hình dự báo phổ biến. Luận văn đã phân tích và đối chiếu khả năng của các mô hình học sâu (LSTM), học máy (XGBoost) và các phương pháp kinh tế lượng truyền thống (ARDL, VAR) trong việc dự đoán biến động của chỉ số thị trường. Sử dụng tập dữ liệu tài chính thời gian thực từ tháng 1/2008 đến tháng 6/2024, các mô hình được huấn luyện, kiểm định và đánh giá dựa trên các tiêu chí thống kê như Sai số tuyệt đối trung bình (MAE), Sai số bình quân bình phương (MSE) và Độ lệch bình phương trung bình gốc (RMSE), cũng như tính ứng dụng thực tiễn. Kết quả nghiên cứu chỉ ra rằng mô hình Long Short-Term Memory (LSTM) vượt trội về độ chính xác, đặc biệt trong việc xử lý các chuỗi thời gian tài chính phức tạp và phi tuyến tính. Mặc dù có độ chính xác thấp hơn LSTM, mô hình XGBoost vẫn thể hiện ưu điểm về tính linh hoạt, dễ triển khai và yêu cầu xử lý dữ liệu đầu vào tối thiểu, làm cho nó trở thành một lựa chọn hấp dẫn cho các ứng dụng thực tế. Ngược lại, các mô hình truyền thống như ARDL và VAR bộc lộ những hạn chế đáng kể khi đối mặt với dữ liệu tài chính hiện đại có tính biến động và phi tuyến mạnh. Nghiên cứu cung cấp bằng chứng thực nghiệm giá trị về hiệu quả của từng loại mô hình trong bối cảnh thị trường mới nổi như Việt Nam. Đóng góp này nhấn mạnh tầm quan trọng ngày càng tăng của các kỹ thuật học máy và học sâu tiên tiến trong dự báo tài chính, đồng thời gợi mở các hướng nghiên cứu tiếp theo như tích hợp mô hình ensemble và khai thác dữ liệu phi cấu trúc. Những hiểu biết này có giá trị thiết thực trong việc ra quyết định đầu tư, quản trị danh mục và hoạch định chính sách tài chính tại thị trường Việt Nam.