I. Tổng quan về ước lượng ma trận hiệp phương sai danh mục đầu tư
Ước lượng ma trận hiệp phương sai là bước nền tảng trong xây dựng danh mục đầu tư chứng khoán. Ma trận hiệp phương sai đo lường mối tương quan giữa các cặp cổ phiếu, từ đó xác định mức độ rủi ro tổng thể của danh mục. Lý thuyết danh mục đầu tư hiện đại (MPT) do Harry Markowitz đề xuất năm 1952 đã mở ra cách tiếp cận định lượng cho bài toán đầu tư. Theo lý thuyết này, nhà đầu tư không chỉ quan tâm đến lợi nhuận kỳ vọng mà còn chú trọng đến rủi ro. Rủi ro của danh mục được biểu diễn thông qua phương sai, phụ thuộc trực tiếp vào ma trận hiệp phương sai. Trên thị trường chứng khoán Việt Nam, số lượng cổ phiếu niêm yết ngày càng tăng. Điều này đặt ra thách thức lớn khi ước lượng chính xác ma trận hiệp phương sai. Khi số chiều tăng, sai số ước lượng cũng tăng theo. Vì vậy, nghiên cứu các phương pháp ước lượng hiệu quả là nhu cầu cấp thiết. Các phương pháp truyền thống như ước lượng mẫu thường cho kết quả kém ổn định trong không gian cao chiều.
1.1. Lý thuyết danh mục đầu tư hiện đại Markowitz
Lý thuyết danh mục đầu tư hiện đại (MPT) của Harry Markowitz xây dựng nền tảng toán học cho đầu tư chứng khoán. MPT giả định nhà đầu tư là người厌恶 rủi ro, luôn tìm kiếm danh mục có lợi nhuận kỳ vọng cao nhất ở mức rủi ro cho trước. Tập hợp các danh mục tối ưu tạo thành đường biên hiệu quả. Mỗi điểm trên đường biên đại diện cho danh mục có phương sai nhỏ nhất tại một mức lợi nhuận xác định. Để tính toán đường biên hiệu quả, nhà đầu tư cần hai thành phần: vector lợi nhuận kỳ vọng và ma trận hiệp phương sai. Trong thực tế, ước lượng chính xác hai tham số này là thách thức lớn. Sai lệch trong ước lượng dẫn đến danh mục tối ưu hóa kém hiệu quả.
1.2. Vai trò của ma trận hiệp phương sai trong tối ưu hóa
Ma trận hiệp phương sai đóng vai trò quyết định trong tối ưu hóa danh mục đầu tư. Ma trận này chứa thông tin về mức độ biến động của từng cổ phiếu và mối tương quan giữa các cặp cổ phiếu. Khi số cổ phiếu trong danh mục là N, ma trận hiệp phương sai có kích thước N×N với N(N+1)/2 tham số cần ước lượng. Ví dụ, danh mục 100 cổ phiếu đòi hỏi ước lượng 5.050 tham số. Nếu N lớn hơn số quan sát T, ma trận mẫu trở nên suy biến và không khả nghịch. Đây là vấn đề nan giải khi xây dựng danh mục đầu tư quy mô lớn. Do đó, các kỹ thuật rút gọn chiều và regularization trở nên cần thiết.
II. Vấn đề ước lượng ma trận hiệp phương sai trên thị trường Việt Nam
Thị trường chứng khoán Việt Nam có những đặc điểm riêng biệt gây khó khăn cho ước lượng ma trận hiệp phương sai. Thứ nhất, số lượng cổ phiếu niêm yết trên sàn HOSE và HNX liên tục tăng. Số chiều của bài toán tối ưu hóa danh mục ngày càng lớn. Thứ hai, dữ liệu lịch sử giá chứng khoán Việt Nam thường có độ dài hạn chế. Nhiều cổ phiếu mới niêm yết chỉ có vài năm dữ liệu. Điều này khiến số quan sát T nhỏ hơn nhiều so với số tham số cần ước lượng. Ma trận hiệp phương sai mẫu trở nên không ổn định và chứa nhiều nhiễu. Thứ ba, thị trường chứng khoán Việt Nam chịu ảnh hưởng mạnh từ yếu tố tâm lý và thông tin bất đối xứng. Biến động giá có tính chất heteroskedastic, tức phương sai thay đổi theo thời gian. Phương pháp ước lượng truyền thống giả định phương sai hằng thường không phù hợp. Kết quả là danh mục tối ưu hóa dựa trên ước lượng sai lệch cho hiệu suất kém trên dữ liệu ngoài mẫu.
2.1. Thách thức ước lượng trong không gian cao chiều
2.2. Hạn chế của phương pháp ước lượng truyền thống
III. Phương pháp ước lượng co ngót ma trận hiệp phương sai hiệu quả
Phương pháp ước lượng co ngót (shrinkage estimation) là giải pháp hiệu quả cho bài toán ước lượng ma trận hiệp phương sai trong không gian cao chiều. Ý tưởng cốt lõi là kết hợp ma trận mẫu với một ma trận mục tiêu có cấu trúc đơn giản hơn. Công thức tổng quát là: Σ_shr = λ·F + (1-λ)·S, trong đó S là ma trận mẫu, F là ma trận mục tiêu, λ là hệ số co ngót. Hệ số λ nằm trong khoảng [0,1] được chọn để tối thiểu hóa sai số ước lượng. Ma trận mục tiêu thường có ít tham số hơn, do đó ổn định hơn. Phương pháp này giảm phương sai ước lượng bằng cách chấp nhận một chút sai lệch (bias). Đây là đánh đổi bias-variance kinh điển trong lý thuyết học thống kê. Trên thị trường chứng khoán Việt Nam, nghiên cứu chỉ ra rằng phương pháp co ngót cho hiệu suất vượt trội. Đặc biệt khi số cổ phiếu trong danh mục lớn (N ≥ 100), ưu thế này càng rõ rệt so với ước lượng mẫu và các chiến lược benchmark.
3.1. Ba cấu trúc mục tiêu phổ biến trong ước lượng co ngót
3.2. So sánh hiệu suất ba phương pháp co ngót trên dữ liệu Việt Nam
IV. Kết luận và ứng dụng ước lượng ma trận hiệp phương sai thực tế
Nghiên cứu về ước lượng ma trận hiệp phương sai cho danh mục đầu tư trên thị trường Việt Nam đưa ra nhiều kết luận quan trọng. Phương pháp ước lượng co ngót vượt trội hơn hẳn so với phương pháp truyền thống. SCCM là phương pháp hiệu quả nhất trong các kịch bản được thử nghiệm. Hiệu suất vượt trội thể hiện rõ trên nhiều tiêu chí: lợi nhuận điều chỉnh rủi ro, tỷ lệ thắng, và Alpha của Jensen. Nghiên cứu cũng xem xét ảnh hưởng của chi phí giao dịch đến hiệu suất thực tế. Khi tính phí giao dịch tại mỗi lần tái cân bằng, phương pháp co ngót vẫn duy trì ưu thế. Điều này do trọng số danh mục ổn định hơn, ít cần điều chỉnh lớn. Số chiều của ma trận hiệp phương sai tác động mạnh đến hiệu suất ước lượng. Khi N tăng, khoảng cách giữa phương pháp co ngót và phương pháp truyền thống càng lớn. Kết quả này có ý nghĩa thực tiễn lớn cho quản lý danh mục đầu tư tại Việt Nam. Nhà đầu tư tổ chức quản lý danh mục lớn nên áp dụng phương pháp co ngót.
