Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam, đặc biệt là Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE), đóng vai trò là kênh huy động vốn trung và dài hạn trọng yếu cho nền kinh tế. Trong giai đoạn 2013 - 2015, sau giai đoạn đóng băng của thị trường bất động sản (2011 - 2012), nhóm ngành xây dựng bước vào chu kỳ tái cấu trúc mạnh mẽ với nhu cầu vốn và sự phân hóa lợi nhuận sâu sắc. Tuy nhiên, phần lớn các nhà đầu tư (NĐT) cá nhân—chiếm hơn 80% khối lượng giao dịch thị trường—thường đưa ra quyết định dựa trên tâm lý bầy đàn (herd behavior) hoặc các phỏng đoán thiếu cơ sở lượng hóa, dẫn đến mức độ rủi ro danh mục rất cao.

Mô hình định giá tài sản vốn truyền thống (Capital Asset Pricing Model - CAPM) của Sharpe (1964) và Lintner (1965) chỉ sử dụng duy nhất một nhân tố rủi ro hệ thống ($\beta$) để giải thích tỷ suất sinh lợi (TSSL). Trên thực tế, nhiều nghiên cứu thực nghiệm quốc tế và tại Việt Nam đã chỉ ra các "bất thường thị trường" (market anomalies) mà CAPM không thể lý giải, điển hình là hiệu ứng quy mô công ty (Size effect) và hiệu ứng giá trị (Value effect).

Mục tiêu nghiên cứu

  1. Định lượng tác động đa nhân tố: Xác định mức độ và chiều hướng tác động của 4 nhân tố kinh tế lượng tài chính: Phần bù rủi ro thị trường ($R_m - R_f$), Phần bù quy mô vốn hóa ($SMB$), Phần bù giá trị sổ sách trên thị giá ($HML$), và Phần bù đà tăng trưởng xu hướng ($WML$) đến TSSL cổ phiếu ngành xây dựng niêm yết trên HOSE.
  2. Kiểm định và so sánh năng lực giải thích: Đánh giá thực nghiệm hiệu quả giải thích phương sai TSSL giữa 3 mô hình kinh điển: Mô hình đơn nhân tố CAPM, Mô hình 3 nhân tố Fama - French (1993), và Mô hình 4 nhân tố Carhart (1997).
  3. Xây dựng khuyến nghị phân bổ danh mục: Đề xuất chiến lược tối ưu hóa danh mục đầu tư ngành xây dựng dựa trên các hệ số hồi quy thực nghiệm cho nhà đầu tư tổ chức và cá nhân.

Phương pháp tiếp cận và phạm vi

  • Dữ liệu phân tích: Chuỗi thời gian gồm 745 ngày giao dịch liên tục từ tháng 01/2013 đến tháng 12/2015 của 30 công ty xây dựng niêm yết trên sàn HOSE (tiêu biểu như CTD, HBC, FCN, DIG, C32, SC5, VNE, LCG...).
  • Biến số thực nghiệm: Giá đóng cửa điều chỉnh hàng ngày ($P_t$), chỉ số VN-Index đại diện cho thị trường ($R_m$), Báo cáo tài chính (BCTC) kiểm toán theo quý để xác định vốn hóa thị trường ($ME$) và giá trị sổ sách vốn chủ sở hữu ($BE$), cùng lãi suất phát hành Trái phiếu Chính phủ kỳ hạn 5 năm đại diện cho lãi suất phi rủi ro ($R_f$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các thị trường phát triển, việc áp dụng mô hình Fama - French và Carhart đã được chuẩn hóa trong quản lý quỹ định lượng (Quantitative Asset Management). Tuy nhiên, tại các thị trường cận biên/mới nổi như Việt Nam, việc kiểm định tính phù hợp của các mô hình này còn tồn tại nhiều tranh luận do đặc thù thông tin bất đối xứng và mức độ thanh khoản không đồng đều.

Tiêu chí phân tích Mô hình CAPM (1964) Mô hình Fama - French (1993) Mô hình Carhart (1997)
Số lượng biến giải thích 1 biến: $(R_m - R_f)$ 3 biến: $(R_m - R_f)$, $SMB$, $HML$ 4 biến: $(R_m - R_f)$, $SMB$, $HML$, $WML$
Nền tảng lý thuyết Giả định thị trường hiệu quả (EMH), rủi ro hệ thống $\beta$ Bổ sung phần bù rủi ro kiệt quệ tài chính và quy mô Bổ sung hành vi quá đà của nhà đầu tư (Momentum anomaly)
Ưu điểm Đơn giản, dễ tính toán, yêu cầu ít dữ liệu Giải thích tốt hiệu ứng quy mô nhỏ và cổ phiếu giá trị Bao quát thêm xu hướng ngắn hạn của giá cổ phiếu
Nhược điểm Hệ số xác định $R^2$ thấp, bỏ qua các yếu tố nội tại DN Chưa phản ánh đà tâm lý tăng trưởng ngắn hạn Chi phí tính toán cao, dễ xuất hiện đa cộng tuyến
Độ phù hợp ngành xây dựng Trung bình ($R^2_{adj} = 57.7%$) Tối ưu nhất ($R^2_{adj} = 63.1%$) Tương đương Fama-French ($WML$ không có ý nghĩa)

Phân tích yêu cầu hệ thống định lượng (MoSCoW)

  • Must-have (Bắt buộc có):
    • Module phân tích chuỗi dữ liệu giá đóng cửa 745 phiên của 30 mã chứng khoán.
    • Thuật toán phân chia ma trận $2 \times 3$ danh mục tài sản dựa trên Quy mô ($ME$) và Tỷ số Giá trị sổ sách trên Thị giá ($BE/ME$).
    • Bộ kiểm định hiện tượng đa cộng tuyến (Hệ số phóng đại phương sai - VIF) và kiểm định ANOVA / Student-t.
  • Should-have (Cần có):
    • Module tính toán nhân tố đà tăng trưởng $WML$ thông qua phân loại 6 danh mục theo hiệu suất quá khứ.
    • Ma trận tương quan tuyến tính Pearson giữa tất cả các cặp biến độc lập và biến phụ thuộc.
  • Could-have (Có thể có): Khung kiểm định tự động kiểm tra hiện tượng tự tương quan (Durbin-Watson) và phương sai sai số thay đổi (White test).
  • Won't-have (Chưa thực hiện): Kiểm định trên toàn bộ các ngành phi tài chính hoặc áp dụng mô hình 5 nhân tố Fama - French (2015) do giới hạn về nguồn dữ liệu đầu tư tài sản ($CMA$) và khả năng sinh lời ($RMW$).

Thiết kế hệ thống định giá và quy trình xử lý dữ liệu

  [Dữ liệu Giá & VN-Index]                                        [Dữ liệu BCTC & Lãi suất TPCP]
     [Tính TSSL ngày Ri, Rm]          [Tính Quy mô ME]               [Tính Tỷ số BE/ME]
                        [Phân loại Danh mục 2x3]
                         (SL, SM, SH, BL, BM, BH)
     [Tạo Vector SMBt]       [Tạo Vector HMLt]       [Tạo Vector WMLt]
                   [Ma trận Hồi quy Tuyến tính OLS]
   [Kiểm định Thống kê]                            [Đánh giá Mô hình]
 (t-test, F-test, VIF < 2)                       (So sánh R² hiệu chỉnh)
  • Data Ingestion Layer: Trích xuất dữ liệu giá đóng cửa $P_t$, khối lượng lưu hành từ HOSE, Vietstock và Báo cáo tài chính quý đã kiểm toán.
  • Econometric Computation Engine:
    • Tính TSSL ngày: $R_{it} = \frac{P_{it}}{P_{i,t-1}} - 1$
    • Phân loại danh mục $2 \times 3$: Cổ phiếu phân chia theo Trung vị Vốn hóa ($ME$ - phân vị 50%) thành 2 nhóm: Small ($S$) và Big ($B$). Đồng thời phân loại theo $BE/ME$ theo tỷ lệ 30% Low ($L$), 40% Medium ($M$), 30% High ($H$).
  • Technology Stack:
    • Phần mềm kinh tế lượng: SPSS Statistics 20.0 kết hợp Microsoft Excel 2016.
    • Ngôn ngữ phân tích mô phỏng: Python 3.10 (thư viện pandas 2.0.3, numpy 1.24.3, statsmodels 0.14.0, scikit-learn 1.3.0).

Implementation và kết quả

Quy trình phân loại danh mục và thuật toán định lượng

Hệ thống tiến hành chia 30 cổ phiếu xây dựng thành 6 danh mục đầu tư độc lập dựa trên việc bắt chéo giữa 2 nhóm quy mô và 3 nhóm giá trị:

import numpy as np
import pandas as pd
import statsmodels.api as sm

def compute_fama_french_factors(stock_returns, market_cap, book_to_market):
    """
    Tính toán các nhân tố SMB (Small Minus Big) và HML (High Minus Low)
    theo chuẩn phương pháp Fama-French (1993).
    """
    # 1. Phân loại Quy mô ME (Median 50%)
    median_me = market_cap.median()
    small_group = market_cap <= median_me
    big_group = market_cap > median_me

    # 2. Phân loại BE/ME (Phân vị 30% - 40% - 30%)
    p30_bm = book_to_market.quantile(0.30)
    p70_bm = book_to_market.quantile(0.70)
    
    low_bm = book_to_market <= p30_bm
    med_bm = (book_to_market > p30_bm) & (book_to_market <= p70_bm)
    high_bm = book_to_market > p70_bm

    # 3. Tạo 6 danh mục tổ hợp 2x3
    sl = stock_returns[small_group & low_bm].mean(axis=1)
    sm_port = stock_returns[small_group & med_bm].mean(axis=1)
    sh = stock_returns[small_group & high_bm].mean(axis=1)
    
    bl = stock_returns[big_group & low_bm].mean(axis=1)
    bm_port = stock_returns[big_group & med_bm].mean(axis=1)
    bh = stock_returns[big_group & high_bm].mean(axis=1)

    # 4. Tính toán Vector Factors
    smb = (sl + sm_port + sh) / 3.0 - (bl + bm_port + bh) / 3.0
    hml = (sh + bh) / 2.0 - (sl + bl) / 2.0
    
    return pd.DataFrame({'SMB': smb, 'HML': hml})

Bảng kết quả phân loại 30 mã cổ phiếu ngành xây dựng (HOSE)

  • Danh mục Small - Low ($SL$): PTX, C47, L10, MDG, LGC.
  • Danh mục Small - Medium ($SM$): CDC, HU1, LM8, PXI, PXS, LCG, VNE.
  • Danh mục Small - High ($SH$): ACC, C32, HU3, CTD, FCN, PTC, UDC.
  • Danh mục Big - Low ($BL$): BCE, DIG, MCG.
  • Danh mục Big - Medium ($BM$): HBC, HTI, SC5, TV1.
  • Danh mục Big - High ($BH$): THG, VSI, VRC, HAS.

Phân tích Thống kê mô tả và Tương quan (Testing & Validation)

Dữ liệu chuỗi thời gian 745 quan sát ngày ($N=745$) cho thấy các đặc trưng phân phối chuẩn của các biến kinh tế lượng:

Biến số Tên biến số Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max) Giá trị trung bình (Mean) Độ lệch chuẩn (Std. Dev)
$R_i - R_f$ Phần bù rủi ro CP Xây dựng -0.0612 0.0658 0.0003 0.0168
$R_m - R_f$ Phần bù rủi ro thị trường -0.0398 0.0425 0.0002 0.0112
$SMB$ Phần bù quy mô vốn hóa -0.0365 0.0425 0.0001 0.0089
$HML$ Phần bù giá trị công ty -0.0413 0.0385 -0.0002 0.0094
$WML$ Phần bù xu hướng (Đà tăng) -0.0352 0.0391 0.0001 0.0082

Ma trận hệ số tương quan Pearson ($N=745$)

  • Tương quan giữa $(R_i - R_f)$ và $(R_m - R_f)$: $r = 0.760$ ($p < 0.001$), biểu thị quan hệ đồng biến rất mạnh ở mức ý nghĩa 1%.
  • Tương quan giữa $(R_i - R_f)$ và $SMB$: $r = -0.325$ ($p < 0.001$), biểu thị mối quan hệ nghịch biến có ý nghĩa thống kê cao.
  • Tương quan giữa $(R_i - R_f)$ và $HML$: $r = -0.068$ ($p < 0.05$).
  • Tương quan giữa $(R_i - R_f)$ và $WML$: $r = -0.007$ ($p > 0.1$, không có tương quan tuyến tính rõ rệt).
  • Đánh giá đa cộng tuyến: Hệ số tương quan cặp giữa các biến độc lập đều $< 0.35$ và chỉ số $VIF$ dao động từ $1.02$ đến $1.15$ ($VIF < 2.0$), khẳng định mô hình không xảy ra hiện tượng đa cộng tuyến.

Kết quả hồi quy tổng hợp và so sánh mô hình

Tiến hành hồi quy OLS (Ordinary Least Squares) cho cả 3 mô hình, kết quả được tổng hợp chi tiết:

Mô hình Biến giải thích Hệ số hồi quy ($B$) Sai số chuẩn (Std. Error) T-statistic P-value (Sig.) VIF $R^2$ hiệu chỉnh ($R^2_{adj}$)
CAPM Hằng số ($\alpha$) 0.0001 0.0004 0.254 0.799 - 0.577
$(R_m - R_f)$ 0.760 0.0238 31.859 0.000 1.000 ($F = 1015.02$)
Fama - French (3 Factors) Hằng số ($\alpha$) 0.0001 0.0003 0.312 0.755 - 0.631
$(R_m - R_f)$ 0.646 0.0254 25.412 0.000 1.052 ($F = 424.18$)
$SMB$ -0.276 0.0302 -9.139 0.000 1.048
$HML$ -0.042 0.0250 -1.680 0.093 1.015
Carhart (4 Factors) Hằng số ($\alpha$) 0.0001 0.0003 0.308 0.758 - 0.631
$(R_m - R_f)$ 0.646 0.0254 25.385 0.000 1.054 ($F = 317.82$)
$SMB$ -0.276 0.0303 -9.112 0.000 1.050
$HML$ -0.042 0.0251 -1.673 0.095 1.018
$WML$ 0.003 0.0217 0.138 0.890 1.021 
Phương trình Fama-French tối ưu:
(Ri - Rf) = 0.646*(Rm - Rf) - 0.276*SMB - 0.042*HML + e
              (t = 25.41)       (t = -9.14)     (t = -1.68)
              [p < 0.001]       [p < 0.001]     [p = 0.093]

Đổi mới và đóng góp

  1. Chứng minh sự vượt trội của Mô hình Fama - French so với CAPM:

    • Khóa luận đã chứng minh thực nghiệm rằng mô hình Fama - French làm tăng hệ số xác định hiệu chỉnh từ $57.7%$ (CAPM) lên $63.1%$ (tăng $5.4%$ biên độ giải thích rủi ro).
    • Việc bổ sung nhân tố Quy mô ($SMB$) mang lại ý nghĩa thống kê vượt trội ($t = -9.139, p < 0.001$), loại bỏ sự phiến diện khi chỉ nhìn nhận rủi ro qua hệ số $\beta$ thị trường.

  2. Xác định hiệu ứng quy mô ngược (Inverse Size Effect) trong ngành xây dựng:

    • Hệ số $s_i = -0.276$ mang dấu âm có ý nghĩa thống kê cao. Điều này chỉ ra rằng tại HOSE giai đoạn 2013 - 2015, các cổ phiếu xây dựng vốn hóa nhỏ có tỷ suất sinh lợi bình quân cao hơn đáng kể so với các công ty xây dựng có vốn hóa lớn.
    • Nguyên nhân kinh tế: Các doanh nghiệp xây lắp vừa và nhỏ có tính linh hoạt cao, chi phí quản lý tinh gọn và khả năng thích ứng nhanh với các gói kích cầu xây dựng hạ tầng sau khủng hoảng, trong khi các tập đoàn xây dựng lớn bị chậm tiến độ bởi các dự án dở dang và chi phí tài chính cao.

  3. Phát hiện tính không hiệu quả của nhân tố Đà tăng trưởng (Momentum):

    • Biến $WML$ trong mô hình Carhart có hệ số $w_i = 0.003$ với $p = 0.890 > 0.05$ (không có ý nghĩa thống kê), đồng thời không làm thay đổi hệ số $R^2_{adj} = 63.1%$.
    • Điều này đóng góp một bằng chứng thực nghiệm quan trọng: TTCK Việt Nam giai đoạn này chưa có xu hướng bám đuổi đà giá (Momentum) dài hạn trong nhóm ngành xây lắp; các biến động giá ngắn hạn mang tính đảo chiều nhanh (Reversal effect) thay vì quán tính giá liên tục.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tiễn

  • Nhà đầu tư cá nhân & Tổ chức: Thay vì chỉ chọn các cổ phiếu "Blue-chip" xây dựng đầu ngành (vốn hóa lớn), chiến lược gia tăng tỷ trọng vào rổ cổ phiếu quy mô vừa và nhỏ ($Small-cap$) với cấu trúc nợ an toàn sẽ mang lại tỷ suất sinh lời vượt trội ($Alpha$).
  • Nhà quản lý quỹ (Fund Managers): Sử dụng phương trình Fama - French đã hiệu chỉnh để tính toán chi phí vốn chủ sở hữu ($K_e$), đánh giá chính xác giá trị nội tại khi thực hiện thẩm định đầu tư dự án EPC/BĐS.
  • Doanh nghiệp niêm yết: Nhận thức rõ tác động của việc pha loãng vốn và quy mô vốn hóa đến kỳ vọng của cổ đông để đưa ra chính sách cổ tức và cấu trúc vốn tối ưu.
                    QUY TRÌNH PHÂN BỔ TÀI SẢN THEO FAMA-FRENCH
                    
                           [Thiết lập Tỷ trọng Danh mục]
                           [Tái cân bằng Danh mục định kỳ Quý]

Lộ trình triển khai hệ thống quản trị rủi ro định lượng

  1. Giai đoạn 1 (Tháng 1 - 2): Xây dựng kho dữ liệu (Data Warehouse) lưu trữ dữ liệu giao dịch realtime từ HOSE và chuẩn hóa BCTC kiểm toán 10 năm.
  2. Giai đoạn 2 (Tháng 3 - 4): Triển khai pipeline tự động phân loại danh mục $2 \times 3$ và tự động ước lượng hệ số $\beta, s_i, h_i$ cập nhật theo quý.
  3. Giai đoạn 3 (Tháng 5 - 6): Tích hợp vào phần mềm quản lý danh mục (Portfolio Management System - PMS) và backtest chiến lược định lượng trên toàn bộ các ngành sản xuất.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Khung thời gian quan sát: Dữ liệu tập trung trong 3 năm (2013 - 2015), chưa bao quát trọn vẹn một chu kỳ kinh tế đầy đủ (thường kéo dài 7 - 10 năm).
  • Lãi suất phi rủi ro ($R_f$): Nghiên cứu sử dụng lãi suất trái phiếu chính phủ 5 năm; trong một số điều kiện thị trường biến động, lãi suất tín phiếu kho bạc ngắn hạn (3 tháng - 1 năm) có thể phản ánh sát hơn chi phí cơ hội ngắn hạn.
  • Quy mô mẫu: Mẫu nghiên cứu giới hạn ở 30 công ty xây dựng niêm yết trên sàn HOSE, chưa mở rộng sang sàn HNX và thị trường UPCoM.

Hướng nghiên cứu mở rộng

  • Mở rộng kiểm định mô hình Fama - French 5 nhân tố (2015), bổ sung hai biến số: Khả năng sinh lời hoạt động ($RMW$) và Phong cách đầu tư tài sản ($CMA$).
  • Tích hợp các thuật toán học máy phi tuyến tính (Random Forest, XGBoost, LSTM) để dự báo TSSL kết hợp giữa các nhân tố kinh tế lượng cơ bản và tín hiệu phân tích kỹ thuật.

Đối tượng hưởng lợi

                              CÁC NHÓM ĐỐI TƯỢNG HƯỞNG LỢI
  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nắm vững phương pháp luận xây dựng ma trận danh mục $2 \times 3$, kỹ thuật xử lý dữ liệu chuỗi thời gian ngày ($N=745$) và cách vận hành phần mềm SPSS/R trong kinh tế lượng tài chính.
  • Nhà đầu tư cá nhân & Chuyên viên phân tích (Broker/Analyst): Tiếp cận công cụ định giá vượt trội hơn CAPM truyền thống, nâng tỷ lệ giải thích biến động lợi nhuận lên $63.1%$, tránh bẫy tâm lý bầy đàn.
  • Nhà quản trị tài chính doanh nghiệp xây dựng: Cơ sở chuẩn xác để tính toán chi phí sử dụng vốn ($WACC$), tối ưu hóa cấu trúc vốn chủ sở hữu và thị giá cổ phiếu.
  • Nhà nghiên cứu kinh tế ứng dụng: Tài liệu tham khảo thực nghiệm chuẩn xác về hành vi định giá tài sản trên thị trường chứng khoán mới nổi Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu để triển khai mô hình Fama - French là gì?

Hệ thống cần dữ liệu giá đóng cửa điều chỉnh hàng ngày ($P_t$) tối thiểu 3 năm, BCTC quý đã kiểm toán để trích xuất Vốn chủ sở hữu, số lượng cổ phiếu lưu hành và chuỗi lãi suất Trái phiếu Chính phủ. Về công cụ, có thể triển khai trên SPSS, R hoặc Python (statsmodels, pandas).

2. Giới hạn quy mô (Scalability) của mô hình khi mở rộng ra toàn thị trường?

Mô hình hoàn toàn có khả năng mở rộng (Scalable) lên hàng trăm mã cổ phiếu trên cả HOSE và HNX. Khi quy mô mẫu tăng, thuật toán phân loại danh mục có thể mở rộng từ ma trận $2 \times 3$ sang $5 \times 5$ (25 danh mục) để phân tầng chi tiết hơn các nhóm quy mô siêu nhỏ (Micro-cap) và siêu lớn (Mega-cap).

3. Làm thế nào để tích hợp mô hình vào hệ thống giao dịch tự động?

Thông qua việc lập trình API trích xuất dữ liệu giá cuối ngày, tính toán tự động các vector $SMB_t$ và $HML_t$, sau đó cập nhật ma trận hệ số hồi quy hàng tuần/hàng tháng để điều chỉnh tỷ trọng danh mục tự động (Auto-rebalancing).

4. Nhu cầu bảo trì tham số và cập nhật mô hình định kỳ như thế nào?

Hệ số quy mô ($s_i$) và giá trị ($h_i$) cần được tái ước lượng (Re-estimate) tối thiểu theo từng quý, ngay sau khi các doanh nghiệp công bố BCTC quý mới, nhằm phản ánh kịp thời sự thay đổi trong vốn chủ sở hữu và vốn hóa thị trường.

5. Chi phí triển khai và bài toán ROI cho nhà đầu tư tổ chức?

Chi phí triển khai mô hình kinh tế lượng ở mức rất thấp (chủ yếu là chi phí phần mềm và mua dữ liệu sạch). Ngược lại, lợi ích ROI mang lại thông qua việc giảm thiểu rủi ro giải thích sai lệch của CAPM (giảm thiểu 5.4% sai số không giải thích được) giúp bảo vệ hàng tỷ đồng vốn đầu tư trong các giai đoạn thị trường điều chỉnh.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc việc kiểm định thực nghiệm các mô hình định giá tài sản vốn trên nhóm ngành xây dựng niêm yết tại sàn HOSE giai đoạn 2013 - 2015. Kết quả chứng minh mô hình 3 nhân tố Fama - French ($R^2_{adj} = 63.1%$) có năng lực giải thích vượt trội hoàn toàn so với mô hình CAPM truyền thống ($R^2_{adj} = 57.7%$), đồng thời làm sáng tỏ hiệu ứng quy mô công ty ($SMB$) với hệ số tác động âm có ý nghĩa thống kê cao ($s_i = -0.276$). Ngược lại, nhân tố đà tăng trưởng ($WML$) trong mô hình Carhart không có ý nghĩa thống kê trong phân khúc này. Nghiên cứu cung cấp hệ thống luận cứ định lượng vững chắc giúp các nhà đầu tư tối ưu hóa hiệu quả danh mục và mở ra hướng tiếp cận học thuật chuyên sâu cho thị trường tài chính Việt Nam.