Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp "Đánh giá tính hiệu quả mô hình Transformer đa biến trong dự báo giá chứng khoán Ngân hàng TMCP Ngoại thương Việt Nam" được thực hiện bởi sinh viên Phạm Tuấn Linh, chuyên ngành Công nghệ Tài chính, Trường Đại học Kinh tế – Đại học Huế (2026), dưới sự hướng dẫn khoa học của TS. Lê Viết Giáp. Đề tài thuộc loại hình nghiên cứu thực nghiệm định lượng ứng dụng kỹ thuật học sâu trong lĩnh vực kinh tế và tài chính.

Bối cảnh thực tiễn được tác giả xác định xuất phát từ vai trò trụ cột của hệ thống ngân hàng đối với nền kinh tế Việt Nam. Trong đó, Ngân hàng Thương mại Cổ phần Ngoại thương Việt Nam (Vietcombank) giữ vị thế đầu tàu về quy mô vốn hóa toàn ngành và mã cổ phiếu VCB luôn nằm trong rổ chỉ số VN30 kể từ khi niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) vào năm 2009. Biến động giá của VCB có tính dẫn dắt chỉ số thị trường chung VN-Index, do đó việc dự báo chính xác giá cổ phiếu này phục vụ trực tiếp cho hoạt động quản trị rủi ro của các tổ chức tài chính cũng như hỗ trợ nhà đầu tư ra quyết định.

Tuy nhiên, thị trường chứng khoán Việt Nam mang tính biến động phi tuyến tính cao và chịu sự tác động đan xen của các biến số kinh tế vĩ mô như lãi suất, lạm phát và biến động địa chính trị. Các phương pháp phân tích kỹ thuật truyền thống hoặc mô hình thống kê cổ điển gặp khó khăn trong việc thích ứng với các mối quan hệ phức tạp này. Đồng thời, các kiến trúc mạng nơ-ron hồi quy thế hệ trước như SimpleRNN và LSTM bộc lộ các nhược điểm về cơ chế xử lý tuần tự theo thời gian, dễ gặp hiện tượng triệt tiêu đạo hàm (vanishing gradient), suy giảm khả năng ghi nhớ thông tin quá khứ xa và thường tạo ra độ trễ pha tại các điểm đảo chiều của đường giá. Trước thực tế đó, kiến trúc Transformer với cơ chế Self-Attention cho phép xử lý dữ liệu đồng thời và gán trọng số linh hoạt cho các sự kiện lịch sử, tạo cơ sở cho việc nâng cao độ chính xác trong bài toán dự báo chuỗi thời gian tài chính đa biến.

Mục tiêu nghiên cứu của đề tài được phân định cụ thể:

  • Mục tiêu tổng quát: Thiết kế và triển khai hệ thống học sâu dựa trên kiến trúc Transformer để thực hiện dự báo giá đóng cửa cho cổ phiếu VCB.
  • Mục tiêu cụ thể:
    1. Hệ thống hóa cơ sở khoa học về dự báo giá tài sản tài chính và giá chứng khoán.
    2. Thực nghiệm xây dựng mô hình và phân tích biến động để dự báo giá đóng cửa của cổ phiếu VCB.
    3. Đề xuất các giải pháp ứng dụng thực tiễn cho mô hình.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Kỹ thuật dự báo giá đóng cửa của cổ phiếu giao dịch trên thị trường chứng khoán, cụ thể là biến động giá đóng cửa của cổ phiếu VCB.
  • Phạm vi nghiên cứu:
    • Về không gian: Thị trường chứng khoán Việt Nam (sàn HOSE).
    • Về thời gian: Dữ liệu giao dịch lịch sử từ thời điểm Vietcombank niêm yết trên thị trường chứng khoán đến hiện tại, giai đoạn từ ngày 30 tháng 6 năm 2009 đến hết ngày 5 tháng 12 năm 2025 (hơn 16 năm).
    • Về nội dung: Ứng dụng và so sánh các kỹ thuật học sâu (SimpleRNN, LSTM, Transformer) trong bài toán dự báo chuỗi thời gian đa biến.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của khóa luận được xây dựng dựa trên sự kết hợp giữa lý luận tài chính thị trường, phân tích kỹ thuật và các kiến trúc học sâu:

  • Lý luận thị trường và phân tích kỹ thuật: Bản chất thị trường chứng khoán, cơ chế vận hành thị trường sơ cấp và thứ cấp; các chỉ báo kỹ thuật truyền thống gồm đường trung bình động (MA), chỉ số sức mạnh tương đối (RSI), đường phân kỳ hội tụ trung bình động (MACD). Tác giả chỉ ra hạn chế của các chỉ báo này là độ trễ thông tin và tính chủ quan khi thiết lập tham số.
  • Lý luận dữ liệu chuỗi thời gian: Các đặc tính của chuỗi thời gian tài chính tác động đến dự báo gồm tính không dừng, tỷ lệ tín hiệu trên nhiễu thấp dẫn đến nguy cơ quá khớp (overfitting), và sự phụ thuộc dài hạn.
  • Cơ sở học sâu: Quy trình lan truyền xuôi, hàm kích hoạt phi tuyến (Tanh, Sigmoid), hàm mất mát sai số bình phương trung bình (MSE), thuật toán lan truyền ngược (Backpropagation), giải thuật tối ưu hóa Adam, kỹ thuật chống quá khớp Dropout, và kỹ thuật chuẩn hóa theo lô (Batch Normalization).
  • Kiến trúc ba mô hình thực nghiệm:
    • SimpleRNN: Mạng hồi quy cơ bản với vòng lặp phản hồi, cập nhật trạng thái ẩn qua từng bước thời gian nhưng mắc hiện tượng triệt tiêu đạo hàm trên chuỗi dài.
    • LSTM (Long Short-Term Memory): Cải tiến trạng thái tế bào (Cell State) đóng vai trò băng chuyền thông tin tuyến tính, điều phối dòng dữ liệu thông qua ba cổng chức năng: Cổng quên (Forget Gate), Cổng vào (Input Gate) và Cổng ra (Output Gate).
    • Transformer: Loại bỏ hoàn toàn cấu trúc hồi quy tuần tự, vận hành dựa trên cơ chế chú ý bản thân (Self-Attention) và chú ý đa đầu (Multi-Head Attention), kết hợp khối Mã hóa (Encoder) - Giải mã (Decoder), Mã hóa vị trí (Positional Encoding), kết nối tắt (Residual Connection) và chuẩn hóa lớp (Layer Normalization).

Phương pháp nghiên cứu thực nghiệm và nguồn dữ liệu:

  • Nguồn dữ liệu: Dữ liệu thứ cấp chuẩn hóa thu thập qua thư viện yfinance lấy từ Yahoo Finance đối với các trường giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất và khối lượng giao dịch của mã VCB (đã thực hiện điều chỉnh kỹ thuật cho cổ tức và phát hành thêm). Dữ liệu chỉ số thị trường VN-Index và các biến số kinh tế vĩ mô được thu thập và đối chiếu từ nền tảng tài chính trực tuyến Investing.
  • Tiền xử lý dữ liệu:
    • Sử dụng phương pháp Forward Fill để lấp đầy các giá trị thiếu do lệch pha thời gian giao dịch hoặc ngày nghỉ lễ.
    • Áp dụng kỹ thuật Min-Max Scaling để chuẩn hóa toàn bộ các biến số về thang đo [0, 1].
    • Áp dụng kỹ thuật Cửa sổ trượt (Sliding Window) để chuyển đổi chuỗi thời gian liên tục thành các mẫu học có giám sát.
  • Phân chia tập dữ liệu: Tuân thủ nghiêm ngặt tính thứ tự thời gian (không xáo trộn ngẫu nhiên):
    • Tập Huấn luyện (Train): Chiếm 80% phần đầu của chuỗi dữ liệu lịch sử.
    • Tập Kiểm thử (Test): Chiếm 20% chuỗi dữ liệu ở giai đoạn sau cùng, đóng vai trò dữ liệu mới độc lập để đánh giá năng lực tổng quát hóa.
    • Tập Xác thực (Validation): Tách từ nội bộ 80% tập Train theo quy luật chia đều cứ 4 mẫu liên tiếp thì 3 mẫu dùng cho Train và 1 mẫu đưa vào Validation (tương đương tỷ lệ 75% Train - 25% Validation trong tập 80% ban đầu).
  • Thước đo đánh giá: Ba chỉ số định lượng gồm Sai số tuyệt đối trung bình (MAE), Căn bậc hai sai số bình phương trung bình (RMSE), và Phần trăm sai số tuyệt đối trung bình (MAPE), kết hợp theo dõi hàm mất mát MSE và cơ chế dừng sớm (Early Stopping) trong quá trình huấn luyện.

Nội dung chính theo từng chương

Chương 1: Cơ sở khoa học về dự báo giá chứng khoán

Nội dung chương 1 hệ thống hóa các khái niệm nền tảng về thị trường chứng khoán, vai trò của sàn HOSE, chỉ số VN-Index, các trường phái phân tích kỹ thuật truyền thống (MA, RSI, MACD) cùng những hạn chế nội tại về độ trễ pha và khó khăn khi tích hợp biến số vĩ mô. Tác giả đi sâu vào bản chất chuỗi thời gian đa biến và các đặc trưng gây nhiễu cho mô hình dự báo như tính không dừng và sự phụ thuộc xa.

Chương này cũng tổng hợp các nghiên cứu tiền nhiệm trong và ngoài nước:

  • Nghiên cứu của Trần Viết Giang (2024) về mô hình phức hợp LSTM – GRU Hybrid: Vẫn phụ thuộc vào cơ chế tuần tự, dễ bão hòa thông tin và chậm nhịp trước các đột biến dòng tiền.
  • Nghiên cứu của Trần Kim Toại (2024) và Đào Lê Kiều Oanh (2024): Ứng dụng học máy dự báo chỉ số chung của thị trường, thiếu tính chuyên biệt cho các mã cổ phiếu trụ cột như VCB.
  • Nghiên cứu của Mohammadreza Saberironaghi (2025): Áp dụng kỹ thuật học máy và học sâu ở bình diện quốc tế nhưng có khoảng cách khi áp dụng vào thị trường cận biên như Việt Nam.
  • Nghiên cứu của Nguyễn Nhật Bảo Uyên (2025): Ứng dụng mô hình Transformer nhưng giới hạn ở dữ liệu đơn biến (chỉ dùng chuỗi giá đơn lẻ), chưa kết hợp các biến số vĩ mô và chỉ báo kỹ thuật.

Từ khoảng trống nghiên cứu đó, tác giả phân tích chi tiết cấu trúc toán học của SimpleRNN, LSTM và Transformer, đồng thời giới thiệu môi trường thực nghiệm Google Colab cùng danh mục các thư viện mã nguồn mở Python được sử dụng.

Chương 2: Ứng dụng mô hình Transformer trong dự báo giá cổ phiếu VCB

Chương 2 trình bày toàn bộ quá trình thực nghiệm định lượng. Tác giả mở đầu bằng việc phân tích tổng quan vị thế của Vietcombank, các chỉ số an toàn tài chính (như tỷ lệ bao phủ nợ xấu - LLR), đặc điểm biến động giá và mối quan hệ giữa VCB với VN-Index.

Quy trình xử lý dữ liệu đa biến được thiết lập từ dữ liệu lịch sử giai đoạn từ ngày 30/06/2009 đến ngày 05/12/2025. Sau khi áp dụng Forward Fill, Min-Max Scaling và phân chia tập dữ liệu (80% Train, 20% Test, tạo tập Validation theo tỷ lệ 75/25 nội bộ Train), tác giả tiến hành thiết kế cấu trúc mạng và cấu hình siêu tham số cho cả ba mô hình: SimpleRNN, LSTM và Transformer. Quá trình huấn luyện sử dụng hàm mất mát MSE, thuật toán tối ưu hóa Adam kết hợp cơ chế dừng sớm (Early Stopping) nhằm ngắt phiên huấn luyện khi hàm mất mát trên tập xác thực không còn cải thiện.

Hiệu suất của ba mô hình được so sánh trực tiếp thông qua đường cong hàm mất mát (loss curve) qua các chu kỳ (epoch), bảng tổng hợp các chỉ số kiểm định sai số (MAE, RMSE, MAPE) và đồ thị trực quan hóa đường giá dự báo đối chiếu với đường giá thực tế của cổ phiếu VCB.

Chương 3: Một số giải pháp nâng cao hiệu quả dự báo giá cổ phiếu VCB dựa trên mô hình Transformer

Dựa trên kết quả thực nghiệm ở chương 2, chương 3 tập trung đánh giá toàn diện các ưu điểm và hạn chế của các mô hình đã xây dựng:

  • Ưu điểm: Transformer chứng minh được khả năng nắm bắt tương quan đa biến và hạn chế độ trễ pha so với hai mô hình mạng hồi quy tuần tự.
  • Nhược điểm: Chi phí tính toán của Transformer lớn hơn, đòi hỏi tài nguyên phần cứng cao và cần tối ưu hóa cấu trúc siêu tham số phức tạp hơn.

Trên cơ sở đó, tác giả đề xuất nhóm giải pháp nâng cao hiệu quả dự báo và ứng dụng thực tiễn, bao gồm: Hoàn thiện quy trình tiền xử lý dữ liệu đa biến, tích hợp thêm các chỉ số tài chính vĩ mô định kỳ, tối ưu hóa các tham số của cơ chế Attention, và định hướng ứng dụng mô hình vào việc hỗ trợ ra quyết định giao dịch và quản trị danh mục đầu tư tại các định chế tài chính.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu nghiên cứu thông qua việc thiết lập và kiểm định thực nghiệm ba mô hình học sâu trên bộ dữ liệu chuỗi thời gian đa biến của cổ phiếu VCB trong hơn 16 năm (2009 - 2025).

Bảng so sánh đặc điểm kỹ thuật và cấu trúc giữa các mô hình trong nghiên cứu:

Tiêu chí Mô hình SimpleRNN Mô hình LSTM Mô hình Transformer
Cơ chế xử lý chuỗi Tuần tự theo từng bước thời gian Tuần tự qua các tế bào bộ nhớ Xử lý song song toàn bộ chuỗi
Cơ chế ghi nhớ/chú ý Vòng lặp phản hồi trạng thái ẩn đơn giản Trạng thái tế bào (Cell State) điều khiển bởi 3 cổng Cơ chế Self-Attention và Multi-Head Attention
Khả năng bắt phụ thuộc xa Kém (bị triệt tiêu đạo hàm) Tốt hơn RNN, nhưng bị giới hạn khi chuỗi quá dài Vượt trội, gán trọng số đồng thời cho mọi điểm lịch sử
Dạng dữ liệu đầu vào Đa biến Đa biến Đa biến (kết hợp VCB, VN-Index, vĩ mô)
Mã hóa vị trí Tự nhiên theo thứ tự nạp dữ liệu Tự nhiên theo thứ tự nạp dữ liệu Bổ sung véc-tơ Positional Encoding
Kiểm soát quá khớp Hàm kích hoạt Tanh, Dropout Cổng quên, Dropout, Batch Normalization Layer Normalization, Residual Connection, Early Stopping

Các kết quả và đóng góp chính của nghiên cứu:

  1. Kết quả thực nghiệm: Khẳng định tính hiệu quả của kiến trúc Transformer đa biến so với SimpleRNN và LSTM. Việc áp dụng cơ chế Self-Attention giúp mô hình giảm thiểu hiện tượng trễ pha tại các điểm đảo chiều quan trọng của giá cổ phiếu VCB, hạn chế lỗi tích lũy đạo hàm vốn xuất hiện trên các mạng hồi quy tuần tự.
  2. Về mặt phương pháp luận: Thiết lập quy trình hoàn chỉnh xử lý chuỗi thời gian đa biến trong điều kiện thị trường chứng khoán Việt Nam: từ thu thập dữ liệu tự động qua yfinance, xử lý khuyết thiếu bằng Forward Fill, chuẩn hóa Min-Max Scaling, đến kỹ thuật phân chia tập dữ liệu giữ nguyên tính thứ tự thời gian (80% Train, 20% Test, phân bổ Validation 75/25 trong Train).
  3. Đóng góp so với các nghiên cứu trước: Khắc phục hạn chế của nghiên cứu đơn biến từ Nguyễn Nhật Bảo Uyên (2025) bằng cách tích hợp đồng thời chuỗi giá VCB với biến số thị trường VN-Index và các yếu tố vĩ mô; đồng thời giải quyết nhược điểm nghẽn tuần tự và bão hòa thông tin của mô hình lai LSTM – GRU trong nghiên cứu của Trần Viết Giang (2024).

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ rõ các hạn chế xuất phát từ phạm vi nghiên cứu và điều kiện thực nghiệm:

  • Nghiên cứu tập trung vào một mã cổ phiếu riêng lẻ (VCB) thuộc ngành ngân hàng trên sàn HOSE, chưa mở rộng kiểm định trên toàn bộ các nhóm ngành có đặc tính thanh khoản và biến động khác nhau.
  • Nguồn dữ liệu thứ cấp được khai thác thông qua thư viện yfinance và cổng thông tin Investing, phụ thuộc vào tính liên tục và mức độ chuẩn hóa của các nền tảng cung cấp bên ngoài.
  • Tác giả tự nhìn nhận những giới hạn về mặt thời gian thực hiện khóa luận và chiều sâu kinh nghiệm thực tế trên thị trường tài chính, khiến một số khía cạnh tối ưu hóa siêu tham số sâu cho Transformer chưa thể triển khai triệt để.

Hướng mở rộng được đề xuất:

  • Mở rộng phạm vi kiểm thử mô hình Transformer đa biến sang các cổ phiếu vốn hóa lớn khác trong rổ VN30 hoặc các nhóm ngành nhạy cảm với chu kỳ kinh tế (như bất động sản, chứng khoán, sản xuất).
  • Tích hợp thêm các nhóm dữ liệu phi cấu trúc, đặc biệt là dữ liệu phân tích cảm xúc tin tức tài chính (Sentiment Analysis) kết hợp với các chỉ báo vĩ mô tần suất cao.
  • Nghiên cứu cải tiến sâu hơn các biến thể của Transformer để tối ưu hóa thời gian huấn luyện và nâng cao khả năng khái quát hóa trong các giai đoạn thị trường biến động cực đoan.

Giá trị tham khảo

Khóa luận là tài liệu học thuật có giá trị tham khảo cụ thể cho:

  • Sinh viên, học viên chuyên ngành Công nghệ Tài chính (FinTech), Khoa học Dữ liệu, Tài chính – Ngân hàng và Hệ thống Thông tin Quản lý đang thực hiện đồ án hoặc nghiên cứu về phân tích định lượng chuỗi thời gian tài chính.
  • Các nhà nghiên cứu và người thực hành phân tích kỹ thuật mong muốn tìm hiểu phương pháp chuyển đổi từ các mô hình học máy truyền thống sang kiến trúc học sâu hiện đại trên dữ liệu chứng khoán Việt Nam.
  • Các nội dung đáng tham khảo chuyên sâu gồm:
    • Kỹ thuật tiền xử lý dữ liệu chuỗi thời gian đa biến (kết hợp chuỗi giá cổ phiếu điều chỉnh kỹ thuật với chỉ số thị trường, kỹ thuật chia tập Train - Test không xáo trộn).
    • Kiến trúc so sánh ba mô hình SimpleRNN, LSTM, Transformer được trình bày chi tiết về mặt toán học và cơ chế vận hành của các cổng/khối xử lý.
    • Quy trình thiết lập hệ thống đánh giá thực nghiệm đa chiều kết hợp MAE, RMSE, MAPE và hàm mất mát MSE.

Câu hỏi thường gặp

  1. Khóa luận sử dụng nguồn dữ liệu nào và giai đoạn thu thập kéo dài trong bao lâu? Khóa luận sử dụng nguồn dữ liệu thứ cấp được trích xuất tự động qua thư viện yfinance (kết nối cơ sở dữ liệu Yahoo Finance) đối với dữ liệu giao dịch lịch sử của cổ phiếu VCB, đồng thời thu thập dữ liệu chỉ số thị trường VN-Index và các biến số vĩ mô từ nền tảng Investing. Khoảng thời gian thu thập kéo dài từ ngày 30/06/2009 (khi Vietcombank bắt đầu niêm yết trên HOSE) đến hết ngày 05/12/2025, với độ dài hơn 16 năm liên tục.

  2. Quy trình phân chia dữ liệu (Train - Validation - Test) được thiết lập như thế nào để đảm bảo tính khách quan trong chuỗi thời gian? Tác giả tuân thủ nghiêm ngặt tính thứ tự thời gian và tuyệt đối không xáo trộn dữ liệu: 80% chuỗi dữ liệu ban đầu được phân bổ cho tập Huấn luyện (Train), 20% chuỗi dữ liệu sau cùng được giữ nguyên làm tập Kiểm thử (Test) độc lập. Trong nội bộ 80% tập Train, dữ liệu tiếp tục được chia thành 75% huấn luyện và 25% xác thực (Validation) theo quy luật: sau mỗi 3 mẫu Train thì mẫu tiếp theo được đưa vào Validation.

  3. Những mô hình học sâu nào được đặt lên bàn cân so sánh thực nghiệm trong khóa luận? Tác giả xây dựng, huấn luyện và so sánh song song ba kiến trúc mạng nơ-ron học sâu gồm: mạng nơ-ron hồi quy đơn giản (SimpleRNN), mạng bộ nhớ ngắn hạn dài hạn (LSTM), và kiến trúc Transformer đa biến dựa trên cơ chế Self-Attention.

  4. Tại sao nghiên cứu lại phát triển mô hình Transformer đa biến thay vì mô hình đơn biến như công trình của Nguyễn Nhật Bảo Uyên (2025)? Tác giả nhận định rằng giá cổ phiếu VCB không vận động tách rời mà chịu ảnh hưởng chặt chẽ bởi xu hướng thị trường chung (VN-Index) và các yếu tố kinh tế vĩ mô. Tiếp cận đa biến giúp mô hình Transformer tiếp nhận đồng thời nhiều chiều thông tin, từ đó bóc tách được các mối tương quan ngầm giữa dòng tiền chung và giá cổ phiếu riêng lẻ, khắc phục cái nhìn phiến diện của mô hình đơn biến.

  5. Những chỉ số định lượng nào được sử dụng để đánh giá sai số của các mô hình dự báo? Hiệu suất và sai số của ba mô hình được đo lường định lượng trên tập kiểm thử thông qua ba thước đo chuẩn tắc: Sai số tuyệt đối trung bình (MAE), Căn bậc hai sai số bình phương trung bình (RMSE), và Phần trăm sai số tuyệt đối trung bình (MAPE), kết hợp với việc giám sát hàm mất mát Sai số bình phương trung bình (MSE) trong toàn bộ tiến trình huấn luyện.

Kết luận

Khóa luận tốt nghiệp của sinh viên Phạm Tuấn Linh đã hệ thống hóa toàn diện cơ sở khoa học về dự báo chuỗi thời gian tài chính và triển khai thành công thực nghiệm so sánh giữa SimpleRNN, LSTM và Transformer trên tập dữ liệu đa biến cổ phiếu VCB giai đoạn 2009 - 2025. Kết quả nghiên cứu khẳng định ưu thế của kiến trúc Transformer với cơ chế Self-Attention trong việc xử lý các mối phụ thuộc dài hạn và khắc phục hiện tượng trễ pha tại các điểm đảo chiều của đường giá. Công trình cung cấp quy trình tiền xử lý, cấu hình huấn luyện chuẩn mực và mở ra định hướng ứng dụng học sâu trong hoạt động phân tích định lượng và quản trị rủi ro trên thị trường chứng khoán Việt Nam.