Tổng quan luận án

Luận án tiến sĩ kinh tế với đề tài "Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam" được tác giả Lê Đạt Chí thực hiện tại Trường Đại học Kinh tế TP. Hồ Chí Minh, dưới sự hướng dẫn khoa học của GS. Trần Ngọc Thơ (chuyên ngành Kinh tế Tài chính – Ngân hàng, mã số 62.01, năm 2011).

Tính cấp thiết và khoảng trống nghiên cứu

Dự báo thị trường tài chính và các chuyển động kinh tế là một lĩnh vực có lịch sử lâu đời với phương pháp tiếp cận truyền thống phổ biến là phân tích chuỗi thời gian. Các mô hình truyền thống chủ yếu dựa trên các kỹ thuật tuyến tính như phương pháp Box - Jenkins, bộ lọc Kalman, lý thuyết san bằng hàm mũ của Brown, mô hình hồi quy mẫu nhỏ, hoặc mô hình phi tuyến như phương trình Mackey-Glass và mô hình GARCH (Bollerslev, 1986). Tuy nhiên, các kỹ thuật này có tỷ lệ thành công còn hạn chế khi áp dụng vào thị trường tài chính do nền tảng toán học của chúng dựa trên giả định phân phối chuẩn (đường cong hình chuông của Gauss) và học thuyết thị trường hiệu quả. Giả định này coi các biến cố là độc lập ngẫu nhiên và con người hoàn toàn duy lý.

Thực tế thị trường tài chính thể hiện tính chất phi tuyến và chuyển động có cấu trúc hỗn loạn (chaos), nơi các nhà đầu tư đưa ra quyết định dựa trên "sự hợp lý có chừng mực" (Sargent, 1997, 1999) và chịu tác động bởi yếu tố tâm lý, cảm xúc (Bill Williams, 1995; Taleb, 2007). Mạng thần kinh nhân tạo (Artificial Neural Network - ANN) là một kỹ thuật mô hình hóa thống kê phi tuyến mô phỏng cơ chế xử lý thông tin của bộ não con người, có khả năng học từ dữ liệu để nhận dạng mẫu hình, phân loại và dự báo. Trong khi các nghiên cứu thực nghiệm về ANN đã được triển khai rộng rãi tại nhiều thị trường quốc tế, việc nghiên cứu ứng dụng mô hình này trong phân tích và dự báo kinh tế tại Việt Nam vẫn còn rất hạn chế. Do đó, luận án được thực hiện nhằm giải quyết khoảng trống về khả năng ứng dụng thực nghiệm của mô hình ANN trên thị trường chứng khoán Việt Nam.

Mục tiêu nghiên cứu

Luận án xác định và giải quyết bốn mục tiêu nghiên cứu cụ thể sau:

  1. Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam.
  2. Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khoán.
  3. Hiệu quả ứng dụng mô hình ANN tốt hơn mô hình hồi quy tuyến tính.
  4. Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam qua đó gợi ý một số chính sách liên quan.

Câu hỏi nghiên cứu

Để hoàn thành các mục tiêu trên, tác giả tập trung trả lời sáu câu hỏi nghiên cứu:

  • (1) Mô hình mạng ANN là gì và cơ chế vận hành của nó như thế nào trong thị trường tài chính?
  • (2) Những quan điểm và bằng chứng thực nghiệm trong việc ứng dụng mô hình ANN trong phân tích và dự báo trên thị trường tài chính?
  • (3) Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam?
  • (4) Cấu trúc mạng ANN nào sẽ thích hợp để dự báo giá chứng khoán?
  • (5) Liệu khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam có tính hiệu quả hơn mô hình hồi quy tuyến tính truyền thống?
  • (6) Nếu mô hình ANN tốt hơn thì những biến giải thích nào sẽ giúp cho chúng ta sử dụng để phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam?

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Cơ chế vận hành của mô hình mạng thần kinh nhân tạo (ANN) và khả năng ứng dụng mô hình này trong việc phân tích, dự báo sự biến động của chỉ số giá chứng khoán (VN-Index) dựa trên các nhóm biến giải thích.
  • Phạm vi không gian: Thị trường chứng khoán Việt Nam, tập trung vào Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HSX) và Sở Giao dịch Chứng khoán Hà Nội (HNX).
  • Phạm vi thời gian: Dữ liệu chuỗi thời gian được thu thập chủ yếu từ năm 2002 đến hết tháng 9/2010 (với 104 quan sát theo tháng), kết hợp dữ liệu chuỗi thời gian theo ngày, theo tuần và các tập dữ liệu ngoài mẫu thu thập bổ sung trong năm 2010 để kiểm định tính hiệu quả dự báo.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước được tác giả điểm lại

Luận án tiến hành tổng hợp lịch sử phát triển của mạng thần kinh nhân tạo từ các nghiên cứu sơ khai của McCulloch và Pitts (thập niên 1940), Frank Rosenblatt (1958) đến giai đoạn phát triển ứng dụng xử lý dữ liệu phức tạp từ cuối thập niên 1990. Tác giả phân loại các công trình nghiên cứu thực nghiệm quốc tế theo từng nhóm chủ đề:

                               CÁC HƯỚNG NGHIÊN CỨU THỰC NGHIỆM VỀ ANN
  Dự báo thị trường        Dự báo thị trường           Dự báo các chỉ số         Mô hình ANN lai ghép
    chứng khoán                hàng hóa                    kinh tế vĩ mô             trí tuệ nhân tạo
  - Barunik (2007)         - Suriya (2006)             - Jingtao (1995)          - George & Kimon
  - Ahagar &               - Siddhivinayak &           - Gradojevic &              (2009: Fuzzy Logic)
    Yahyazadehfar (2010)     Imad (2009)                 Yang (2000)             - Yung-Keun &
  - Qing Cao et al. (2009) - Antonino et al. (2008)    - Ashok & Amit (2002)       Byung-Ro (2007:
  - Renu & Abhijeet (2010)                             - Greg (2001)               Genetic Algorithm)
  - Mark et al. (2001)                                 - Saeed et al. (2004)
  - JingTao et al. (1996)                              - Steven (2000)
  - Pan et al. (2005)                                  - Duzgun (2010)
  - Yochanan &                                         - Paul & Peter (2004)
    Dorota (2000)                                      - Adnan & Nadeem (2007)

  1. Dự báo chỉ số thị trường chứng khoán:

    • Jozef Barunik (2007) ứng dụng mô hình ANN phi tuyến dự báo tỷ suất sinh lợi chỉ số chứng khoán tại Phần Lan, Hungary, Czech và Đức (2000–2006), cho thấy mức độ chính xác đạt 60% đối với các chỉ số PX-50, BUX và DAX.
    • Reza G. Ahagar và Mahood Yahyazadehfar (2010) sử dụng mô hình mạng thần kinh được khái quát hóa (GRNN) để dự báo chỉ số chứng khoán Tehran (Iran), chứng minh tính ưu việt hơn so với hồi quy tuyến tính.
    • Qing Cao, Mark và Karyl (2009) chứng minh hiệu quả dự báo của ANN trên thị trường chứng khoán Thượng Hải (Trung Quốc).
    • Renu và Abhijeet (2010) dự báo tỷ suất sinh lợi chỉ số Nifty (Ấn Độ) bằng mạng truyền thẳng ba lớp ẩn.
    • Mark, An-Sing và Hazem (2001) dùng mạng xác suất (Probabilistic Neural Network) dự báo xu hướng thị trường Đài Loan nhằm xây dựng chiến lược giao dịch sinh lợi.
    • JingTao, Chew và Hean (1996) ứng dụng các chỉ báo phân tích kỹ thuật vào ANN để dự báo chỉ số KLCI của Malaysia so với mô hình ARIMA.
    • Heping Pan, Chandima và John (2005) dùng mạng truyền thẳng đa lớp dự báo chỉ số AORD (Úc) dựa trên tỷ suất sinh lợi trễ 6 ngày và chỉ số S&P 500 (Mỹ), kết luận mạng một lớp ẩn với 2 neuron cho kết quả tốt nhất (đạt độ chính xác 80% về xu hướng).
    • Yochanan và Dorota (2000) nghiên cứu thị trường Canada, Pháp, Đức, Nhật, Anh, Mỹ và chỉ ra rằng mạng truyền thẳng một lớp ẩn với 5 neuron tối ưu hơn mô hình 2 neuron trên cơ sở chỉ tiêu sai số bình phương trung bình (MSE).

  2. Dự báo giá hàng hóa và kim loại:

    • Komsan Suriya (2006) sử dụng mạng truyền thẳng với 200 neuron ẩn dự báo giá dầu thô với sai số phần trăm tuyệt đối trung bình (MAPE) đạt 1,89%.
    • Siddhivinayak và Imad (2009) kết hợp mức giá quá khứ và giá kỳ hạn 1–2 tháng để dự báo giá dầu thô giao ngay.
    • Antonino, Franco và David (2008) ứng dụng mạng phi tuyến dự báo giá vàng qua sai phân bậc nhất của giá quá khứ và chỉ số Dow Jones Average.

  3. Mô hình lai ghép trí tuệ nhân tạo:

    • George và Kimon (2009) kết hợp ANN với lý thuyết logic mờ (Fuzzy-logic) trong dự báo xu hướng ngắn hạn.
    • Yung-Keun và Byung-Ro (2007) tích hợp ANN với thuật toán di truyền (Genetic Algorithm) trên thị trường NYSE và NASDAQ.

  4. Dự báo các biến số kinh tế vĩ mô:

    • Tỷ giá: Jingtao (1995) dự báo GBP, JPY, AUD, CHF; Nikola Gradojevic và Jing Yang (2000) tại Ngân hàng Trung ương Canada dự báo tỷ giá CAD/USD; Ashok và Amit (2002) kết hợp ANN và thuật toán di truyền dự báo đồng DEM/USD.
    • Tăng trưởng sản lượng: Greg (2001) dự báo sản lượng Canada; Saeed, Denise và Birchenhall (2004) so sánh dự báo sản lượng công nghiệp tại Anh, Đức, Pháp; Steven (2000) đề xuất kết hợp mô hình phi tuyến và tuyến tính.
    • Lạm phát: Recep Duzgun (2010) so sánh GRNN, mạng truyền thẳng và ARIMA đối với CPI Thổ Nhĩ Kỳ (2000–2008); Paul và Peter (2004) mô hình hóa đường cong Phillips phi tuyến bằng phương pháp "thick model" cho CPI khu vực Châu Âu; Adnan và Muhammad Nadeem (2007) sử dụng mạng truyền thẳng 12 lớp ẩn kết hợp thuật toán lan truyền ngược để dự báo lạm phát Pakistan (1993–2007).

Khoảng trống nghiên cứu luận án lựa chọn

Mặc dù lý thuyết ANN và các kiểm định thực nghiệm đã phát triển mạnh mẽ ở các thị trường phát triển và một số thị trường mới nổi, tại Việt Nam ở thời điểm năm 2011 chưa có công trình nghiên cứu hệ thống nào áp dụng mạng thần kinh nhân tạo để dự báo chỉ số giá chứng khoán VN-Index. Luận án lựa chọn giải quyết khoảng trống này bằng cách:

  • Thiết lập quy trình chuẩn hóa xây dựng mô hình ANN cho thị trường chứng khoán Việt Nam.
  • Khảo sát và so sánh hiệu quả dự báo của nhiều cấu trúc mạng khác nhau (mạng truyền thẳng, mạng truyền thẳng đa lớp, mạng thần kinh khái quát hóa GRNN, mạng tuyến tính).
  • So sánh năng lực dự báo ngoài mẫu giữa mô hình ANN và mô hình hồi quy tuyến tính cổ điển (OLS).
  • Xác định các nhóm biến giải thích có tác động thực tế (kinh tế vĩ mô, tình hình tài chính doanh nghiệp, chỉ báo phân tích kỹ thuật) đến biến động của VN-Index.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các khái niệm sử dụng

  1. Lý thuyết hành vi và tính hỗn loạn của thị trường:

    • Luận án bác bỏ giả định về tính ngẫu nhiên độc lập của đợt biến động giá theo phân phối chuẩn của Gauss và học thuyết thị trường hiệu quả.
    • Dựa trên quan điểm của Heraclitus về sự vận động không ngừng, lý thuyết khoa học hỗn loạn (Chaos science - Mandelbrot, 1987), và lý thuyết tài chính hành vi (Bill Williams, 1995), thị trường tài chính là một hệ thống phi tuyến.
    • Các quyết định đầu tư được dẫn dắt bởi tâm lý bầy đàn, tham lam và sợ hãi từ bán cầu não phải, tạo nên tính hỗn loạn có cấu trúc và hình thành xu hướng giá.
    • Tác giả vận dụng giả định "sự hợp lý có chừng mực" (bounded rationality) của Sargent (1997, 1999) thay cho giả định con người hoàn toàn duy lý.

  2. Cấu trúc mạng thần kinh nhân tạo (ANN):

    • ANN mô phỏng cấu trúc sinh học gồm các neuron (nút mạng thực hiện biến đổi phi tuyến) và các synapse (khớp nối mang trọng số liên kết $w_{k,i}$).
    • Phương trình toán học tổng quát của một neuron $k$: $$v_k = \sum_{i=1}^n w_{k,i} x_i + b_k$$ $$y_k = \varphi(v_k)$$ Trong đó: $x_i$ là các tín hiệu đầu vào, $w_{k,i}$ là trọng số synapse, $b_k$ là hệ số hiệu chỉnh (bias), $\varphi(\cdot)$ là hàm kích hoạt (activation function, thường dùng hàm logistic hoặc logsigmoid), và $y_k$ là tín hiệu đầu ra.
    • Thuật toán học Backpropagation (BP): Cơ chế điều chỉnh trọng số thông qua nguyên tắc giảm độ dốc (Gradient Descent) nhằm cực tiểu hóa hàm mục tiêu sai số giữa giá trị thực tế $T_t$ và giá trị mạng tạo ra $Y_t$: $$e_t = T_t - Y_t$$
    • Các cấu trúc mạng chính:
      • Mạng truyền thẳng (Feedforward Networks - MFF): Dòng tín hiệu đi một chiều từ lớp đầu vào qua một lớp ẩn đến lớp đầu ra.
      • Mạng truyền thẳng đa lớp (Multilayer Feedforward Networks): Mạng có từ hai lớp ẩn trở lên, có khả năng xấp xỉ bất kỳ hàm phi tuyến đa biến nào (Dayhoff & Deleo, 2001; Hornik et al., 1989).
      • Mạng lặp lại Elman (Recurrent Networks): Tích hợp nhánh trễ phản hồi từ neuron lớp ẩn tại thời điểm $t-1$ về thời điểm $t$, cho phép lưu giữ "trí nhớ" của chuỗi dữ liệu.
      • Mạng thần kinh được khái quát hóa (GRNN / GNN): Mô hình mạng thống kê phi tuyến dựa trên ước lượng hàm mật độ xác suất.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng thực nghiệm mô phỏng thuật toán mạng thần kinh nhân tạo, triển khai quy trình 8 bước chuẩn hóa theo đề xuất của Deboeck, Masters, Blum, Nelson và Illingworth:

Bước Nội dung triển khai cụ thể trong luận án
Bước 1: Lựa chọn biến số Xác định nhóm biến kinh tế vĩ mô, biến tài chính vi mô của doanh nghiệp, chỉ số thị trường thế giới và các chỉ báo kỹ thuật dựa trên lý thuyết đầu tư tài chính.
Bước 2: Thu thập dữ liệu Thu thập chuỗi thời gian từ Tổng cục Thống kê, Ngân hàng Nhà nước Việt Nam (NHNN), Quỹ Tiền tệ Quốc tế (IMF), Bloomberg và HSX từ năm 2002 đến tháng 9/2010 (104 quan sát tháng), cùng dữ liệu ngày/tuần.
Bước 3: Tiền xử lý dữ liệu Chuẩn hóa dữ liệu thô: lấy sai phân bậc nhất $\Delta x_t = x_t - x_{t-1}$ để loại bỏ xu thế tuyến tính, lấy logarit tự nhiên $\ln(x)$, và tính toán các chỉ báo kỹ thuật trễ.
Bước 4: Phân chia tập dữ liệu Phân chia chuỗi thời gian thành ba tập hợp riêng biệt: Tập huấn luyện (Training set - chiếm tỷ trọng lớn nhất để mạng học mẫu hình), Tập kiểm tra xác nhận (Cross-validation/CV set - để kiểm soát hiện tượng khít quá mức), và Tập kiểm tra ngoài mẫu (Testing set - đánh giá năng lực dự báo).
Bước 5: Xây dựng cấu trúc ANN Thiết lập số lượng lớp ẩn, số lượng neuron trong lớp ẩn (PE), chọn hàm kích hoạt phi tuyến (logistics, logsigmoid) hoặc tuyến tính.
Bước 6: Tiêu chuẩn đánh giá Sử dụng các thước đo thống kê: Sai số bình phương trung bình ($MSE$), Hệ số tương quan ngoài mẫu ($R^2$), Sai số tuyệt đối trung bình ($MAE$), Sai số phần trăm tuyệt đối trung bình ($MAPE$), Sai số bình phương trung bình chuẩn hóa ($NMSE$), Căn bậc hai sai số bình phương trung bình ($RMSE$).
Bước 7: Huấn luyện hệ thống ANN Chạy lặp hàng trăm/hàng nghìn lần với các giá trị khởi tạo trọng số khác nhau, tinh chỉnh hệ số học (Learning rate) và hệ số quán tính (Momentum).
Bước 8: Ứng dụng thực tiễn Đánh giá khả năng dự báo ngoài mẫu và đưa ra các khuyến nghị chính sách kinh tế - tài chính.

Công cụ và nguồn dữ liệu

  • Công cụ phần mềm: Xử lý và huấn luyện mô hình mạng trên phần mềm chuyên dụng có bản quyền NeuralSolutions 5.0 (NeuralSolution 5).
  • Nguồn dữ liệu: Dữ liệu vĩ mô và chứng khoán Việt Nam từ Tổng cục Thống kê, NHNN, HSX, HNX, kết hợp nguồn dữ liệu quốc tế từ IMF và Bloomberg.

Nội dung chính theo từng chương

Chương 1: Quan điểm và bằng chứng thực nghiệm việc ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo

Chương 1 thiết lập nền tảng phương pháp luận và cơ sở lý thuyết cho toàn bộ luận án:

  • Phân tích sự đối lập giữa quan điểm triết học cổ điển của Aristotle (thế giới bất biến, các biến cố độc lập, tuyến tính) dẫn đến việc ứng dụng phân phối chuẩn Gauss trong học thuyết thị trường hiệu quả, và quan điểm của Heraclitus (thế giới luôn vận động, phụ thuộc lẫn nhau) làm nền tảng cho khoa học hỗn loạn và mô hình phi tuyến.
  • Chỉ ra các giới hạn của mô hình phân tích chuỗi thời gian tuyến tính truyền thống (Box - Jenkins, Kalman filter, Brown, hồi quy mẫu nhỏ) khi dự báo các biến số tài chính có độ biến động cao.
  • Trình bày chi tiết giải phẫu học của neuron nhân tạo, cơ chế truyền dẫn xung tín hiệu, hàm kích hoạt, và các thuật toán học (Quy tắc Hebb, thuật toán lan truyền ngược Backpropagation, phương pháp giảm độ dốc Gradient Descent).
  • Phân tích ưu và nhược điểm của các kiến trúc mạng cơ bản: Mạng truyền thẳng một lớp ẩn (MFF), Mạng truyền thẳng đa lớp (chứng minh định lý mạng 2 lớp ẩn có thể ước lượng mọi hàm phi tuyến theo Hornik et al., 1989), và Mạng lặp lại Elman (sử dụng neuron trễ để mô phỏng "trí nhớ" ngắn hạn của thị trường).
  • Tổng hợp các bằng chứng thực nghiệm trên thế giới về ứng dụng ANN trong dự báo thị trường chứng khoán, hàng hóa (dầu thô, vàng), tỷ giá hối đoái, lạm phát và tăng trưởng kinh tế.
  • Khái quát quy trình 8 bước thiết kế hệ thống mạng ANN phục vụ dự báo tài chính theo Deboeck et al. (Bảng 1.1).

Chương 2: Thiết kế và ứng dụng mạng thần kinh nhân tạo để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam

Chương 2 là phần thực nghiệm trọng tâm, thực hiện thiết kế, huấn luyện và kiểm định mô hình ANN để dự báo chỉ số VN-Index:

  • Lựa chọn và tiền xử lý dữ liệu vĩ mô (Bảng 2.1): Thu thập 8 chuỗi dữ liệu kinh tế vĩ mô và tài chính giai đoạn 2002 – 09/2010 (104 quan sát tháng): Lạm phát ($CPI$), Tỷ giá USD ($USD$), Lãi suất kỳ hạn 12 tháng ($LR$), Tăng trưởng sản lượng công nghiệp ($IP$), Cán cân thương mại ($TB$), Tốc độ tăng cung tiền M2 ($M2$), Tăng trưởng tín dụng ($CR$), và Chỉ số VN-Index ($VNI$).
  • Kết quả sàng lọc mô hình vĩ mô (Bảng 2.2): Qua quá trình tiền xử lý và loại trừ biến nhiễu, tác giả xác lập hai mô hình giải thích hiệu quả nhất:
    • Mô hình 1: Đầu vào gồm 4 biến ($CPI$, $IP$, $M2$, $CR$), loại bỏ ($USD$, $LR$, $TB$), với cấu trúc 3 neuron lớp ẩn (3 PE), đạt $MSE$ huấn luyện = 0,013783 và $MSE$ kiểm tra xác nhận (CV) = 0,131202.
    • Mô hình 2: Đầu vào gồm 4 biến ($LR$, $IP$, $TB$, $CR$), loại bỏ ($CPI$, $USD$, $M2$), với cấu trúc 3 PE, đạt $MSE$ huấn luyện = 0,019331 và $MSE$ CV = 0,073505.
                  KẾT QUẢ TIỀN XỬ LÝ VÀ CHỌN LỌC BIẾN VĨ MÔ (BẢNG 2.2)
  • Khảo sát thực nghiệm các cấu trúc mạng ANN:
    • Huấn luyện và kiểm định ngoài mẫu các mô hình mạng thần kinh khái quát hóa: GNN-14PE (Bảng 2.4, 2.5), GNN-4PE và GNN-5PE (Bảng 2.6).
    • Khảo sát mô hình mạng truyền thẳng: MFF-2PE, MFF-3PE, MFF-4PE, MFF-5PE (Bảng 2.7).
    • Khảo sát các mạng đa lớp: MLN 9-3-1, MLN 9-4-1, MLN 9-5-1, MLN 9-6-1 (Bảng 2.9); MLF 3-5-3-1, MLF 5-3-1, MLF 5-4-3-1, MLF 5-4-3-2-1 (Bảng 2.13, 2.14).
  • So sánh ANN với mô hình hồi quy tuyến tính cổ điển (OLS):
    • Kiểm định mô hình mạng ANN tuyến tính (Bảng 2.8, Bảng 2.11) và mô hình hồi quy tuyến tính truyền thống (Phụ lục 3).
    • Kết quả chứng minh mô hình hồi quy tuyến tính không giải thích được mối quan hệ giữa các biến giải thích và VN-Index do các giả định tuyến tính bị vi phạm. Ngược lại, cấu trúc mạng ANN phi tuyến (đặc biệt là mạng truyền thẳng MFF) cho kết quả dự báo ngoài mẫu vượt trội, sai số dự báo thấp và hệ số tương quan $R^2$ cao.
  • Mở rộng các nhóm biến giải thích khác:
    • Biến động thị trường chứng khoán thế giới: Khảo sát mối liên hệ và độ trễ tác động của các chỉ số quốc tế đến VN-Index.
    • Chuỗi tỷ suất sinh lợi quá khứ: Dự báo chuỗi tỷ suất sinh lợi theo tuần (01/2005 – 09/2010, Hình 2.14, 2.15) và theo ngày trong năm 2010 (Hình 2.16, 2.17, 2.18).
    • Chỉ báo kỹ thuật và tâm lý thị trường (Bảng 2.16): Đưa các chỉ báo trung bình di động, dao động (oscillators), đường phương hướng vào mô hình mạng một lớp ẩn với số neuron khác nhau (Bảng 2.17, 2.18, 2.19), kiểm tra độ sai lệch chuỗi $\ln(VNI)$ từ 02/01/2008 đến 22/09/2010 (Hình 2.19, 2.20, 2.21).

Chương 3: Một số đề xuất từ quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam

Chương 3 đúc kết các hàm ý thực tiễn từ kết quả dự báo mô hình ANN và đề xuất các giải pháp hoàn thiện thị trường:

  • Khẳng định hành vi tài chính và tâm lý bầy đàn của nhà đầu tư tạo nên các biến động phi tuyến mạnh mẽ trong mô hình ANN.
  • Các nhóm đề xuất, kiến nghị chính sách:
    1. Gia tăng điều kiện phát hành chứng khoán: Nhằm kiểm soát hoạt động huy động vốn ồ ạt của các doanh nghiệp niêm yết (phân tích số liệu huy động vốn qua các năm tại Bảng 3.1, Hình 3.1 và tỷ lệ huy động vốn năm 2010 tại Hình 3.2).
    2. Điều chỉnh quy định về tín dụng đầu tư chứng khoán của Ngân hàng Nhà nước: Kiểm soát chặt chẽ quy trình cấp tín dụng kinh doanh chứng khoán từ các ngân hàng thương mại để hạn chế đòn bẩy quá mức và hiện tượng đầu cơ (Hình 3.3).
    3. Nâng cao tiêu chuẩn niêm yết trên các sở giao dịch chứng khoán: Phân định rõ ràng điều kiện niêm yết giữa HSX và HNX dựa trên quy mô vốn và hiệu quả hoạt động nhằm tạo ra sự khác biệt thực chất giữa các sàn (dẫn chứng Bảng 3.2 và Bảng 3.3 về quy mô vốn doanh nghiệp cuối quý 3/2010).
    4. Tăng cường tính chủ động và độc lập cho Ủy ban Chứng khoán Nhà nước: Hướng tới sự độc lập trong hoạt động quản lý, giám sát thị trường trực thuộc Chính phủ.
  • Nêu rõ các hạn chế tự thân của mô hình ANN trong nghiên cứu và gợi ý các hướng ứng dụng mở rộng của mạng thần kinh nhân tạo trong các lĩnh vực kinh tế khác.

Kết quả và những đóng góp mới

Đóng góp mới về mặt lý luận và khoa học

  • Hệ thống hóa cơ sở lý luận về tính phi tuyến của thị trường tài chính dựa trên lý thuyết khoa học hỗn loạn và giả định "sự hợp lý có chừng mực" của nhà đầu tư, thay thế cho cách tiếp cận phân phối chuẩn truyền thống.
  • Xây dựng khung quy trình chuẩn gồm 8 bước từ lựa chọn biến, thu thập, tiền xử lý, phân chia dữ liệu, thiết kế cấu trúc, xác lập tiêu chuẩn đánh giá, huấn luyện đến ứng dụng thực tiễn cho bài toán dự báo chuỗi thời gian tài chính tại thị trường mới nổi.
  • Chứng minh về mặt thực nghiệm rằng cấu trúc mạng thần kinh truyền thẳng phi tuyến (Feedforward Neural Networks) mô phỏng chính xác mối quan hệ đa chiều, phức tạp giữa các biến giải thích và chỉ số chứng khoán.

Đóng góp mới về mặt thực tiễn

  • Khẳng định tính khả thi của việc ứng dụng mô hình mạng thần kinh nhân tạo (ANN) trong dự báo chỉ số giá chứng khoán VN-Index tại Việt Nam.
  • Chứng minh thực nghiệm rằng mô hình ANN cho kết quả dự báo ngoài mẫu vượt trội hơn rõ rệt so với mô hình hồi quy tuyến tính truyền thống (OLS) về cả độ lệch sai số ($MSE$, $RMSE$) và hệ số tương quan ($R^2$).
  • Xác định hai tập hợp biến kinh tế vĩ mô có tác động rõ rệt nhất đến VN-Index:
    • Tập 1: Lạm phát ($CPI$), Sản lượng công nghiệp ($IP$), Cung tiền M2 ($M2$), Tăng trưởng tín dụng ($CR$).
    • Tập 2: Lãi suất 12 tháng ($LR$), Sản lượng công nghiệp ($IP$), Cán cân thương mại ($TB$), Tăng trưởng tín dụng ($CR$).
    • Trong khi đó, mô hình hồi quy tuyến tính truyền thống hầu như không tìm thấy ý nghĩa thống kê của các mối liên hệ này.
  • Phát hiện nhóm biến phản ánh tình hình tài chính doanh nghiệp và các chỉ báo kỹ thuật có tác động định hướng mạnh đến tâm lý và hành vi ra quyết định của nhà đầu tư trên thị trường Việt Nam.

Kiến nghị và giải pháp đề xuất

  • Về quản lý thị trường vốn: Siết chặt điều kiện phát hành cổ phiếu tăng vốn; phân tầng tiêu chuẩn niêm yết giữa HSX và HNX để phản ánh đúng chất lượng doanh nghiệp.
  • Về chính sách tiền tệ và tín dụng: Ngân hàng Nhà nước cần giám sát dòng vốn tín dụng chảy vào thị trường chứng khoán để kiểm soát rủi ro hệ thống.
  • Về thể chế giám sát: Nâng cao quyền hạn và tính chủ động độc lập của Ủy ban Chứng khoán Nhà nước trong công tác thanh tra, giám sát giao dịch.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

Dựa trên nội dung tác giả đã trình bày tại chương 1 và chương 3, các hạn chế kỹ thuật của nghiên cứu gồm:

  • Bản chất "hộp đen" (Black Box): Mô hình ANN với hệ thống trọng số synapse phức tạp không cho phép giải thích cụ thể mức độ tác động biên hoặc phân tích độ nhạy (sensitivity analysis) của từng biến đầu vào như hệ số hồi quy trong kinh tế lượng cổ điển (Refenes, Zapranis & Francis, 1994).
  • Yêu cầu về cỡ mẫu: Mô hình ANN đòi hỏi kích cỡ mẫu quan sát lớn để ước lượng số lượng lớn các trọng số synapse. Khi số lượng quan sát hạn chế (104 quan sát tháng), việc chia nhỏ thành 3 tập dữ liệu có thể dẫn đến hiện tượng "khít quá mức" (overfitting).
  • Chi phí thời gian thiết kế và tối ưu hóa: Quá trình tìm kiếm cấu trúc mạng tối ưu mang tính thử và sai (trial-and-error), đòi hỏi phải lặp lại hàng trăm/hàng nghìn lần với các giá trị khởi tạo khác nhau để tránh rơi vào điểm cực tiểu cục bộ (local minimum).

Hướng nghiên cứu tiếp

  • Mở rộng ứng dụng mô hình ANN sang các chỉ tiêu kinh tế vĩ mô khác của Việt Nam như dự báo tỷ giá hối đoái, tốc độ tăng trưởng kinh tế (GDP), lạm phát (CPI) hoặc tiêu thụ năng lượng.
  • Kết hợp mô hình mạng thần kinh nhân tạo với các kỹ thuật trí tuệ nhân tạo khác như lý thuyết logic mờ (Fuzzy Logic) và thuật toán di truyền (Genetic Algorithm) nhằm nâng cao độ chính xác và khả năng thích nghi của mô hình dự báo tài chính.

Giá trị tham khảo

Đối tượng thụ hưởng

  • Nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Tài chính - Ngân hàng, Kinh tế học ứng dụng: Sử dụng làm tài liệu tham khảo chuyên sâu về phương pháp luận nghiên cứu phi tuyến, mô hình hóa dữ liệu tài chính tần số cao và ứng dụng trí tuệ nhân tạo trong kinh tế lượng.
  • Chuyên viên phân tích định lượng (Quantitative Analysts) tại các công ty chứng khoán, quỹ đầu tư, ngân hàng thương mại: Ứng dụng quy trình 8 bước và phần mềm NeuralSolutions để xây dựng các thuật toán dự báo giá tài sản và chiến lược giao dịch tự động.
  • Cơ quan quản lý nhà nước (Ủy ban Chứng khoán Nhà nước, Ngân hàng Nhà nước, Bộ Tài chính): Tham khảo cơ chế tác động phi tuyến của cung tiền, tín dụng và lãi suất lên thị trường chứng khoán để hoạch định chính sách điều hành vĩ mô.

Các phần đáng tham khảo trong luận án

  • Quy trình 8 bước thiết kế hệ thống ANN (Bảng 1.1): Hướng dẫn chuẩn hóa từ bước tiền xử lý số liệu đến huấn luyện mạng.
  • Phương pháp thực nghiệm so sánh tại Chương 2: Cách thức phân chia ba tập dữ liệu (Training, Cross-Validation, Testing) và đối chiếu kết quả dự báo ngoài mẫu giữa ANN và OLS.
  • Hệ thống phụ lục kỹ thuật: Phụ lục 1 (các dạng hàm kích hoạt), Phụ lục 2 (quy trình phân loại biến), Phụ lục 3 (chi tiết ước lượng mô hình hồi quy tuyến tính), và Phụ lục 4 (công thức tính các chỉ số phân tích kỹ thuật).

Câu hỏi thường gặp

1. Tại sao tác giả cho rằng mô hình hồi quy tuyến tính cổ điển không hiệu quả trong việc dự báo chỉ số VN-Index?

Mô hình hồi quy tuyến tính cổ điển dựa trên giả định phân phối chuẩn của Gauss và giả định các biến cố là độc lập ngẫu nhiên với nhau. Trên thị trường tài chính, các biến số vĩ mô và giá chứng khoán có mối quan hệ tương tác đa chiều, phi tuyến tính và vận động theo các cấu trúc hỗn loạn. Ngoài ra, nhà đầu tư không hoàn toàn duy lý mà bị chi phối bởi tâm lý bầy đàn (tham lam, sợ hãi) và đưa ra quyết định dựa trên "sự hợp lý có chừng mực". Do đó, mô hình tuyến tính vi phạm các giả định cơ bản và không phản ánh được cấu trúc biến động thực tế của thị trường.

2. Quy trình 8 bước thiết kế hệ thống mạng ANN trong luận án gồm những bước nào?

Theo tổng hợp từ Deboeck, Masters, Blum, Nelson và Illingworth, quy trình 8 bước bao gồm:

  1. Lựa chọn biến số
  2. Thu thập dữ liệu
  3. Xử lý dữ liệu (chuẩn hóa sai phân, logarit)
  4. Thiết lập 3 tập dữ liệu: Huấn luyện (Training), Thử nghiệm xác nhận (Cross-Validation) và Kiểm tra ngoài mẫu (Testing)
  5. Xây dựng cấu trúc ANN (số lớp ẩn, số neuron PE, hàm truyền)
  6. Xác định các tiêu chuẩn đánh giá sai số ($MSE$, $MAE$, $MAPE$, $R^2$)
  7. Huấn luyện ANN (số vòng lặp, hệ số Learning rate, Momentum)
  8. Ứng dụng ANN vào thực tiễn dự báo.

3. Những biến số kinh tế vĩ mô nào được tác giả lựa chọn để đưa vào mô hình ANN dự báo VN-Index?

Tác giả thu thập 7 biến kinh tế vĩ mô đầu vào theo tháng từ năm 2002 đến tháng 9/2010 (Bảng 2.1):

  • Lạm phát ($CPI$)
  • Tỷ giá USD thị trường tự do ($USD$)
  • Lãi suất kỳ hạn 12 tháng ($LR$)
  • Tăng trưởng sản lượng công nghiệp ($IP$)
  • Cán cân thương mại ($TB$)
  • Tốc độ thay đổi cung tiền M2 ($M2$)
  • Tăng trưởng tín dụng ($CR$). Sau quá trình tiền xử lý, tác giả lọc ra 2 mô hình tối ưu với 4 biến đầu vào (Mô hình 1: $CPI, IP, M2, CR$; Mô hình 2: $LR, IP, TB, CR$) kết hợp 3 neuron lớp ẩn (3 PE).

4. Cấu trúc mạng ANN nào cho kết quả dự báo tốt nhất trên thị trường chứng khoán Việt Nam?

Kết quả kiểm định thực nghiệm tại Chương 2 cho thấy cấu trúc mạng truyền thẳng (Feedforward Neural Networks - MFF) kết hợp với các hàm truyền phi tuyến cho kết quả dự báo ngoài mẫu tối ưu nhất, vượt trội hơn so với mạng ANN tuyến tính, mô hình hồi quy tuyến tính OLS và một số cấu trúc mạng lặp.

5. Tác giả đề xuất những nhóm giải pháp chính sách trọng tâm nào trong Chương 3?

Tác giả đề xuất 4 nhóm giải pháp:

  • Siết chặt và gia tăng điều kiện phát hành chứng khoán để kiểm soát hoạt động huy động vốn của các doanh nghiệp niêm yết.
  • Sửa đổi các quy định về cấp tín dụng đầu tư kinh doanh chứng khoán của Ngân hàng Nhà nước nhằm kiểm soát dòng vốn đầu cơ.
  • Gia tăng tiêu chuẩn niêm yết trên HSX và HNX để tạo sự phân hóa chất lượng thực chất giữa các sở giao dịch.
  • Tăng tính chủ động và độc lập cho Ủy ban Chứng khoán Nhà nước trong công tác quản trị và giám sát thị trường.

Kết luận

Luận án tiến sĩ của tác giả Lê Đạt Chí đã hệ thống hóa cơ sở lý thuyết về tính chất phi tuyến của thị trường tài chính và ứng dụng thực nghiệm mô hình mạng thần kinh nhân tạo (ANN) trong dự báo chỉ số VN-Index tại Việt Nam. Thông qua quy trình thiết kế 8 bước và phần mềm NeuralSolutions 5.0, công trình chứng minh cấu trúc mạng truyền thẳng phi tuyến có khả năng dự báo ngoài mẫu vượt trội so với mô hình hồi quy tuyến tính truyền thống. Nghiên cứu xác định rõ tác động của các nhóm biến kinh tế vĩ mô (lạm phát, cung tiền, tín dụng, sản lượng công nghiệp, lãi suất) và các chỉ báo kỹ thuật lên biến động giá chứng khoán. Các kết quả thực nghiệm là căn cứ khoa học để tác giả đề xuất các nhóm giải pháp chính sách nhằm kiểm soát hoạt động phát hành vốn, quản lý tín dụng đầu tư chứng khoán và nâng cao tính minh bạch, ổn định cho thị trường tài chính Việt Nam.