Tổng quan về luận án

Nghiên cứu của NCS. Lê Đạt Chí dưới sự hướng dẫn khoa học của GS. Trần Ngọc Thơ tại Trường Đại học Kinh tế TP. Hồ Chí Minh (2011) 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" (Chuyên ngành: Kinh tế Tài chính – Ngân hàng, Mã số: 62.01) đại diện cho một công trình tiên phong trong việc chuyển dịch mô thức phân tích định lượng kinh tế lượng tại Việt Nam. Bối cảnh khoa học của luận án xuất phát từ sự bùng nổ của thị trường chứng khoán Việt Nam (TTCK VN) từ năm 2000 đến 2010 – một giai đoạn được định hình bởi tính biến động cực đoan, các chu kỳ "bùng nổ – đổ vỡ" và mức độ bất cân xứng thông tin cao, nơi mà các mô hình kinh tế lượng tuyến tính truyền thống bộc lộ những giới hạn căn bản.

Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án xác định là sự thất bại của các công cụ phân tích cổ điển dựa trên phân phối chuẩn (Gaussian distribution) và Giả thuyết Thị trường Hiệu quả (Fama, 1970) khi đối mặt với dữ liệu chuỗi thời gian tài chính phi tuyến, biến động phức tạp và chịu sự chi phối của tâm lý bầy đàn. Mặc dù các kỹ thuật như Box-Jenkins (ARIMA), Bộ lọc Kalman, phương pháp san bằng hàm mũ Brown hay mô hình ARCH/GARCH (Bollerslev, 1986) đã cố gắng nắm bắt sự biến động, chúng vẫn dựa trên cấu trúc tham số định trước và gặp khó khăn trong việc giả lập các mối quan hệ đa chiều, không tuyến tính giữa các biến số vĩ mô, biến số tài chính vi mô và giá chứng khoán tại một thị trường cận biên mới nổi.

Luận án thiết lập và giải quyết 6 câu hỏi nghiên cứu cốt lõi:

  1. Bản chất mô hình mạng thần kinh nhân tạo (Artificial Neural Network - ANN) và cơ chế vận hành của nó trong thị trường tài chính là gì?
  2. Bằng chứng thực nghiệm quốc tế về việc ứng dụng ANN trong dự báo chuỗi thời gian tài chính ra sao?
  3. Khả năng ứng dụng ANN để dự báo chỉ số VN-Index trên TTCK VN có tính khả thi không?
  4. Cấu trúc mạng ANN nào (truyền thẳng đa lớp, mạng hồi quy lặp lại hay mạng khái quát hóa) mang lại độ chính xác dự báo tối ưu?
  5. Hiệu quả dự báo ngoài mẫu (out-of-sample) của ANN có thực sự vượt trội hơn mô hình hồi quy tuyến tính cổ điển (OLS)?
  6. Nhóm biến giải thích nào (kinh tế vĩ mô, tài chính doanh nghiệp hay chỉ báo kỹ thuật) giữ vai trò chi phối sự biến động của giá chứng khoán Việt Nam?

Các giả thuyết nghiên cứu tương ứng bao gồm:

  • Giả thuyết H1: Mối quan hệ giữa các biến chỉ báo kinh tế/tài chính và chỉ số giá chứng khoán tại Việt Nam mang bản chất phi tuyến tính phân tán.
  • Giả thuyết H2: Mô hình mạng thần kinh nhân tạo (ANN) cho kết quả dự báo ngoài mẫu vượt trội so với mô hình hồi quy tuyến tính đa biến truyền thống trên cùng một tập dữ liệu.
  • Giả thuyết H3: Cấu trúc mạng truyền thẳng đa lớp (Multilayer Feedforward - MFF) huấn luyện bằng thuật toán lan truyền ngược (Backpropagation - BP) tối ưu hóa khả năng nhận dạng mẫu hình chuỗi thời gian hơn các cấu trúc tuyến tính.
  • Giả thuyết H4: Nhóm biến kinh tế vĩ mô có độ trễ và nhóm chỉ báo tài chính phản ánh hành vi tâm lý nhà đầu tư có năng lực giải thích mạnh mẽ đối với sự dịch chuyển của VN-Index khi được mô hình hóa qua mạng nơ-ron phi tuyến.

Khung lý thuyết của luận án được xây dựng trên sự giao thoa giữa Thuyết Tính hợp lý có chừng mực (Bounded Rationality của Herbert Simon; Sargent, 1997, 1999), Lý thuyết Hỗn loạn (Chaos Theory của Benoit Mandelbrot; Prigogine & Stengers, 1984) và Định lý Xấp xỉ Phổ quát (Universal Approximation Theorem của Hornik, Stinchcombe & White, 1989). Về phạm vi nghiên cứu, luận án thu thập và chuẩn hóa dữ liệu vĩ mô hàng tháng gồm 104 quan sát giai đoạn 2002 – 09/2010, dữ liệu chuỗi lợi suất tuần (2005 – 2010) và chuỗi dữ liệu giá giao dịch theo ngày (02/01/2008 – 22/09/2010) của chỉ số VN-Index, thực hiện kiểm định ngoài mẫu chuyên biệt cho năm 2010. Ý nghĩa đột phá của công trình thể hiện ở việc lượng hóa thành công sai số dự báo (Mean Squared Error - MSE) ở mức thấp đột biến so với hồi quy cổ điển, mở đường cho việc ứng dụng trí tuệ nhân tạo vào dự báo kinh tế lượng tại Việt Nam.

Literature Review và Positioning

Luận án tiến hành tổng hợp có hệ thống hai dòng tư duy học thuật đối lập trong lịch sử kinh tế tài chính:

Dòng tư duy cổ điển và tân cổ điển: Bắt nguồn từ thế giới quan cơ học tĩnh của Aristotle và hình học Euclid, thống trị bởi Giả thuyết Thị trường Hiệu quả (Efficient Market Hypothesis - EMH) của Eugene Fama (1970) và lý thuyết phân phối chuẩn Gauss (Gaussian Bell Curve). Trường phái này giả định nhà đầu tư là những cá thể duy lý hoàn hảo (homo economicus), mọi thông tin được phản ánh tức thì và biến động giá là một bước đi ngẫu nhiên (Random Walk) độc lập, không có trí nhớ. Nền tảng này tạo ra các mô hình định giá kinh điển như CAPM (Sharpe, 1964; Lintner, 1965), mô hình Black-Scholes (1973) hay mô hình đa nhân tố Fama-French (1993).

Dòng tư duy phi tuyến, tài chính hành vi và khoa học hỗn loạn: Khởi xướng từ triết lý vận động không ngừng của Heraclitus và được hiện đại hóa qua các công trình của Benoit Mandelbrot (1963, 1987) về hình học Fractal và hiệu ứng lưu giữ trí nhớ dài hạn (long memory effect) của chuỗi giá tài chính. Nassim Nicholas Taleb (2007) phê phán gay gắt việc ứng dụng đường cong Gauss trong tài chính khi chứng minh: "Nếu thế giới tài chính tuân theo đường cong Gauss, thì phải mất vài tỷ thời gian sống của đời người để một biến cố kiểu như sự sụp đổ TTCK năm 1987 mới xảy ra". Sự sụp đổ của quỹ Long-Term Capital Management (LTCM) năm 1998 là minh chứng rõ ràng cho sự thất bại của các giả định tuyến tính. Ilya Prigogine (đoạt giải Nobel Hóa học 1977) nhấn mạnh: "bộ não là một phát minh của tính hỗn loạn" (Prigogine & Stengers, 1984, tr. 48). Bill Williams (1995) trong lý thuyết giao dịch hỗn loạn cũng khẳng định cảm xúc con người như tham lam và sợ hãi tạo ra hành vi phi tuyến bầy đàn, hình thành các cấu trúc trật tự ẩn giấu trong chuỗi giá.

Định vị nghiên cứu của luận án được xác lập thông qua việc so sánh đối chuẩn với các công trình thực nghiệm quốc tế tiêu biểu:

  • Heping Pan, Chandima & John (2005): Nghiên cứu chỉ số S&P/ASX All Ordinaries (Úc) kết hợp chỉ số S&P 500 (Mỹ) bằng mạng MFF đa lớp, chứng minh mạng nơ-ron truyền thẳng 1 lớp ẩn với 2 neuron đạt độ chính xác dự báo hướng đi lên tới 80%. Luận án của NCS. Lê Đạt Chí kế thừa hướng tiếp cận này nhưng mở rộng số lớp ẩn và số phần tử xử lý (PE) để thích ứng với biên độ dao động mạnh hơn của TTCK VN.
  • Jozef Barunik (2007): Ứng dụng ANN phi tuyến dự báo tỷ suất sinh lợi trên các thị trường chứng khoán Trung và Đông Âu (Phần Lan, Hungary, Séc, Đức giai đoạn 2000–2006), đạt độ chính xác 60% trên các chỉ số PX-50, BUX và DAX, khẳng định sự vượt trội của mô hình phi tuyến so với ARIMA.
  • Reza G. Ahagar & Mahmood Yahyazadehfar (2010): Ứng dụng mạng thần kinh khái quát hóa (GRNN) trên thị trường Tehran (Iran) và chỉ ra GRNN có ưu thế vượt trội so với hồi quy tuyến tính trong điều kiện cỡ mẫu nhỏ.
  • Qing Cao, Mark & Karyl (2009); Renu & Abhijeet (2010): Khẳng định tính ưu việt của ANN truyền thẳng đa lớp tại các thị trường mới nổi như Thượng Hải (Trung Quốc) và Nifty (Ấn Độ).

Luận án đã lấp đầy khoảng trống học thuật tại Việt Nam khi lần đầu tiên xây dựng một khung đối chuẩn thực nghiệm đa tầng giữa MFF, GRNN, Mạng nơ-ron tuyến tính và Hồi quy OLS cổ điển, sử dụng đồng thời dữ liệu vĩ mô, vi mô và phân tích kỹ thuật.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp vào việc mở rộng và tái định hình các lý thuyết tài chính nền tảng:

Thách thức Giả thuyết Thị trường Hiệu quả (Fama, 1970): Bằng việc chứng minh VN-Index có thể dự báo được với độ chính xác cao thông qua việc khai thác cấu trúc trễ phi tuyến, luận án bác bỏ giả định dạng yếu (weak-form efficiency) của EMH trên TTCK VN giai đoạn 2002–2010. Thị trường có "trí nhớ" và biến động giá tuân theo các hình mẫu phi tuyến phức tạp thay vì bước đi ngẫu nhiên.

Phát triển Thuyết Tính hợp lý có chừng mực (Sargent, 1997, 1999; Simon, 1957): Nghiên cứu củng cố luận điểm rằng nhà đầu tư không sở hữu năng lực xử lý thông tin vô hạn. Các quyết định giao dịch dựa trên quy tắc ngón tay cái (heuristics), cảm xúc tham lam và sợ hãi, tạo nên các phản ứng thái quá (overreaction) hoặc phản ứng chậm (underreaction). Cấu trúc lớp ẩn của ANN mô phỏng trực tiếp cơ chế sàng lọc thông tin và xử lý nhận thức phi tuyến tính này.

Minh chứng thực nghiệm cho Định lý Xấp xỉ Phổ quát (Universal Approximation Theorem): Kế thừa phát hiện của Hornik, Stinchcombe & White (1989) và Dayhoff & Deleo (2001), luận án xác nhận rằng mạng ANN truyền thẳng với các hàm kích hoạt phi tuyến có khả năng xấp xỉ liên tục bất kỳ hàm số phi tuyến đa biến phức tạp nào trong kinh tế tài chính mà không cần áp đặt các giả định tiên nghiệm ngặt nghèo về dạng hàm như kinh tế lượng truyền thống.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành giữa 3 trụ cột lý thuyết:

  1. Lý thuyết Kinh tế Tài chính vĩ mô: Dựa trên khung phân tích của Frank K. Reilly & Keith C. Brown (2002, Investment Analysis and Portfolio Management), xác lập mối liên kết giữa biến động thị trường chứng khoán với 7 biến số vĩ mô nền tảng: Lạm phát (CPI), Tỷ giá USD tự do (USD), Lãi suất cho vay 12 tháng (LR), Tăng trưởng sản xuất công nghiệp (IP), Cán cân thương mại (TB), Cung tiền M2 (M2) và Tăng trưởng tín dụng (CR).
  2. Khoa học Nhận thức và Thần kinh học: Ứng dụng "nguyên lý về sự tách biệt các chức năng" và "nguyên lý về sự hợp tác các chức năng" (Rustichini, Dickhaut, Ghirardato, Smith & Pardo, 2002) nhằm mô tả cách bộ não con người và các neuron thần kinh lớp ẩn phối hợp xử lý các luồng dữ liệu kích thích đầu vào để đưa ra hành vi giao dịch.
  3. Lý thuyết Khoa học Máy tính & Tối ưu hóa: Mô hình hóa toán học các khớp nối synapse thông qua trọng số $w_{k,i}$ và độ lệch ngưỡng $b_k$.

Mô hình toán học của mạng truyền thẳng đa lớp 2 lớp ẩn được cụ thể hóa:

$$n_{k,t} = \omega_{k,0} + \sum_{i=1}^{i^*} \omega_{k,i} x_{i,t}$$

$$N_{k,t} = \frac{1}{1 + e^{-n_{k,t}}}$$

$$p_{l,t} = p_{l,0} + \sum_{k=1}^{k^*} p_{l,k} N_{k,t}$$

$$P_{l,t} = \frac{1}{1 + e^{-p_{l,t}}}$$

$$y_t = \gamma_0 + \sum_{l=1}^{l^*} \gamma_l P_{l,t}$$

Trong đó, $x_{i,t}$ là tín hiệu đầu vào thứ $i$ tại thời điểm $t$; $N_{k,t}$ và $P_{l,t}$ lần lượt là đầu ra của neuron thứ $k$ ở lớp ẩn 1 và neuron thứ $l$ ở lớp ẩn 2 qua hàm kích hoạt Sigmoid; $y_t$ là giá trị dự báo đầu ra (VN-Index hoặc tỷ suất sinh lợi).

Điều kiện biên (Boundary Conditions) của khung phân tích được xác định rõ: Khung mô hình vận hành tối ưu trong điều kiện thị trường có sự liên tục của các luồng dữ liệu công bố định kỳ; hiệu lực dự báo có thể bị suy giảm trong các pha chuyển giao cấu trúc chính sách đột ngột hoặc khủng hoảng thanh khoản hệ thống khi các mối quan hệ lịch sử bị bẻ gãy hoàn toàn.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ lập trường nhận thức luận thực chứng hiện đại (Positivism) kết hợp với chủ nghĩa duy thực phản biện (Critical Realism). Nghiên cứu thừa nhận sự tồn tại khách quan của các quy luật thị trường nhưng khẳng định các quy luật tài chính không vận hành tuyến tính đơn giản mà tồn tại dưới dạng cấu trúc trật tự ẩn sâu trong tính hỗn loạn.

Thiết kế nghiên cứu định lượng đa tầng, phối hợp giữa phân tích chuỗi thời gian kinh tế lượng cổ điển (mô hình OLS, kiểm định đa cộng tuyến, tự tương quan) với mô hình hóa trí tuệ nhân tạo phi tuyến tính. Nghiên cứu thực hiện phân tầng dữ liệu theo 3 cấp độ tần suất: tháng (đối với biến vĩ mô), tuần (đối với xu hướng trung hạn) và ngày (đối với kiểm định phân tích kỹ thuật và vi mô).

Quy trình nghiên cứu rigorous

Luận án chuẩn hóa quy trình 8 bước thiết kế và tối ưu hóa hệ thống ANN dựa trên tổng hợp phương pháp luận của năm nhà nghiên cứu Deboeck, Masters, Blum, Nelson và Illingworth:

  • Bước 1: Lựa chọn biến số: Chọn lọc các biến đầu vào dựa trên lý thuyết tài chính đầu tư.
  • Bước 2: Thu thập dữ liệu: Thu thập dữ liệu đồng bộ từ Tổng cục Thống kê, Ngân hàng Nhà nước (NHNN), IMF, Bloomberg và Sở Giao dịch Chứng khoán TP.HCM (HSX).
  • Bước 3: Tiền xử lý dữ liệu: Chuẩn hóa biến số bằng phép biến đổi sai phân bậc nhất $\Delta X_t = X_t - X_{t-1}$ để loại bỏ xu hướng tuyến tính (dừng chuỗi), kết hợp phép logarit tự nhiên $\ln(X_t)$ để nén các phân phối lệch phải.
  • Bước 4: Phân vùng dữ liệu (Data Partitioning): Bộ dữ liệu được phân chia nghiêm ngặt thành 3 tập độc lập: Tập huấn luyện (Training set) chiếm 60–70% nhằm học trọng số; Tập kiểm tra chéo/xác nhận (Cross-Validation set) chiếm 15–20% để kiểm soát overfitting và xác định điểm dừng tối ưu; Tập kiểm tra ngoài mẫu (Out-of-sample Testing set) chiếm 15–20% hoàn toàn không tham gia vào quá trình huấn luyện nhằm đánh giá năng lực tổng quát hóa.
  • Bước 5: Xây dựng kiến trúc mạng: Thử nghiệm có hệ thống số lượng lớp ẩn (1 đến 3 lớp), số lượng phần tử xử lý (Processing Elements - PE: từ 2 đến 14 neuron), lựa chọn hàm kích hoạt Logistic Sigmoid, Log-Sigmoid hoặc Tangent Hyperbolic.
  • Bước 6: Xác lập tiêu chuẩn đánh giá: Sử dụng hàm tổn thất sai số bình phương trung bình (MSE), sai số tuyệt đối trung bình (MAE), sai số phần trăm tuyệt đối trung bình (MAPE) và hệ số tương quan tuyến tính giữa giá trị dự báo và thực tế ($R^2$):

$$MSE = \frac{1}{N} \sum_{t=1}^N (T_t - Y_t)^2$$

$$MAPE = \frac{1}{N} \sum_{t=1}^N \left| \frac{T_t - Y_t}{T_t} \right| \times 100%$$

  • Bước 7: Huấn luyện mạng (Training): Sử dụng thuật toán lan truyền ngược (Backpropagation) dựa trên nguyên tắc giảm độ dốc Gradient (Gradient Descent) với các tham số tỷ lệ học (Learning Rate) và quán tính (Momentum) được tinh chỉnh để tránh rơi vào điểm cực tiểu cục bộ (local minima).
  • Bước 8: Ứng dụng và kiểm định thực tế: Triển khai mô hình dự báo ngoài mẫu và kiểm định đối chuẩn.

Data và phân tích

Quá trình phân tích thực nghiệm được thực hiện trên phần mềm trí tuệ nhân tạo chuyên dụng có bản quyền NeuralSolution phiên bản 5.0.

Đặc tả mẫu dữ liệu vĩ mô: 104 quan sát tháng (từ tháng 01/2002 đến tháng 09/2010). Qua quy trình tiền xử lý và sàng lọc kết hợp mạng nơ-ron, luận án cô đọng 2 mô hình đầu vào tối ưu:

  • Mô hình 1: Tập hợp 4 biến vĩ mô [CPI, IP, M2, CR] (loại bỏ USD, LR, TB) với cấu trúc 3 PE đạt $MSE_{Training} = 0,013783$ và $MSE_{CV} = 0,131202$.
  • Mô hình 2: Tập hợp 4 biến vĩ mô [LR, IP, TB, CR] (loại bỏ CPI, USD, M2) với cấu trúc 3 PE đạt $MSE_{Training} = 0,019331$ và $MSE_{CV} = 0,073505$.

Đặc tả các kiến trúc mạng kiểm định ngoài mẫu:

  • Cấu trúc mạng thần kinh khái quát hóa (GRNN): Kiểm định các mô hình GNN-14PE, GNN-4PE, GNN-5PE, GNN 9-5-1, GNN 9-6-1, GNN 3-5-3-1, GNN 5-4-3-1.
  • Cấu trúc mạng truyền thẳng đa lớp (MFF/MLF): Thử nghiệm MFF-2PE đến MFF-5PE, MLN 9-3-1, MLN 9-4-1, MLN 9-5-1, MLN 9-6-1, MLF 3-5-3-1, MLF 4-4-1, MLF 4-3-2-1, MLF 5-3-1, MLF 5-4-3-1, MLF 5-4-3-2-1.
  • Kiểm định tập dữ liệu kiểm tra lại đối với chuỗi giá trị $\ln(VNI)$ gồm các quan sát giao dịch hàng ngày từ 02/01/2008 đến 22/09/2010 và bộ dữ liệu ngoài mẫu chuyên biệt năm 2010.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Sự vượt trội tuyệt đối của ANN so với Hồi quy Tuyến tính Cổ điển: Kiểm định thực nghiệm cho thấy mô hình hồi quy tuyến tính đa biến (OLS) bộc lộ sai số ngoài mẫu rất lớn, các hệ số ước lượng thường rơi vào tình trạng mất ý nghĩa thống kê hoặc vi phạm giả định phương sai thay đổi và tự tương quan. Ngược lại, cấu trúc mạng ANN truyền thẳng phi tuyến (MFF) và mạng GRNN giảm thiểu triệt để sai số bình phương trung bình (MSE), tái hiện chuẩn xác xu hướng đảo chiều và bước nhảy của chỉ số VN-Index.
  2. Cấu trúc mạng tối ưu mang tính thực nghiệm cao: Đối với chuỗi dữ liệu vĩ mô, cấu trúc mạng truyền thẳng một lớp ẩn với số neuron nhỏ (3 đến 5 PE) như MFF-3PE, GNN-4PE và GNN-5PE cho năng lực khái quát hóa tốt nhất, tránh được bẫy học vẹt (overfitting). Đối với chuỗi dữ liệu ngày và tuần biến động mạnh, các cấu trúc đa lớp sâu hơn như MLF 5-3-1, MLF 3-5-3-1 và GNN 9-5-1 thể hiện khả năng dự báo bám sát chuỗi thực tế vượt bậc.
  3. Giải mã cơ chế tác động phi tuyến của nhóm biến kinh tế vĩ mô: Trong khi mô hình hồi quy tuyến tính gần như bất lực trong việc tìm kiếm mối liên hệ giữa các biến số vĩ mô và VN-Index, mô hình ANN chỉ ra rõ nét rằng Lạm phát (CPI), Tăng trưởng sản xuất công nghiệp (IP), Cung tiền M2, Tăng trưởng tín dụng (CR) và Lãi suất (LR) có tác động phi tuyến sâu sắc đến thị trường chứng khoán với độ trễ từ 1 đến 2 tháng.
  4. Ảnh hưởng chi phối của nhóm chỉ báo tài chính doanh nghiệp và tâm lý bầy đàn: Khảo sát cho thấy cấu trúc dòng tiền huy động vốn qua phát hành cổ phiếu, tỷ lệ nợ và các chỉ báo kỹ thuật phản ánh trạng thái tâm lý hưng phấn/hoảng loạn của nhà đầu tư cá nhân tác động cực mạnh đến xung lực dịch chuyển của VN-Index.
Mô hình kiểm định Cấu trúc / Thuật toán MSE (Huấn luyện) MSE (Kiểm tra chéo / Ngoài mẫu) Đánh giá năng lực dự báo
Mô hình Vĩ mô 1 MFF (CPI, IP, M2, CR) - 3 PE 0,013783 0,131202 Nắm bắt xuất sắc chu kỳ vĩ mô
Mô hình Vĩ mô 2 MFF (LR, IP, TB, CR) - 3 PE 0,019331 0,073505 Khả năng tổng quát hóa tối ưu
Mô hình GRNN GNN-4PE & GNN-5PE Thấp Ổn định cao Không bị mắc kẹt tại cực tiểu địa phương
Mô hình Đa lớp sâu MLF 5-3-1 (Dữ liệu ngày 2010) Tối ưu hóa Gradient Khớp sát bước nhảy giá Dự báo chính xác chiều hướng biến động
Hồi quy Tuyến tính OLS truyền thống Rải rác Rất cao, sai lệch lớn Thất bại trong dự báo bước nhảy phi tuyến

Implications đa chiều

Về mặt học thuật và phương pháp luận: Luận án cung cấp một bộ cẩm nang phương pháp luận 8 bước có thể tái lập (replicable), mở ra hướng tiếp cận định lượng hiện đại cho giới nghiên cứu kinh tế tại các thị trường mới nổi, chứng minh tính khả thi của việc thay thế hoặc bổ trợ các mô hình kinh tế lượng tham số truyền thống bằng thuật toán học máy.

Về mặt thực tiễn cho thị trường tài chính: Kết quả nghiên cứu là cơ sở khoa học để các công ty quản lý quỹ, ngân hàng đầu tư và công ty chứng khoán tại Việt Nam phát triển các hệ thống giao dịch tự động hóa (algorithmic trading systems), tối ưu hóa danh mục đầu tư và xếp hạng tín dụng doanh nghiệp dựa trên nơ-ron phi tuyến.

Về mặt chính sách quản lý kinh tế: Dựa trên các phát hiện thực nghiệm, luận án đề xuất 4 nhóm hàm ý chính sách vĩ mô trọng yếu:

  1. Kiểm soát chặt chẽ điều kiện phát hành chứng khoán huy động vốn: Nâng cao chuẩn mực phát hành cổ phiếu tăng vốn của các doanh nghiệp niêm yết nhằm hạn chế tình trạng pha loãng dòng tiền và sử dụng vốn sai mục đích.
  2. Cải cách quy định tín dụng đầu tư chứng khoán của Ngân hàng Nhà nước: Xây dựng cơ chế kiểm soát dòng vốn tín dụng ngân hàng chảy vào hoạt động đầu cơ chứng khoán, hạn chế các đòn bẩy quá mức gây bất ổn định hệ thống tài chính.
  3. Phân hóa rõ rệt điều kiện niêm yết giữa các Sở giao dịch (HSX và HNX): Thiết lập các tiêu chuẩn định lượng và định tính khắt khe hơn tại HSX so với HNX về quy mô vốn, tỷ suất sinh lời trên vốn cổ phần (ROE) và tính minh bạch thông tin nhằm tạo lập sự phân khúc thị trường thực chất.
  4. Tăng cường tính độc lập và chủ động cho Ủy ban Chứng khoán Nhà nước (UBCKNN): Nâng cao thẩm quyền và tính độc lập của UBCKNN trực thuộc Chính phủ trong việc giám sát giao dịch, phát hiện thao túng giá và thực thi chế tài bảo vệ nhà đầu tư.

Limitations và Future Research

Luận án thừa nhận một cách khách quan các hạn chế nội tại:

  • Hạn chế về dung lượng chuỗi dữ liệu lịch sử: Do TTCK VN là thị trường non trẻ (thành lập năm 2000), chuỗi số liệu tháng đến tháng 09/2010 mới đạt 104 quan sát. Cỡ mẫu này tuy đủ để huấn luyện mạng cơ bản nhưng làm gia tăng nguy cơ "khít quá mức" (overfitting) khi mở rộng số lớp ẩn quá nhiều.
  • Bản chất "hộp đen" (Black-box Nature) của mạng ANN: Khác với mô hình hồi quy tuyến tính có thể kiểm định ý nghĩa thống kê của từng biến qua p-value và t-statistic, các trọng số synapse trong ANN không trực tiếp giải thích được độ nhạy kinh tế lượng biên tế (marginal sensitivity analysis) của từng biến đầu vào riêng lẻ.
  • Rủi ro tối ưu hóa cục bộ (Local Minima) và chi phí tính toán: Quá trình tìm kiếm cấu trúc mạng tối ưu hoàn toàn dựa trên phương pháp "thử và sai" (trial-and-error), đòi hỏi hàng nghìn lần lặp khởi tạo trọng số ngẫu nhiên, tiềm ẩn nguy cơ thuật toán dừng lại ở các cực tiểu địa phương thay vì cực tiểu toàn cục (global minimum).

Chương trình nghiên cứu tương lai (Future Research Agenda):

  1. Tích hợp các thuật toán tối ưu hóa thông minh: Ứng dụng Thuật toán Di truyền (Genetic Algorithm - GA) hoặc Tối ưu hóa bầy đàn (Particle Swarm Optimization - PSO) để tự động hóa việc tìm kiếm bộ trọng số và cấu trúc siêu tham số tối ưu cho ANN thay vì phương pháp thử sai thủ công.
  2. Phát triển hệ thống lai Trí tuệ nhân tạo (Neuro-Fuzzy Systems): Kết hợp Mạng thần kinh nhân tạo với Lý thuyết Logic mờ (Fuzzy Logic) và Hệ chuyên gia để lượng hóa các biến định tính (tin tức vĩ mô, bất ổn chính trị, thông tin truyền thông xã hội).
  3. Mở rộng phạm vi đối tượng dự báo: Ứng dụng ANN vào dự báo tỷ giá hối đoái tự do, xếp hạng xác suất vỡ nợ của trái phiếu doanh nghiệp, dự báo sản lượng điện và tăng trưởng GDP theo quý.
  4. Ứng dụng cấu trúc mạng hồi quy sâu (Deep Recurrent Architectures): Khảo sát mạng hồi quy Elman mở rộng và các kiến trúc bộ nhớ dài hạn nhằm khai thác tối đa hiệu ứng lưu giữ trí nhớ trong chuỗi thời gian tài chính.

Tác động và ảnh hưởng

Luận án của NCS. Lê Đạt Chí tạo ra những dấu ấn ảnh hưởng học thuật và thực tiễn sâu rộng:

  • Tác động học thuật: Là một trong những công trình tiến sĩ đầu tiên tại Việt Nam đặt nền móng cho việc ứng dụng Trí tuệ nhân tạo (AI/Machine Learning) vào kinh tế tài chính định lượng. Luận án trở thành tài liệu tham khảo nền tảng cho hàng loạt công trình nghiên cứu sau đại học, tạo tiền đề cho các bài báo khoa học xuất bản trên các tạp chí kinh tế uy tín.
  • Chuyển đổi ngành công nghiệp tài chính: Khởi xướng làn sóng ứng dụng công nghệ định lượng (Quant Finance) tại các công ty chứng khoán, quỹ đầu tư (Dragon Capital, VinaCapital, SSI, HSC) trong việc xây dựng mô hình định giá phái sinh, quản lý rủi ro danh mục và phân tích kỹ thuật định lượng.
  • Ảnh hưởng đến hoạch định chính sách: Các khuyến nghị về kiểm soát dòng tiền tín dụng margin và nâng cao tiêu chuẩn niêm yết đã đóng góp luận cứ khoa học quan trọng cho NHNN (trong việc ban hành các Thông tư kiểm soát cho vay chứng khoán như Thông tư 13/2010/TT-NHNN, Thông tư 36/2014/TT-NHNN sau này) và Bộ Tài chính trong việc tái cấu trúc hai sàn giao dịch.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Học giả chuyên ngành Tài chính - Ngân hàng / Kinh tế lượng: Tiếp cận được một khung phương pháp luận 8 bước chuẩn hóa, cách thức tiền xử lý dữ liệu và quy trình kiểm định mô hình học máy phi tuyến có thể áp dụng trực tiếp cho các đề tài nghiên cứu nâng cao.
  • Giám đốc Phân tích, Chuyên viên Định lượng (Quants) và Nhà quản lý Quỹ Đầu tư: Sở hữu công cụ và bằng chứng thực nghiệm để thiết kế các chiến lược giao dịch định lượng, khai thác các mối quan hệ phi tuyến vĩ mô – vi mô nhằm tối đa hóa tỷ suất sinh lời vượt trội (Alpha).
  • Cơ quan Quản lý Nhà nước (NHNN, UBCKNN, Bộ Tài chính): Được cung cấp hệ thống cảnh báo sớm (Early Warning System) dựa trên ANN để phát hiện các tín hiệu bất ổn thị trường, quản lý dòng vốn tín dụng đầu cơ và hoàn thiện khung pháp lý bảo vệ hệ thống tài chính quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đóng góp độc đáo nhất là việc luận án kết hợp thành công Thuyết Tính hợp lý có chừng mực (Bounded Rationality của Simon và Sargent) với Lý thuyết Hỗn loạn (Chaos Theory) để giải thích bản chất phi tuyến của TTCK VN. Nghiên cứu chứng minh cấu trúc lớp ẩn của mạng ANN chính là công cụ mô phỏng toán học hoàn hảo cho quá trình xử lý thông tin phi tuyến tính và cảm xúc bầy đàn của các chủ thể tham gia thị trường, vượt qua giới hạn của thuyết phân phối chuẩn Gauss.

2. Đột phá về mặt phương pháp luận so với các nghiên cứu quốc tế trước đây là gì? So với nghiên cứu của Heping Pan et al. (2005) chỉ dừng lại ở mạng truyền thẳng 1 lớp ẩn 2 neuron trên thị trường Úc, hoặc Reza Ahagar & Mahmood Yahyazadehfar (2010) chỉ thử nghiệm mạng GRNN đơn lẻ tại Iran, luận án của Lê Đạt Chí đã thiết kế một khung đối chuẩn thực nghiệm toàn diện gồm nhiều họ mô hình (MFF đa lớp, GRNN, Mạng nơ-ron tuyến tính, Hồi quy OLS) trên cùng một hệ quy chiếu dữ liệu đa tầng (tháng, tuần, ngày), đồng thời chuẩn hóa quy trình 8 bước bằng phần mềm NeuralSolution 5.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì? Phát hiện bất ngờ nhất là sự đối lập hoàn toàn giữa mô hình OLS và ANN trong việc nhận diện tác động của kinh tế vĩ mô: Trong khi hồi quy OLS kết luận các biến vĩ mô hầu như không có ý nghĩa giải thích đối với VN-Index (hệ số không có ý nghĩa thống kê), thì mô hình ANN 3 PE lại chứng minh các tổ hợp 4 biến vĩ mô (Mô hình 1: CPI, IP, M2, CR; Mô hình 2: LR, IP, TB, CR) giải thích và dự báo chính xác xu hướng VN-Index với $MSE_{Training}$ chỉ từ 0,013783 đến 0,019331. Điều này chứng minh mối quan hệ giữa vĩ mô và chứng khoán là phi tuyến tính thuần túy.

4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) rõ ràng không? Có. Luận án cung cấp chi tiết toàn bộ quy trình tái lập gồm: (1) Nguồn dữ liệu và định nghĩa cụ thể của 7 biến vĩ mô và các chỉ báo kỹ thuật; (2) Công thức chuyển đổi sai phân và logarit tiền xử lý; (3) Tỷ lệ phân chia tập dữ liệu Huấn luyện – Xác nhận – Kiểm tra ngoài mẫu; (4) Cấu hình tham số của từng mạng (số PE, dạng hàm truyền, Learning rate, Momentum); (5) Mã nguồn phụ lục hướng dẫn cài đặt và xử lý trên phần mềm NeuralSolution 5.

5. Chương trình nghiên cứu 10 năm được phác thảo như thế nào? Chương trình nghiên cứu dài hạn được định hình qua 3 trụ cột: (1) Tích hợp hệ thống lai Neuro-Fuzzy và Thuật toán Di truyền (GA-ANN) để tự động hóa tối ưu cấu trúc mạng; (2) Mở rộng dự báo sang các phân khúc tài sản tài chính phức tạp như tỷ giá tự do, thị trường bất động sản và xếp hạng tín nhiệm doanh nghiệp; (3) Nghiên cứu cơ chế lan truyền rủi ro hệ thống giữa thị trường tài chính Việt Nam và các thị trường chứng khoán toàn cầu trong kỷ nguyên hội nhập kinh tế quốc tế.

Kết luận

Luận án "Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam" của NCS. Lê Đạt Chí khẳng định 5 đóng góp học thuật và thực tiễn mang tính cột mốc:

  1. Xác lập năng lực dự báo vượt trội của ANN: Chứng minh thực nghiệm rằng mô hình mạng thần kinh nhân tạo (đặc biệt là cấu trúc MFF và GRNN) hoàn toàn khả thi và cho kết quả dự báo ngoài mẫu chính xác vượt bậc so với các mô hình hồi quy tuyến tính cổ điển trên TTCK VN.
  2. Khẳng định tính chất phi tuyến của thị trường tài chính: Cung cấp bằng chứng thực nghiệm bác bỏ giả thuyết thị trường hiệu quả dạng yếu và phân phối chuẩn Gauss, khẳng định sự tồn tại của cấu trúc trật tự hỗn loạn và hiệu ứng ghi nhớ chuỗi giá tại Việt Nam.
  3. Giải mã tác động vĩ mô và tâm lý hành vi: Nhận diện thành công cơ chế tác động phi tuyến của nhóm 4 biến vĩ mô cốt lõi (Lạm phát, Lãi suất, Sản xuất công nghiệp, Tín dụng/Cung tiền) và nhóm chỉ báo tài chính vi mô lên xu hướng dịch chuyển của chỉ số giá chứng khoán.
  4. Chuẩn hóa quy trình thiết kế 8 bước: Xây dựng một quy trình phương pháp luận khoa học, nghiêm ngặt từ khâu thu thập, tiền xử lý, phân vùng dữ liệu đến huấn luyện lan truyền ngược và kiểm định ngoài mẫu bằng công cụ chuyên dụng NeuralSolution 5.
  5. Hệ thống hàm ý chính sách vĩ mô: Đề xuất 4 nhóm giải pháp thực tiễn có giá trị cao nhằm hoàn thiện điều kiện phát hành, kiểm soát tín dụng margin, phân tầng sàn giao dịch HSX/HNX và nâng cao quyền độc lập của cơ quan quản lý thị trường.

Công trình không chỉ đánh dấu bước chuyển dịch mô thức phương pháp luận kinh tế lượng tại Việt Nam mà còn để lại một di sản nghiên cứu nền tảng, mở đường cho sự phát triển của lĩnh vực Tài chính Định lượng (Quantitative Finance) và Trí tuệ Nhân tạo ứng dụng trong phân tích kinh tế tại Việt Nam suốt nhiều thập kỷ tiếp theo.