I. Khám phá phương pháp tiếp cận mờ trong đầu tư tài chính
Lựa chọn danh mục đầu tư tối ưu là một bài toán cốt lõi trong tài chính hiện đại. Các nhà đầu tư luôn tìm kiếm phương pháp để tối đa hóa lợi nhuận và giảm thiểu rủi ro. Tuy nhiên, thị trường tài chính, đặc biệt là các thị trường mới nổi như Việt Nam, luôn tồn tại sự không chắc chắn, mơ hồ và thiếu chính xác. Dữ liệu lịch sử không phải lúc nào cũng phản ánh đúng xu hướng tương lai. Đây là lúc phương pháp tiếp cận mờ phát huy vai trò. Luận văn thạc sĩ “Nghiên cứu phương pháp tiếp cận mờ trong lựa chọn danh mục đầu tư tối ưu” của tác giả Cái Phúc Thiên Khoa đã mở ra một hướng đi mới. Nghiên cứu này ứng dụng lý thuyết tập mờ (fuzzy set theory) và logic mờ (fuzzy logic) để mô hình hóa sự không chắc chắn. Thay vì các giá trị đúng/sai tuyệt đối, logic mờ cho phép biểu diễn các khái niệm ngôn ngữ như “suất sinh lợi cao” hay “rủi ro thấp” bằng các giá trị số học. Cách tiếp cận này giúp tích hợp nhận định chủ quan, kinh nghiệm của chuyên gia vào mô hình toán học, một yếu tố mà các mô hình truyền thống thường bỏ qua. Mục tiêu của nghiên cứu là xây dựng một mô hình lựa chọn danh mục đầu tư hiệu quả hơn, có khả năng xử lý dữ liệu không hoàn hảo và phù hợp với thực tiễn thị trường. Đây là một đóng góp quan trọng cho lĩnh vực nghiên cứu khoa học kinh tế tại Việt Nam, cung cấp công cụ hỗ trợ ra quyết định đa tiêu chí (MCDM) mạnh mẽ cho nhà đầu tư và các nhà quản lý quỹ.
1.1. Từ logic cổ điển đến logic mờ fuzzy logic trong kinh tế
Logic cổ điển của Aristotle chỉ chấp nhận hai giá trị: đúng hoặc sai (1 hoặc 0). Điều này tạo ra ranh giới cứng nhắc, không phù hợp để mô tả các hiện tượng kinh tế phức tạp. Ví dụ, một cổ phiếu không thể được phân loại đơn giản là “tốt” hay “xấu”. Để khắc phục hạn chế này, Lotfi A. Zadeh (1965) đã phát triển lý thuyết tập mờ, đặt nền móng cho logic mờ. Logic mờ là một sự mở rộng của logic đa trị, cho phép một phần tử có thể thuộc về một tập hợp với một “mức độ thành viên” nhất định trong khoảng [0, 1]. Điều này cho phép mô hình hóa các khái niệm mơ hồ và không chính xác một cách toán học. Trong tài chính, fuzzy logic giúp diễn tả các đánh giá định tính của chuyên gia, chẳng hạn như “tiềm năng tăng trưởng khá tốt” hoặc “mức độ rủi ro chấp nhận được”, thành các biến số có thể tính toán được. Việc ứng dụng này làm cho các mô hình tài chính trở nên linh hoạt và gần với thực tế hơn.
1.2. Tổng quan về lý thuyết tập mờ fuzzy set theory ứng dụng
Cốt lõi của lý thuyết tập mờ là khái niệm “hàm thành viên” (membership function). Hàm này gán cho mỗi phần tử trong một tập hợp một giá trị thực trong đoạn [0, 1], thể hiện mức độ thuộc về tập mờ đó. Ví dụ, một cổ phiếu có suất sinh lợi kỳ vọng 15% có thể thuộc tập “cổ phiếu sinh lợi cao” với mức độ 0.7. Trong khi đó, một cổ phiếu khác có suất sinh lợi 12% có thể thuộc cùng tập hợp với mức độ 0.5. Fuzzy set theory đã được áp dụng rộng rãi trong nhiều lĩnh vực như kỹ thuật, y học, và đặc biệt là kinh tế. Trong quản lý danh mục đầu tư, lý thuyết này giúp xây dựng các mô hình lựa chọn tài sản mà không đòi hỏi dữ liệu đầu vào phải hoàn toàn chính xác, qua đó nâng cao hiệu quả của quá trình phân bổ vốn đầu tư.
II. Hạn chế mô hình Markowitz khi lựa chọn danh mục đầu tư
Mô hình Phương sai Trung bình (Mean-Variance - MV) của Harry Markowitz (1952) là nền tảng của lý thuyết danh mục đầu tư hiện đại. Mô hình này đề xuất cách tối ưu hóa danh mục bằng việc tối thiểu hóa phương sai (rủi ro) cho một mức suất sinh lợi kỳ vọng cho trước. Mặc dù mang tính đột phá, mô hình Markowitz tồn tại nhiều hạn chế khi áp dụng vào thực tế. Thứ nhất, nó giả định suất sinh lợi của tài sản tuân theo phân phối chuẩn, một giả định thường bị vi phạm trên thực tế, đặc biệt với dữ liệu từ các thị trường mới nổi. Thứ hai, mô hình sử dụng phương sai làm thước đo rủi ro, coi cả biến động tích cực và tiêu cực đều là rủi ro. Tuy nhiên, nhà đầu tư thực sự chỉ quan tâm đến rủi ro thua lỗ, hay còn gọi là “rủi ro giảm giá”. Thứ ba, mô hình MV yêu cầu dữ liệu lịch sử dài và ổn định để ước tính các tham số, điều này là một thách thức lớn tại thị trường chứng khoán Việt Nam. Cuối cùng, mô hình giả định “kỳ vọng đồng nhất”, tức mọi nhà đầu tư đều có chung nhận định về thị trường, điều này không phản ánh đúng sự đa dạng trong quan điểm của các chuyên gia. Những hạn chế này thúc đẩy nhu cầu tìm kiếm các phương pháp mới, như phương pháp tiếp cận mờ, để giải quyết bài toán lựa chọn danh mục dự án đầu tư tối ưu một cách hiệu quả hơn.
2.1. Thách thức từ suất sinh lợi kỳ vọng và mức độ rủi ro
Việc ước tính suất sinh lợi kỳ vọng và mức độ rủi ro là hai thách thức lớn nhất trong quản lý danh mục đầu tư (portfolio management). Các mô hình truyền thống thường dựa vào dữ liệu quá khứ. Tuy nhiên, các sự kiện “thiên nga đen” hay biến động kinh tế vĩ mô có thể làm cho các ước tính này trở nên sai lệch. Hơn nữa, rủi ro không chỉ là sự biến động. Nó bao gồm cả sự không chắc chắn, mơ hồ về thông tin và sự thiếu chính xác trong các dự báo. Phương sai không thể nắm bắt được toàn bộ các khía cạnh này. Nhà đầu tư quan tâm nhiều hơn đến khả năng không đạt được một mức lợi nhuận tối thiểu, một khái niệm mà các thước đo rủi ro giảm giá có thể mô tả tốt hơn. Đây chính là điểm mà các mô hình dựa trên logic mờ có thể mang lại giá trị vượt trội.
2.2. Vấn đề giả định phân phối chuẩn trong thực tiễn đầu tư
Giả định suất sinh lợi tài sản tuân theo phân phối chuẩn (hình chuông đối xứng) là một trong những điểm yếu lớn nhất của mô hình Markowitz. Trong thực tế, phân phối suất sinh lợi thường bị “lệch” (skewness) và có “đuôi dày” (fat tails), nghĩa là các sự kiện thua lỗ hoặc lãi lớn cực đoan xảy ra thường xuyên hơn so với dự đoán của phân phối chuẩn. Việc bỏ qua đặc điểm này có thể dẫn đến việc đánh giá thấp mức độ rủi ro thực tế của danh mục, gây ra những quyết định phân bổ vốn đầu tư sai lầm. Các nghiên cứu, bao gồm cả luận văn này, đã chỉ ra rằng việc sử dụng các phương pháp phi tham số hoặc các mô hình dựa trên lý thuyết tập mờ có thể khắc phục được nhược điểm này bằng cách mô hình hóa trực tiếp sự bất đối xứng và không chắc chắn của dữ liệu.
III. Phương pháp dùng số mờ để tối ưu hóa danh mục đầu tư
Để giải quyết các vấn đề của mô hình truyền thống, phương pháp tiếp cận mờ sử dụng các công cụ toán học linh hoạt hơn, trong đó “số mờ” là một khái niệm trung tâm. Thay vì biểu diễn suất sinh lợi bằng một con số duy nhất, mô hình mờ sử dụng một “số mờ” để đại diện cho một khoảng giá trị có thể xảy ra cùng với mức độ khả thi của chúng. Luận văn của Cái Phúc Thiên Khoa đã áp dụng số mờ tam giác (triangular fuzzy number) và số mờ hình thang để mô tả suất sinh lợi của cổ phiếu. Một số mờ tam giác được định nghĩa bởi ba điểm: giá trị bi quan nhất, giá trị có khả năng xảy ra cao nhất và giá trị lạc quan nhất. Cách biểu diễn này cho phép tích hợp các yếu tố không chắc chắn và nhận định của chuyên gia vào mô hình. Quá trình này bao gồm hai bước chính: “mờ hóa” (fuzzification) và “giải mờ hóa” (defuzzification). Mờ hóa là quá trình chuyển đổi các dữ liệu số rõ ràng thành các tập mờ. Ngược lại, giải mờ hóa là quá trình chuyển kết quả tính toán mờ trở lại thành một con số rõ ràng để có thể đưa ra quyết định cuối cùng. Việc sử dụng số mờ giúp mô hình tối ưu hóa danh mục trở nên mạnh mẽ hơn trong môi trường ra quyết định đa tiêu chí.
3.1. Kỹ thuật mờ hóa và giải mờ hóa trong phân tích tài chính
Trong phân tích lựa chọn danh mục dự án đầu tư tối ưu, mờ hóa là bước đầu tiên để áp dụng logic mờ. Dữ liệu lịch sử về suất sinh lợi của một tài sản được chuyển đổi thành một số mờ. Ví dụ, dựa trên phân vị (percentile) của dữ liệu, có thể xây dựng một số mờ hình thang với các điểm đại diện cho các mức suất sinh lợi ở phân vị thứ 5, 40, 60 và 95. Sau khi các bài toán tối ưu được giải quyết trong không gian mờ, kết quả (ví dụ: suất sinh lợi kỳ vọng mờ của danh mục) cần được chuyển đổi trở lại thành một giá trị cụ thể. Đây là lúc kỹ thuật giải mờ hóa, như phương pháp trọng tâm (center of gravity), được sử dụng để đưa ra một con số duy nhất, hỗ trợ nhà đầu tư ra quyết định cuối cùng về việc phân bổ vốn đầu tư.
3.2. Vai trò của số mờ tam giác và hình thang khi đánh giá dự án
Số mờ tam giác và số mờ hình thang là hai dạng số mờ được sử dụng phổ biến nhất trong các ứng dụng kinh tế. Chúng có ưu điểm là trực quan và dễ tính toán. Khi thực hiện đánh giá dự án đầu tư, thay vì chỉ đưa ra một con số NPV (Giá trị hiện tại ròng) duy nhất, chuyên gia có thể cung cấp một khoảng giá trị NPV dưới dạng số mờ tam giác, bao gồm kịch bản xấu nhất, tốt nhất và có khả năng nhất. Cách tiếp cận này giúp ghi lại sự không chắc chắn vốn có trong các dự báo về dòng tiền tương lai. Việc sử dụng các phép toán trên số mờ cho phép kết hợp các đánh giá không chắc chắn này một cách hệ thống, mang lại một cái nhìn toàn diện hơn về mức độ rủi ro và lợi nhuận của dự án.
IV. Cách mô hình hóa rủi ro giảm giá mờ và ra quyết định
Một trong những cải tiến quan trọng nhất của phương pháp tiếp cận mờ là việc sử dụng “rủi ro giảm giá mờ” (fuzzy downside risk) thay cho phương sai. Rủi ro giảm giá chỉ tập trung vào những biến động tiêu cực, tức là các trường hợp suất sinh lợi thấp hơn một ngưỡng mục tiêu (ví dụ: suất sinh lợi trung bình hoặc lãi suất phi rủi ro). Điều này phù hợp hơn với tâm lý của nhà đầu tư. Luận văn đã kế thừa và điều chỉnh các mô hình của Vercher và cộng sự (2007) và Li & Xu (2007) để xây dựng một mô hình tối ưu hóa danh mục mới. Mô hình này không chỉ sử dụng bán phương sai mờ (fuzzy semi-variance) làm thước đo rủi ro mà còn tích hợp tham số λ (lambda) để phản ánh “nhận định đánh giá của nhà đầu tư”. Tham số λ cho phép nhà đầu tư thể hiện mức độ lạc quan, bi quan hay trung dung của mình đối với từng tài sản và toàn bộ thị trường. Cách tiếp cận này giúp cá nhân hóa chiến lược đầu tư, biến mô hình thành một hệ chuyên gia mờ hỗ trợ ra quyết định đa tiêu chí (MCDM). Các phương pháp như AHP mờ hay TOPSIS mờ cũng là những công cụ mạnh mẽ khác trong hệ sinh thái này, giúp xếp hạng các phương án đầu tư dựa trên nhiều tiêu chí không chắc chắn.
4.1. Tích hợp AHP mờ và TOPSIS mờ vào lựa chọn danh mục
Bên cạnh các mô hình tối ưu hóa, các phương pháp ra quyết định đa tiêu chí như AHP mờ (Fuzzy Analytic Hierarchy Process) và TOPSIS mờ (Fuzzy Technique for Order of Preference by Similarity to Ideal Solution) đóng vai trò quan trọng. AHP mờ cho phép các chuyên gia so sánh cặp các tiêu chí (ví dụ: lợi nhuận so với rủi ro, thanh khoản so với tăng trưởng) và các phương án đầu tư bằng cách sử dụng các biến ngôn ngữ (ví dụ: “quan trọng hơn một chút”, “quan trọng hơn nhiều”). TOPSIS mờ giúp xếp hạng các danh mục đầu tư tiềm năng bằng cách tính toán khoảng cách của chúng đến một “giải pháp lý tưởng” và “giải pháp phi lý tưởng”. Việc kết hợp các kỹ thuật này giúp quá trình đánh giá dự án đầu tư trở nên có cấu trúc và minh bạch hơn.
4.2. Xây dựng hệ chuyên gia mờ hỗ trợ nhà đầu tư cá nhân
Một hệ chuyên gia mờ (fuzzy expert system) là một hệ thống dựa trên tri thức, sử dụng các quy tắc “NẾU-THÌ” (IF-THEN) mờ để mô phỏng quá trình suy luận của một chuyên gia con người. Trong lĩnh vực portfolio management, một hệ chuyên gia có thể được xây dựng để đưa ra các khuyến nghị phân bổ tài sản. Ví dụ, một quy tắc có thể là: “NẾU suất sinh lợi kỳ vọng là ‘cao’ VÀ mức độ rủi ro là ‘thấp’ THÌ tỷ trọng phân bổ nên là ‘cao’”. Hệ thống này có thể xử lý các thông tin đầu vào không chính xác và cung cấp các quyết định linh hoạt, giúp nhà đầu tư cá nhân không có nhiều thời gian phân tích có thể thực hiện tối ưu hóa danh mục một cách hiệu quả.
V. Kết quả thực nghiệm Phương pháp mờ và danh mục tối ưu
Luận văn đã tiến hành kiểm nghiệm thực nghiệm trên dữ liệu giá cổ phiếu của các công ty niêm yết trên sàn HOSE và HNX. Kết quả nghiên cứu cho thấy những ưu điểm rõ rệt của phương pháp tiếp cận mờ trong lựa chọn danh mục đầu tư tối ưu. Một trong những phát hiện quan trọng nhất là các danh mục tối ưu mờ, được xây dựng từ mô hình đề xuất, có hiệu quả tốt hơn đáng kể so với danh mục tham chiếu 1/N (phân bổ vốn đều cho N tài sản). Hiệu quả này được đo lường bằng tỷ số Sortino, một thước đo hiệu suất điều chỉnh theo rủi ro giảm giá. Kết quả này nhất quán trên nhiều khung thời gian và bộ dữ liệu khác nhau. Nghiên cứu cũng chỉ ra rằng số lượng chứng khoán trong danh mục tối ưu có xu hướng hội tụ về một con số nhất định, phù hợp với kết quả của Zulkifli Mohamed và cộng sự (2009). Thêm vào đó, hình dạng của các đường biên hiệu quả thay đổi tùy thuộc vào nhận định của nhà đầu tư (bi quan, trung dung, hay lạc quan), cho thấy sự linh hoạt của mô hình. Các kết quả này khẳng định giá trị thực tiễn của việc áp dụng fuzzy logic vào quản lý danh mục đầu tư tại Việt Nam.
5.1. So sánh hiệu quả danh mục tối ưu mờ với danh mục 1 N
Danh mục 1/N, hay chiến lược đa dạng hóa giản đơn, thường được dùng làm một tiêu chuẩn so sánh (benchmark) do tính đơn giản và hiệu quả đáng ngạc nhiên của nó. Luận văn đã so sánh các danh mục được tạo ra từ mô hình mờ với danh mục 1/N trên cùng một bộ tài sản. Kết quả cho thấy, xét trên tỷ số Sortino, các danh mục tối ưu mờ luôn mang lại hiệu suất điều chỉnh theo rủi ro tốt hơn. Điều này chứng tỏ rằng việc tối ưu hóa danh mục dựa trên rủi ro giảm giá mờ và tích hợp nhận định của chuyên gia mang lại lợi ích thực sự, vượt qua cả chiến lược thụ động đơn giản nhất. Đây là một minh chứng mạnh mẽ cho tính ưu việt của mô hình trong việc phân bổ vốn đầu tư.
5.2. Phân tích đường biên hiệu quả và sự hội tụ chứng khoán
Đường biên hiệu quả biểu diễn tập hợp các danh mục tối ưu cung cấp suất sinh lợi cao nhất cho một mức rủi ro nhất định. Luận văn đã xây dựng các đường biên hiệu quả tương ứng với ba quan điểm của nhà đầu tư: lạc quan (λ=1), trung dung (λ=0.7), và bi quan (λ=0.3). Kết quả cho thấy vị trí và hình dạng của các đường biên này thay đổi một cách hợp lý theo quan điểm đầu tư. Một phát hiện thú vị khác là sự hội tụ về số lượng chứng khoán. Khi thay đổi các tham số mục tiêu (lợi nhuận hoặc rủi ro), số lượng cổ phiếu trong danh mục tối ưu có xu hướng ổn định quanh một giá trị nhất định (ví dụ: 8-10 cổ phiếu), cho thấy mô hình không tạo ra các danh mục quá tập trung hoặc quá dàn trải.
VI. Tương lai của logic mờ trong quản lý danh mục đầu tư
Phương pháp tiếp cận mờ đã chứng tỏ là một công cụ mạnh mẽ và đầy hứa hẹn cho bài toán lựa chọn danh mục đầu tư tối ưu. Kết quả từ luận văn của Cái Phúc Thiên Khoa không chỉ có giá trị học thuật mà còn mang lại những ngụ ý thực tiễn quan trọng. Các mô hình mờ cho phép nhà đầu tư và nhà quản lý quỹ xây dựng các chiến lược linh hoạt, phù hợp với khẩu vị rủi ro và nhận định thị trường riêng của họ. Trong tương lai, hướng phát triển của lĩnh vực này có thể tập trung vào việc tích hợp các loại tài sản khác như quyền chọn, trái phiếu, hoặc bất động sản vào mô hình. Đồng thời, việc kết hợp logic mờ với các kỹ thuật học máy (machine learning) và trí tuệ nhân tạo (AI) để xây dựng các hệ chuyên gia mờ thông minh hơn là một hướng đi đầy tiềm năng. Các hệ thống này có thể tự động cập nhật nhận định dựa trên tin tức thị trường và dữ liệu vĩ mô. Đối với các nhà nghiên cứu khoa học kinh tế, việc khám phá các dạng số mờ phức tạp hơn hoặc các thước đo rủi ro mới sẽ tiếp tục là một lĩnh vực nghiên cứu phong phú, góp phần hoàn thiện hơn nữa lý thuyết quản lý danh mục đầu tư trong môi trường bất định.
6.1. Hướng nghiên cứu khoa học kinh tế và tài chính tiếp theo
Mặc dù luận văn đã đạt được những kết quả quan trọng, vẫn còn nhiều hướng nghiên cứu có thể được khai thác. Thứ nhất, các mô hình có thể được mở rộng để xem xét các yếu tố như chi phí giao dịch, thuế, và điều kiện bán khống, giúp chúng gần hơn với thực tế giao dịch. Thứ hai, việc áp dụng các phương pháp MCDM (Multi-Criteria Decision Making) phức tạp hơn như Fuzzy VIKOR hay Fuzzy PROMETHEE có thể mang lại những góc nhìn mới. Thứ ba, kiểm nghiệm mô hình trên các thị trường tài chính quốc tế khác nhau sẽ giúp đánh giá tính tổng quát của phương pháp. Những nỗ lực nghiên cứu khoa học kinh tế này sẽ tiếp tục củng cố vai trò của logic mờ như một công cụ không thể thiếu trong tài chính hiện đại.
6.2. Tiềm năng kết hợp logic mờ với học máy và AI
Sự giao thoa giữa logic mờ và trí tuệ nhân tạo (AI) mở ra một kỷ nguyên mới cho portfolio management. Các thuật toán học máy có thể được sử dụng để tự động xác định các hàm thành viên tối ưu từ dữ liệu, thay vì phải định nghĩa thủ công. Mạng nơ-ron mờ (neuro-fuzzy systems) có thể học hỏi các quy tắc ra quyết định phức tạp từ các chuyên gia hàng đầu và dữ liệu thị trường. Sự kết hợp này hứa hẹn tạo ra các hệ chuyên gia mờ thế hệ mới, có khả năng thích ứng nhanh với sự thay đổi của môi trường đầu tư, cung cấp các chiến lược tối ưu hóa danh mục năng động và hiệu quả cao.
