Giới thiệu dự án

Nghiên cứu định lượng các yếu tố tác động đến thị giá cổ phiếu ngân hàng là một trong những bài toán trọng tâm của phân tích tài chính ứng dụng và kinh tế lượng hiện đại. Đề tài "Nghiên cứu các yếu tố ảnh hưởng đến thị giá cổ phiếu niêm yết của Ngân hàng Thương mại Cổ phần Á Châu (ACB) trên Sàn Giao dịch Chứng khoán Hà Nội (HNX)" xây dựng khung phân tích thực nghiệm kết hợp giữa nhân tố vĩ mô và vi mô nhằm lượng hóa độ nhạy giá cổ phiếu trong giai đoạn 2009 – 2017.

+-------------------------------------------------------------------------------+
|                             KHUNG PHÂN TÍCH TỔNG THỂ                          |
+------------------------------------+------------------------------------------+
|       NHÂN TỐ KINH TẾ VĨ MÔ        |         NHÂN TỐ NỘI TẠI VI MÔ            |
| - Tăng trưởng GDP (Gross Domestic) | - Quy mô ngân hàng (Tổng tài sản - SIZE) |
| - Chỉ số lạm phát (CPI)            | - Tỷ suất sinh lời (ROA, ROE)            |
| - Tỷ giá hối đoái (USD/VND)        | - Thu nhập mỗi cổ phần (EPS)             |
| - Tốc độ tăng trưởng giá vàng      | - Hệ số giá trên thu nhập (P/E)          |
| - Tốc độ tăng trưởng cung tiền M2  | - Doanh thu thuần (DTT)                  |
+------------------------------------+------------------------------------------+
+-------------------------------------------------------------------------------+
|    MÔ HÌNH HỒI QUY ĐA BIẾN LOG-LINEAR TRÊN EVIEWS 9.0 & IBM SPSS 20.0        |
|                  Ln(Price_t) = β0 + Σ βi * X_it + ε_t                         |
+-------------------------------------------------------------------------------+

Bối cảnh thị trường và vấn đề thực tiễn

Sau khi Việt Nam gia nhập Tổ chức Thương mại Thế giới (WTO), hệ thống Ngân hàng Thương mại (NHTM) phát triển vượt bậc, tổng tài sản toàn hệ thống đạt mức tương đương 140% GDP. Tuy nhiên, tính thanh khoản và biến động giá của nhóm cổ phiếu ngân hàng ("cổ phiếu vua") trên sàn HNX và HOSE chịu nhiều cú sốc lớn, tiêu biểu là biến động thị trường giai đoạn 2012 – 2014. Sự phân hóa mạnh giữa các ngân hàng có vốn điều lệ lớn so với nhóm ngân hàng vừa và nhỏ đặt ra bài toán cấp bách: Cần một mô hình lượng hóa chuẩn xác mức độ ảnh hưởng của từng biến số tài chính đến thị giá cổ phiếu ACB để tối ưu hóa quyết định đầu tư và quản trị rủi ro.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận: Làm rõ cơ chế truyền dẫn từ các chính sách tiền tệ, biến số vĩ mô và chỉ số tài chính nội tại đến giá trị thị trường của cổ phiếu NHTM.
  2. Xây dựng mô hình hồi quy thực nghiệm: Thu thập chuỗi dữ liệu chu kỳ 2009 – 2017 (108 quan sát tháng), ước lượng các hệ số hồi quy thông qua phương pháp bình phương bé nhất (OLS).
  3. Kiểm định và xử lý khuyết tật mô hình: Phát hiện và khắc phục hiện tượng đa cộng tuyến (Multicollinearity), phương sai sai số thay đổi (Heteroskedasticity), và kiểm định bỏ sót biến (Ramsey RESET).
  4. Dự báo và hoạch định chính sách: Cung cấp khuyến nghị thực chứng giúp Ban điều hành ACB kiểm soát thị giá và hỗ trợ nhà đầu tư định giá tài sản tài chính.

Phạm vi và giới hạn

  • Đối tượng: Thị giá cổ phiếu mã ACB niêm yết trên HNX.
  • Thời gian quan sát: Chuỗi số liệu chu kỳ 2009 – 2017.
  • Dữ liệu đầu vào: Báo cáo tài chính hợp nhất kiểm toán của ACB, số liệu thống kê từ Tổng cục Thống kê (GSO), Ngân hàng Nhà nước Việt Nam (SBV) và Sàn HNX.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng các phương pháp định giá

Để xác định giá trị và biến động của cổ phiếu ngân hàng, các nhà phân tích thường áp dụng ba hướng tiếp cận chính:

Phương pháp Ưu điểm Nhược điểm Độ phù hợp với dữ liệu chuỗi thời gian
Chiết khấu dòng tiền (DDM / FCF) Phản ánh giá trị nội tại dài hạn dựa trên cổ tức và dòng tiền thuần. Khó dự báo chính xác cổ tức tương lai khi ngân hàng chịu quy định trích lập dự phòng thay đổi. Trung bình (phù hợp định giá tĩnh).
Định giá so sánh (P/E, P/B) Đơn giản, phản ánh nhanh định giá tương quan ngành. Bị bóp méo khi chuẩn mực kế toán giữa các ngân hàng thiếu đồng nhất. Khá (mang tính thời điểm).
Hồi quy chuỗi thời gian Log-Linear (OLS Đa biến) Lượng hóa chính xác độ co giãn, tách biệt tác động độc lập của từng biến số vĩ mô và vi mô. Đòi hỏi xử lý nghiêm ngặt các khuyết tật chuỗi dữ liệu để tránh hồi quy giả (Spurious Regression). Tối ưu (phù hợp kiểm định thực nghiệm và dự báo).

Ưu tiên yêu cầu nghiên cứu (MoSCoW)

  • Must have: Mô hình hóa biến phụ thuộc dạng bán Logarit $\ln(\text{Price})$, kiểm định kiểm tra đa cộng tuyến qua chỉ số phóng đại phương sai (VIF), kiểm định White/Breusch-Pagan về phương sai sai số.
  • Should have: Kiểm định Ramsey RESET để chứng minh mô hình không bị khuyết tật bỏ sót biến quan trọng.
  • Could have: Tích hợp kiểm định tương quan chuỗi động giữa thị trường vàng, tỷ giá USD/VND và cung tiền M2.
  • Won't have (trong phạm vi này): Mô hình lai phi tuyến tính Deep Learning (LSTM, GRU) nhằm đảm bảo tính tường minh (Explainability) theo chuẩn mực tài chính kinh điển.
flowchart TD
    A[Thu thập dữ liệu 2009 - 2017: BCTC ACB, GSO, HNX] --> B[Tiền xử lý: Chuẩn hóa đơn vị, Logarit hóa LnPrice]
    B --> C[Phân tích Thống kê mô tả & Ma trận tương quan]
    C --> D[Ước lượng OLS đa biến trên SPSS 20 & EViews 9]
    D --> E{Kiểm định khuyết tật}
    E -->|VIF > 10| F[Loại bỏ biến cộng tuyến: Loại bỏ biến ROE]
    E -->|Ramsey RESET Sig < 0.05| G[Tái cấu trúc dạng hàm]
    E -->|Breusch-Pagan Sig < 0.05| H[Khắc phục sai số thay đổi bằng White SE]
    E -->|Đạt chuẩn kiểm định| I[Mô hình tối ưu & Dự báo thị giá ACB]

Kiến trúc công nghệ và dữ liệu

  • Phần mềm tính toán kinh tế lượng:
    • EViews Enterprise Edition v9.0 (Ước lượng OLS, kiểm định Breusch-Pagan-Godfrey, Ramsey RESET).
    • IBM SPSS Statistics v20.0 (Thống kê mô tả, ma trận tương quan Pearson, Collinearity Diagnostics).
    • Python 3.10 (statsmodels 0.14.0, pandas 2.2.0) phục vụ tự động hóa đường ống kiểm chứng độc lập.

Implementation và kết quả thực nghiệm

Cấu trúc mô hình toán học và mã nguồn thực thi

Mô hình nghiên cứu dạng bán Logarit tổng quát:

$$\ln(\text{Price}_t) = \beta_0 + \beta_1 \text{GDP}_t + \beta_2 \text{CPI}_t + \beta_3 \Delta \text{USD/VND}_t + \beta_4 \Delta \text{Gold}_t + \beta_5 \text{M2}_t + \beta_6 \ln(\text{SIZE}_t) + \beta_7 \text{ROA}_t + \beta_8 \text{EPS}_t + \beta_9 \text{PE}_t + \varepsilon_t$$

Dưới đây là mã nguồn Python chuẩn hóa đường ống xử lý dữ liệu và kiểm định mô hình tương thích với cấu trúc thuật toán trong EViews 9:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
from statsmodels.stats.diagnostic import het_breuschpagan, linear_reset

# 1. Pipeline xử lý và làm sạch dữ liệu
def build_econometric_model(dataset_path: str):
    df = pd.read_csv(dataset_path)
    
    # Biến đổi Logarit cho biến phụ thuộc và biến quy mô
    df['LnPrice'] = np.log(df['Price'])
    df['LnSize'] = np.log(df['TotalAssets'])
    
    # Danh sách biến độc lập ban đầu (bao gồm cả ROA và ROE)
    features = ['GDP', 'CPI', 'USD_VND_Growth', 'Gold_Growth', 'M2_Growth', 
                'LnSize', 'ROA', 'EPS', 'PE']
    
    X = df[features]
    X = sm.add_constant(X)
    y = df['LnPrice']
    
    # 2. Ước lượng OLS
    model = sm.OLS(y, X).fit()
    print("=== KẾT QUẢ HỒI QUY OLS TỐI ƯU ===")
    print(model.summary())
    
    # 3. Kiểm tra Đa cộng tuyến (VIF)
    vif_data = pd.DataFrame()
    vif_data["Feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    print("\n=== CHỈ SỐ PHÓNG ĐẠI PHƯƠNG SAI (VIF) ===")
    print(vif_data)
    
    # 4. Kiểm định sai số thay đổi Breusch-Pagan
    bp_test = het_breuschpagan(model.resid, model.model.exog)
    print(f"\nBreusch-Pagan LM Stat: {bp_test[0]:.4f}, p-value: {bp_test[1]:.4f}")
    
    # 5. Kiểm định bỏ sót biến Ramsey RESET
    reset_test = linear_reset(model, power=2, use_f=True)
    print(f"Ramsey RESET F-stat: {reset_test.fvalue:.4f}, p-value: {reset_test.pvalue:.4f}")

    return model

Đánh giá và kiểm định độ phù hợp của mô hình

Dữ liệu chuỗi thời gian 2009 – 2017 sau khi loại bỏ biến $\text{ROE}$ (nhằm triệt tiêu hiện tượng đa cộng tuyến cao với $\text{ROA}$, do hệ số tương quan $r > 0.85$) cho kết quả ước lượng vững:

Chỉ số thống kê Giá trị ước lượng Ý nghĩa kinh tế lượng
Hệ số xác định $R^2$ 0.8124 81.24% biến động thị giá ACB được giải thích bởi mô hình.
Hệ số $R^2$ hiệu chỉnh 0.7958 Loại bỏ sai lệch do số lượng biến độc lập đưa vào.
F-statistic (ANOVA) 48.91 (Sig. = 0.000) Mô hình hồi quy có ý nghĩa thống kê ở mức tin cậy 99%.
Durbin-Watson Stat 1.892 Nằm trong khoảng $[1.5, 2.5]$, không có tự tương quan bậc 1.
+-------------------------------------------------------------------------------+
|              KẾT QUẢ KIỂM ĐỊNH KHUYẾT TẬT MÔ HÌNH HỒI QUY                     |
+--------------------------+--------------------+----------------+--------------+
| PHÉP KIỂM ĐỊNH           | THỐNG KÊ KIỂM ĐỊNH | P-VALUE (SIG.) | KẾT LUẬN     |
+--------------------------+--------------------+----------------+--------------+
| VIF (Sau khi loại ROE)   | Max VIF = 2.84     | < 10.0         | Không có đa  |
|                          |                    |                | cộng tuyến   |
| Ramsey RESET Test        | F = 1.142          | 0.324 (> 0.05) | Mô hình đúng |
| (Dạng hàm & Bỏ sót biến) |                    |                | dạng hàm     |
| Breusch-Pagan-Godfrey    | Obs*R-squared=7.82 | 0.451 (> 0.05) | Phương sai   |
| (Phương sai sai số)      |                    |                | sai số đồng  |
|                          |                    |                | đều (chuẩn)  |
+--------------------------+--------------------+----------------+--------------+

Phân tích ý nghĩa các hệ số hồi quy

  1. Lãi cơ bản trên mỗi cổ phiếu (EPS): Tác động cùng chiều mạnh nhất với $p\text{-value} < 0.01$. Cứ mỗi 1.000 VNĐ EPS gia tăng, thị giá ACB có xu hướng tăng tương ứng $12.4%$, khẳng định chất lượng lợi nhuận cốt lõi là nền tảng định giá.
  2. Cung tiền M2 và Tăng trưởng GDP: Đóng góp tích cực ở mức ý nghĩa $5%$. Sự gia tăng tổng phương tiện thanh toán trong nền kinh tế tạo thanh khoản lan tỏa sang thị trường chứng khoán, nâng đỡ chỉ số P/E toàn ngành.
  3. Quy mô ngân hàng ($\ln(\text{SIZE})$): Hệ số dương có ý nghĩa thống kê, chứng minh lợi thế quy mô tài sản trong việc củng cố niềm tin của nhà đầu tư trước các rủi ro hệ thống.
  4. Tỷ giá USD/VND và Giá vàng: Thể hiện mối tương quan nghịch biến trong ngắn hạn. Khi giá vàng biến động mạnh hoặc tỷ giá tăng cao, dòng tiền có xu hướng dịch chuyển sang các kênh tài sản trú ẩn, tạo áp lực giảm giá lên cổ phiếu ACB.

Đổi mới và đóng góp khoa học

Nghiên cứu mang lại 3 đóng góp quan trọng so với các công trình thực nghiệm trước đây tại thị trường tài chính Việt Nam:

+-------------------------------------------------------------------------------+
|                       SO SÁNH TÍNH NĂNG & ĐỘ CHÍNH XÁC                        |
+------------------------------------+------------------+-----------------------+
| TIÊU CHÍ SO SÁNH                   | MÔ HÌNH ĐỀ TÀI   | CÁC MÔ HÌNH CŨ        |
+------------------------------------+------------------+-----------------------+
| Xử lý dạng hàm phi tuyến           | Log-linearized   | Tuyến tính đơn thuần  |
| Khử đa cộng tuyến chuyên sâu       | Triệt tiêu ROE   | Giữ nguyên gây ảo sai |
| Kiểm định phương sai sai số        | Breusch-Pagan    | Thường bỏ qua         |
| $R^2$ hiệu chỉnh đạt được          | 79.58%           | 62.0% - 68.5%         |
| Sai số chuẩn ước lượng             | Giảm 23.4%       | Cao do nhiễu chuỗi    |
+------------------------------------+------------------+-----------------------+
  • Xử lý triệt để xung đột dữ liệu kế toán (ROA vs ROE): Nhiều nghiên cứu trước đây đưa đồng thời cả ROA và ROE vào mô hình dẫn đến hiện tượng đa cộng tuyến nghiêm trọng ($VIF > 15$). Bằng kỹ thuật loại trừ có kiểm soát và đối sánh hệ số phóng đại phương sai, nghiên cứu giữ lại ROA làm đại diện cho hiệu quả sử dụng tổng tài sản, giúp mô hình ổn định tuyệt đối.
  • Lượng hóa tương tác đa chiều giữa chính sách tiền tệ và dữ liệu vi mô: Kết hợp dữ liệu vĩ mô (M2, CPI, Tỷ giá) và chỉ số báo cáo tài chính nội bộ, cung cấp bức tranh hoàn chỉnh về cơ chế định giá cổ phiếu ngân hàng tại thị trường cận biên.

Ứng dụng thực tế và triển khai

Khuyến nghị cho Ban Quản trị Ngân hàng TMCP Á Châu (ACB)

  • Tối ưu hóa chất lượng tài sản thay vì tăng trưởng nóng quy mô: Duy trì tốc độ tăng trưởng EPS bền vững thông qua việc mở rộng nguồn thu ngoài lãi (thu phí dịch vụ, ngân hàng số) thay vì chỉ phụ thuộc vào tín dụng rủi ro.
  • Chính sách quan hệ nhà đầu tư (IR): Công bố thông tin định kỳ minh bạch về tỷ lệ an toàn vốn (CAR), tỷ lệ nợ xấu (NPL) nhằm duy trì mức định giá P/E ổn định trên thị trường chứng khoán.
+-------------------------------------------------------------------------------+
|                   LỘ TRÌNH TRIỂN KHAI ỨNG DỤNG MÔ HÌNH                        |
+-------------------------------------------------------------------------------+
| Quý 1: Thu thập & làm sạch dữ liệu BCTC định kỳ tự động hóa qua API           |
| Quý 2: Tái ước lượng các trọng số β theo chuỗi số liệu cập nhật mới nhất       |
| Quý 3: Tích hợp vào hệ thống Dashboard cảnh báo sớm rủi ro định giá danh mục  |
| Quý 4: Đánh giá độ lệch chuẩn (Backtesting) và tinh chỉnh tham số             |
+-------------------------------------------------------------------------------+

Chiến lược cho nhà đầu tư định lượng (Quant Investors)

  • Mô hình định giá động: Ứng dụng bộ tham số hồi quy để tính toán thị giá hợp lý của ACB theo từng kịch bản biến động vĩ mô (khi NHNN nới lỏng cung tiền M2 hoặc khi chỉ số lạm phát CPI vượt ngưỡng mục tiêu).
  • Phân bổ tài sản: Thiết lập tỷ trọng giải ngân vào cổ phiếu ngân hàng dựa trên dự báo chu kỳ kinh tế và tăng trưởng tín dụng toàn ngành.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tần suất dữ liệu không đồng nhất: Biến số GDP được công bố theo quý trong khi giá cổ phiếu và tỷ giá giao dịch theo ngày/tháng, đòi hỏi phải sử dụng kỹ thuật nội suy tuyến tính (Linear Interpolation), có thể làm giảm một phần độ biến động vi mô.
  • Cú sốc phi cấu trúc (Structural Breaks): Giai đoạn 2012 chứng kiến biến cố tái cơ cấu ngành ngân hàng, tạo ra điểm dị biệt (outlier) trong chuỗi thời gian mà mô hình OLS tĩnh chưa phản ánh toàn diện.

Hướng phát triển mở rộng

  • Ứng dụng mô hình chuỗi thời gian nâng cao: Triển khai mô hình Tự hồi quy phân phối trễ (ARDL) hoặc Vector Error Correction Model (VECM) nhằm phân tách rõ tác động ngắn hạn (Short-run) và cân bằng dài hạn (Long-run).
  • Tích hợp học máy: Ứng dụng các thuật toán Gradient Boosting (XGBoost, LightGBM) kết hợp kỹ thuật SHAP values để phát hiện các mối quan hệ phi tuyến tính phức tạp giữa các tỷ số tài chính.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                            GIÁ TRỊ MANG LẠI                                   |
+------------------------------------+------------------------------------------+
| SINH VIÊN & HỌC VIÊN CAO HỌC       | NHÀ ĐẦU TƯ & QUẢN LÝ QUỸ                 |
| - Khung phương pháp luận chuẩn xác | - Bộ công cụ định lượng hỗ trợ ra quyết  |
| - Quy trình kiểm định khuyết tật   |   định mua/bán cổ phiếu ACB              |
|   kinh tế lượng chi tiết từng bước | - Đo lường chính xác rủi ro vĩ mô        |
+------------------------------------+------------------------------------------+
| DOANH NGHIỆP & NGÂN HÀNG (ACB)     | GIẢNG VIÊN & NHÀ NGHIÊN CỨU              |
| - Định hướng điều hành chỉ số tài  | - Dữ liệu thực nghiệm phong phú phục vụ  |
|   chính để tối ưu hóa giá trị DN   |   công tác giảng dạy Kinh tế lượng       |
+------------------------------------+------------------------------------------+
  • Sinh viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu ứng dụng, kỹ năng xử lý dữ liệu với SPSS và EViews.
  • Nhà phân tích chứng khoán: Sở hữu các hệ số co giãn thực chứng để xây dựng báo cáo phân tích định giá doanh nghiệp.
  • Cơ quan quản lý thị trường: Có thêm bằng chứng thực nghiệm về mức độ liên thông giữa thị trường tiền tệ và thị trường vốn.

Câu hỏi thường gặp (FAQ)

1. Tại sao nghiên cứu lại chọn biến phụ thuộc là $\ln(\text{Price})$ thay vì giá trị tuyệt đối $\text{Price}$?

Biến đổi Logarit tự nhiên giúp chuyển phân phối lệch của chuỗi giá thành phân phối gần chuẩn, đồng thời ổn định phương sai chuỗi thời gian. Về mặt kinh tế lượng, hệ số góc $\beta_i$ của mô hình bán logarit phản ánh trực tiếp tốc độ thay đổi tương đối (phần trăm) của thị giá khi biến độc lập thay đổi 1 đơn vị.

2. Biện pháp nào đã được sử dụng để loại bỏ triệt để hiện tượng đa cộng tuyến?

Khi đưa đồng thời cả ROA và ROE vào ước lượng ban đầu, hệ số phóng đại phương sai $VIF$ của ROE tăng vọt lên mức $> 12.0$ do bản chất hai chỉ số đều bắt nguồn từ lợi nhuận sau thuế. Nghiên cứu đã loại bỏ biến ROE, giữ lại ROA. Kết quả kiểm định sau xử lý cho thấy toàn bộ $VIF < 3.0$, loại bỏ hoàn toàn rủi ro đa cộng tuyến.

3. Tại sao kiểm định Ramsey RESET lại quan trọng trong nghiên cứu này?

Kiểm định Ramsey RESET giúp xác định xem mô hình có bị bỏ sót các biến số quan trọng hoặc sử dụng sai dạng hàm tuyến tính hay không. Với giá trị $p\text{-value} = 0.324 > 0.05$, nghiên cứu khẳng định mô hình không bị khuyết tật dạng hàm, các biến số được lựa chọn phản ánh đầy đủ quy luật vận động của giá cổ phiếu ACB.

4. Kết quả nghiên cứu có thể áp dụng cho các mã cổ phiếu ngân hàng khác như VCB, CTG, BID không?

Về mặt phương pháp luận, quy trình hoàn toàn có thể tái sử dụng. Tuy nhiên, các trọng số hồi quy ($\beta$) sẽ có sự khác biệt do ACB là ngân hàng thương mại cổ phần tư nhân tập trung mạnh vào mảng bán lẻ, trong khi các ngân hàng nhóm "Big 4" chịu sự chi phối lớn hơn từ các chính sách điều tiết tín dụng chỉ định của Nhà nước.

5. Cần cấu hình hệ thống như thế nào để tái lập toàn bộ mô hình này?

Để chạy lại toàn bộ mô hình và kiểm định:

  • Cài đặt phần mềm EViews 9.0+ hoặc môi trường Python 3.8+ với các thư viện: pandas, numpy, statsmodels, scipy.
  • Bộ dữ liệu đầu vào chuẩn hóa dạng chuỗi thời gian (CSV/Excel) gồm 108 dòng quan sát với 10 biến số tài chính - kinh tế tương ứng.

Kết luận

Công trình nghiên cứu đã hoàn thành toàn diện các mục tiêu đặt ra: hệ thống hóa nền tảng lý luận, xây dựng thành công mô hình định lượng thực nghiệm cho cổ phiếu Ngân hàng TMCP Á Châu (ACB) niêm yết trên HNX giai đoạn 2009 – 2017, và vượt qua toàn bộ các kiểm định khuyết tật kinh tế lượng khắt khe.

Kết quả chỉ ra rằng EPS, Quy mô tài sản, và Cung tiền M2 là những động lực thúc đẩy thị giá mạnh mẽ nhất. Nghiên cứu không chỉ cung cấp cơ sở khoa học vững chắc cho các nhà đầu tư cá nhân và tổ chức trong việc định giá cổ phiếu ngân hàng, mà còn gợi mở định hướng ứng dụng các mô hình chuỗi thời gian hiện đại trong quản trị danh mục tài chính ứng dụng.