Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam đã trải qua hơn hai thập kỷ hình thành và phát triển, khẳng định vai trò là kênh dẫn vốn trung và dài hạn thiết yếu cho nền kinh tế. Tính đến cuối năm 2023, quy mô vốn hóa toàn thị trường đạt xấp xỉ 6 triệu tỷ đồng (tăng gần 30 tỷ USD so với năm trước), tương đương hơn 60% GDP. Theo số liệu từ Tổng công ty Lưu ký và Bù trừ Chứng khoán Việt Nam (VSDC), tính đến ngày 30/09/2023, số lượng tài khoản giao dịch đạt hơn 7,76 triệu tài khoản, trong đó nhà đầu tư (NĐT) cá nhân chiếm tỷ trọng áp đảo 99,2%.

Cơ cấu thị trường tập trung vào NĐT cá nhân dẫn đến mức độ bất đối xứng thông tin cao và sự chi phối mạnh mẽ của các yếu tố tâm lý học hành vi. Giai đoạn 2018–2023 chứng kiến nhiều cú sốc biến động cực đoan: chỉ số VN-Index sụt giảm 15% năm 2018 do chiến tranh thương mại Mỹ - Trung, giảm sâu 33,4% vào tháng 3/2020 do đại dịch COVID-19, bùng nổ tăng 35,7% lập đỉnh lịch sử năm 2021, và điều chỉnh mạnh 31% năm 2022 trước làn sóng thắt chặt tiền tệ của Cục Dự trữ Liên bang Hoa Kỳ (FED). Đi kèm với đó là hiện tượng tăng giá phi lý rồi sụp đổ dây chuyền của nhiều nhóm cổ phiếu đầu cơ (điển hình như mã TGG tăng 1.481% trong năm 2021 trước khi giảm 80% trong năm 2022; FLC đạt mức định giá P/E lên tới 99,17 rồi rơi tự do; mã ATA biến động tăng/giảm trên 70%).

[Mô hình CAPM / Giả thuyết thị trường hiệu quả (EMH)]
             (Bị vi phạm bởi tâm lý hành vi)

Vấn đề cốt lõi (Problem Statement) nằm ở việc thiếu hụt các mô hình định lượng chuẩn xác nhằm phát hiện, đo lường và dự báo tác động phi tuyến của hành vi đám đông (Herd Behavior) theo từng trạng thái thị trường và phân lớp vốn hóa. Đề tài khóa luận tập trung giải quyết các mục tiêu nghiên cứu cụ thể:

  1. Xác định sự tồn tại và cường độ của hành vi đám đông trên toàn bộ rổ cổ phiếu niêm yết tại Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) giai đoạn 2018–2023.
  2. Kiểm định tính bất đối xứng của hiệu ứng đám đông dưới các điều kiện thị trường phân hóa: thị trường tăng điểm (Up-market) so với giảm điểm (Down-market), thị trường thanh khoản cao (High-volume) so với thanh khoản thấp (Low-volume).
  3. Đánh giá chuyên sâu mức độ phân tán lợi suất trên các danh mục phân nhóm theo quy mô vốn hóa (Large-cap, Mid-cap, Small-cap) kết hợp tỷ số giá trị sổ sách trên giá thị trường (BTM).
  4. Xây dựng hàm ý chính sách và chiến lược giao dịch định lượng giúp NĐT và cơ quan quản lý giảm thiểu rủi ro hệ thống.

Phạm vi nghiên cứu bao quát 353 mã cổ phiếu niêm yết trên sàn HOSE với 1.498 phiên giao dịch hàng ngày liên tục từ ngày 02/01/2018 đến 29/12/2023, loại trừ các ngày nghỉ lễ và cổ phiếu không đủ dữ liệu thanh khoản tối thiểu.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Lý thuyết thị trường hiệu quả (EMH) của Fama giả định NĐT luôn duy trì tính duy lý hoàn hảo. Tuy nhiên, thực nghiệm tại các thị trường mới nổi chỉ ra hàng loạt sai lệch nhận thức (Cognitive Biases) và sai lệch cảm xúc (Emotional Biases). Các mô hình định lượng đo lường hành vi đám đông truyền thống đã bộc lộ những ưu nhược điểm riêng khi áp dụng vào dữ liệu chuỗi thời gian tài chính:

Mô hình đo lường Tác giả & Năm Bản chất phương pháp Ưu điểm Nhược điểm / Khoảng trống
CSSD (Cross-Sectional Standard Deviation) Christie & Huang (1995) Đo lường độ lệch chuẩn ngang của lợi suất cổ phiếu xung quanh lợi suất thị trường Đơn giản, trực quan, dễ tính toán trên mẫu nhỏ Giả định mối quan hệ tuyến tính nghiêm ngặt; dễ bị nhiễu bởi các giá trị ngoại lai (outliers)
CSAD (Cross-Sectional Absolute Deviation) Chang, Cheng & Khorana (2000) Sử dụng độ lệch tuyệt đối bình quân kết hợp phương trình hồi quy phi tuyến bậc hai Bắt trọn tính phi tuyến; kiểm định chính xác sự thu hẹp độ phân tán trong điều kiện cực đoan Yêu cầu cỡ mẫu chuỗi thời gian lớn; cần kiểm soát hiện tượng tự tương quan và phương sai thay đổi
LSV Measure Lakonishok, Shleifer & Vishny (1992) Dựa trên tỷ lệ mua ròng/bán ròng của các quỹ đầu tư tổ chức Phản ánh trực tiếp lệnh giao dịch thực tế của nhóm NĐT lớn Không đo lường được dòng tiền của NĐT cá nhân; khó tiếp cận dữ liệu danh mục nội bộ tại Việt Nam
State-Space Model Hwang & Salmon (2004) Đo lường độ phân tán hệ số Beta thông qua bộ lọc Kalman Filter Đánh giá được sự dịch chuyển hành vi theo từng thời điểm liên tục Độ phức tạp tính toán cao; nhạy cảm với các giả định ban đầu về phân phối sai số

Bảng ma trận ưu tiên yêu cầu kỹ thuật (MoSCoW Matrix):

  • Must have: Xử lý chuỗi log-return chuẩn hóa; thuật toán tính toán CSAD phi tuyến; kiểm định đa cộng tuyến (VIF), tự tương quan (Durbin-Watson) và phương sai sai số thay đổi (White test).
  • Should have: Tách mẫu tự động theo điều kiện bất đối xứng (Bull/Bear regimes dựa trên $R_{m,t} > 0$ và $R_{m,t} < 0$; Phân vị khối lượng MA30).
  • Could have: Phân rã danh mục 3 tầng theo vốn hóa HOSE (VN30, VNMidcap, VNSmallcap).
  • Won't have: Mô phỏng giao dịch cao tần (High-Frequency Trading) cấp độ micro-second.

Thiết kế hệ thống

Hệ thống xử lý và phân tích định lượng được thiết kế theo kiến trúc đường ống xử lý dữ liệu (Data Pipeline Architecture) chuẩn hóa:

Technology Stack triển khai:

  • Ngôn ngữ lập trình: Python v3.10.12 (Xử lý dữ liệu lớn và thuật toán tối ưu hóa).
  • Thư viện tính toán & Khoa học dữ liệu: Pandas v2.1.4, NumPy v1.26.2, SciPy v1.11.4.
  • Thư viện Kinh tế lượng: Statsmodels v0.14.1 (Hồi quy OLS, Newey-West HAC standard errors).
  • Môi trường phân tích đối chứng: IBM SPSS Statistics v28.0 (Kiểm định chéo tính đồng nhất).
  • Cơ sở dữ liệu cấu trúc: SQLite v3.42 / Parquet columnar files (Lưu trữ chuỗi giá OHLCV).

Methodology

Phương pháp luận nghiên cứu tuân thủ quy trình kiểm định kinh tế lượng tài chính thực nghiệm:

  • Quản trị rủi ro mô hình: Xử lý hiện tượng tự tương quan (Autocorrelation) và phương sai sai số thay đổi (Heteroskedasticity) thông qua ma trận hiệp phương sai nhất quán Newey-West (HAC) với độ trễ tối ưu $q = 4(T/100)^{2/9}$.

Implementation và kết quả

Development process

Quá trình triển khai giải thuật bao gồm 3 bước toán học cốt lõi:

1. Tính toán tỷ suất sinh lợi chuẩn hóa: $$R_{i,t} = 100 \times \left(\log_{10}(P_{i,t}) - \log_{10}(P_{i,t-1})\right)$$ $$R_{m,t} = \frac{1}{N}\sum_{i=1}^{N} R_{i,t}$$

2. Xác định độ lệch tuyệt đối ngang (CSAD): $$CSAD_t = \frac{1}{N}\sum_{i=1}^{N} |R_{i,t} - R_{m,t}|$$

3. Mô hình hồi quy phi tuyến CCK (2000): $$CSAD_t = \alpha + \beta_1 |R_{m,t}| + \beta_2 (R_{m,t})^2 + \varepsilon_t$$ Nguyên lý: Theo mô hình CAPM, khi biến động thị trường $|R_{m,t}|$ tăng, độ phân tán $CSAD_t$ phải tăng tuyến tính ($\beta_1 > 0$). Nếu có hành vi đám đông, các NĐT sẽ từ bỏ định giá cá nhân để giao dịch theo chỉ số chung, khiến độ phân tán thu hẹp lại khi thị trường biến động mạnh, dẫn đến hệ số góc bậc hai $\beta_2 < 0$ và có ý nghĩa thống kê ($p < 0.05$).

Đoạn mã nguồn Python tối ưu hóa việc trích xuất và ước lượng hồi quy:

import numpy as np
import pandas as pd
import statsmodels.api as sm
import statsmodels.formula.api as smf

def calculate_csad_and_estimate(price_df: pd.DataFrame):
    """
    Tính toán CSAD và hồi quy mô hình Chang, Cheng & Khorana (2000)
    price_df: DataFrame chứa giá đóng cửa với index là Ngày, columns là các mã CP
    """
    # 1. Tính log-return theo phần trăm
    returns = 100 * (np.log10(price_df) - np.log10(price_df.shift(1))).dropna()
    
    # 2. Lợi suất danh mục thị trường bình quân (Equal-weighted)
    rm = returns.mean(axis=1)
    
    # 3. Tính CSAD hàng ngày
    csad = returns.sub(rm, axis=0).abs().mean(axis=1)
    
    # 4. Xây dựng tập biến độc lập
    df_reg = pd.DataFrame({
        'CSAD': csad,
        'Rm_abs': rm.abs(),
        'Rm_sq': rm ** 2,
        'Rm': rm
    }).dropna()
    
    # 5. Hồi quy OLS toàn mẫu với Newey-West HAC Standard Errors
    formula_base = 'CSAD ~ Rm_abs + Rm_sq'
    model_base = smf.ols(formula=formula_base, data=df_reg).fit(
        cov_type='HAC', cov_kwds={'maxlags': 5}
    )
    
    # 6. Hồi quy bất đối xứng (Up-market vs Down-market)
    df_up = df_reg[df_reg['Rm'] > 0]
    df_down = df_reg[df_reg['Rm'] < 0]
    
    model_up = smf.ols('CSAD ~ Rm_abs + Rm_sq', data=df_up).fit(cov_type='HAC', cov_kwds={'maxlags': 5})
    model_down = smf.ols('CSAD ~ Rm_abs + Rm_sq', data=df_down).fit(cov_type='HAC', cov_kwds={'maxlags': 5})
    
    return {
        'full_model': model_base,
        'up_model': model_up,
        'down_model': model_down,
        'summary_stats': df_reg.describe()
    }

Testing và validation

Tập dữ liệu 1.498 quan sát được phân đoạn để kiểm định tính vững của mô hình:

Phân lớp mẫu dữ liệu Số lượng quan sát ($N$) Mean Lợi suất ($R_m$) Std Dev Lợi suất Min ($R_m$) Max ($R_m$)
Toàn bộ thị trường 1.498 +0,0412% 1,1892% -6,6700% +4,9800%
Thị trường tăng điểm ($R_m > 0$) 651 +0,7934% 0,7513% +0,0010% +4,9800%
Thị trường giảm điểm ($R_m < 0$) 846 -0,9926% 1,0214% -6,6700% -0,0010%
Thanh khoản cao ($Vol > MA30$) 727 -0,0691% 1,4172% -6,6700% +4,9800%
Thanh khoản thấp ($Vol \le MA30$) 742 +0,0504% 1,0125% -4,1200% +3,4500%

Kết quả đạt được

Kết quả ước lượng các phương trình hồi quy chỉ ra các phát hiện cốt lõi:

  1. Hiệu ứng đám đông tổng thể: Trên toàn bộ mẫu 1.498 phiên, hệ số $\beta_1$ mang giá trị dương có ý nghĩa thống kê ở mức 1% ($p < 0,001$). Hệ số $\beta_2$ đạt giá trị âm nhẹ nhưng không có ý nghĩa thống kê ở mức 5%, cho thấy khi quan sát dàn trải toàn thị trường trong dài hạn, hành vi đám đông bị làm phẳng bởi các giai đoạn tái cân bằng của NĐT tổ chức.
  2. Bất đối xứng theo xu hướng giá (Up/Down Regimes):
    • Trong thị trường tăng điểm ($R_m > 0$), hệ số $\gamma_2^{up}$ mang giá trị âm đáng kể ($\gamma_2^{up} = -0,0418$; $p = 0,012 < 0,05$). Điều này xác nhận hành vi đám đông bộc lộ rõ nét khi thị trường hưng phấn, dòng tiền F0 đổ vào ồ ạt kích hoạt tâm lý FOMO.
    • Trong thị trường giảm điểm ($R_m < 0$), hệ số $\gamma_2^{down}$ không mang giá trị âm có ý nghĩa thống kê trên toàn rổ chỉ số chung.
  3. Phân hóa theo quy mô vốn hóa:
    • Nhóm Vốn hóa lớn (Large-cap / VN30): Không xuất hiện hành vi đám đông rõ rệt; độ phân tán $CSAD$ duy trì tuyến tính theo biến động thị trường.
    • Nhóm Vốn hóa nhỏ & Cổ phiếu tăng trưởng (Small-cap / Penny): Trong các đợt sụt giảm thị trường (Down-market), hệ số $\beta_2$ của nhóm Small-cap đạt giá trị âm sâu ($\beta_2 = -0,0874$; $p < 0,01$). NĐT nhỏ lẻ có xu hướng tháo chạy đồng loạt khỏi các tài sản thanh khoản kém và đầu cơ cao để tìm kiếm sự an toàn (Flight-to-safety).
  4. Tác động của thanh khoản: Hiện tượng herding xuất hiện đậm nét hơn vào các giai đoạn thanh khoản thị trường suy giảm dưới mức trung bình động 30 ngày (Low-volume periods), phù hợp với lý thuyết về chất lượng thông tin của Suominen (2001).

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp học thuật và thực tiễn mang tính hệ thống:

So sánh với các nghiên cứu tiền nhiệm tại thị trường Việt Nam:

  • So với Trần & Trương (2011) (giai đoạn 2002–2007, không tìm thấy hiệu ứng bất đối xứng): Khóa luận đã chứng minh rõ tính bất đối xứng trong cấu trúc thị trường hiện đại khi tỷ lệ NĐT cá nhân đạt đỉnh.
  • So với Võ & Phan (2017) (giai đoạn 2005–2015): Nghiên cứu đào sâu phân lớp hành vi theo từng nhóm vốn hóa cụ thể (Small-cap vs Large-cap) thay vì chỉ xem xét rổ VN-Index tổng hợp, lấp đầy khoảng trống dữ liệu thực nghiệm về mối liên hệ giữa quy mô doanh nghiệp và thiên kiến bầy đàn.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Real-World Use Cases)

  1. Quỹ đầu tư định lượng (Quant Funds): Tích hợp chỉ số $CSAD_t$ thời gian thực làm tín hiệu lọc nhiễu (Regime-switching Filter). Khi hệ số phi tuyến $\beta_2$ tiệm cận vùng âm cực đại trong xu hướng tăng, thuật toán kích hoạt chiến lược chốt lời từng phần (De-risking) nhằm phòng ngừa rủi ro đảo chiều đột ngột.
  2. Công ty chứng khoán (Quản trị rủi ro Margin): Tự động điều chỉnh tỷ lệ cho vay ký quỹ đối với nhóm cổ phiếu Small-cap khi thanh khoản sụt giảm và độ biến động thị trường tăng cao, ngăn ngừa hiện tượng "Call Margin chéo" dây chuyền.
  3. Cơ quan quản lý thị trường (UBCKNN & HOSE): Sử dụng mô hình CSAD như một công cụ cảnh báo sớm (Early Warning System) để giám sát các giao dịch bất thường, thao túng giá và phát tán tin đồn thất thiệt trên các hội nhóm mạng xã hội.

Lộ trình triển khai hệ thống giám sát định lượng

     • Kết nối API HOSE             • Engine tính CSAD tự động          • Cảnh báo sớm bong bóng
     • Xử lý Outliers               • Kiểm định Newey-West             • Báo cáo Risk Exposure
  • Phân tích Chi phí - Lợi ích (Cost-Benefit): Với chi phí hạ tầng điện toán đám mây tối thiểu (~500 USD/tháng cho cụm máy chủ xử lý dữ liệu), việc ngăn ngừa một đợt giải chấp cưỡng bức hoặc giảm thiểu 5% tổn thất danh mục trong các đợt sụp đổ thanh khoản mang lại giá trị hoàn vốn (ROI) vượt trội cho các định chế tài chính quản lý quy mô tài sản hàng nghìn tỷ đồng.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Nghiên cứu sử dụng dữ liệu giá đóng cửa theo ngày (End-of-day), chưa bao quát được các hành vi đám đông diễn ra trong phiên (Intraday Herding) hoặc cấp độ sổ lệnh (Order-book Level). Hiện tượng thiên lệch sống sót (Survivorship bias) có thể tồn tại nhẹ do loại bỏ các mã bị hủy niêm yết trong kỳ.
  • Hướng phát triển:
    • Ứng dụng mô hình mạng nơ-ron hồi quy (LSTM/GRU) và mô hình Biến đổi trạng thái Markov (Markov Switching Models) để dự báo điểm gãy cấu trúc (Structural Breaks) của tâm lý đám đông.
    • Tích hợp kỹ thuật Xử lý ngôn ngữ tự nhiên (NLP) phân tích cảm xúc (Sentiment Analysis) từ dữ liệu mạng xã hội (Facebook, Telegram, diễn đàn chứng khoán) nhằm định lượng hóa trực tiếp biến số tâm lý.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp khung nghiên cứu mẫu mực về việc ứng dụng lý thuyết tài chính hành vi kết hợp kỹ thuật lập trình kinh tế lượng định lượng trên thị trường thực tế.
  • Lập trình viên & Quant Traders: Khai thác mã nguồn thuật toán tính toán CSAD, mô hình hồi quy đa biến và kiểm soát sai số chuẩn vững Newey-West.
  • Nhà đầu tư cá nhân: Nhận thức rõ ràng các bẫy tâm lý (FOMO, bán tháo theo tin đồn) để thiết lập kỷ luật đầu tư dựa trên phân tích cơ bản và quản trị rủi ro danh mục.
  • Cơ quan quản lý nhà nước: Cơ sở lý luận khoa học phục vụ công tác hoàn thiện khung pháp lý, nâng cao tính minh bạch và chuẩn hóa quy chế công bố thông tin trên TTCK Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để vận hành mô hình phân tích CSAD là gì?

Hệ thống yêu cầu môi trường máy chủ chạy hệ điều hành Linux/Windows, cài đặt Python 3.9 trở lên, tối thiểu 8GB RAM để xử lý mảng ma trận lợi suất của hơn 350 cổ phiếu trong 1.500 phiên giao dịch, cùng các thư viện chuyên dụng như Pandas, NumPy và Statsmodels.

2. Mô hình CSAD có thể áp dụng cho các lớp tài sản khác như Crypto hay Bất động sản không?

Hoàn toàn khả thi. Mô hình CSAD của Chang et al. (2000) có tính tổng quát cao cho mọi thị trường có dữ liệu chuỗi thời gian về giá đóng cửa và danh mục thị trường đại diện. Trên thị trường Crypto, mô hình đã được nhiều nghiên cứu quốc tế chứng minh là công cụ phát hiện tâm lý bầy đàn cực kỳ hiệu quả.

3. Vì sao hệ số bậc hai âm ($\beta_2 < 0$) lại biểu thị sự hiện diện của hành vi đám đông?

Trong điều kiện thông thường, khi thị trường biến động mạnh, mức độ phân tán lợi suất ($CSAD$) giữa các cổ phiếu phải tăng lên do độ nhạy rủi ro khác nhau ($\beta_1 > 0$). Khi NĐT phớt lờ thông tin riêng lẻ để chạy theo đám đông, giá các cổ phiếu sẽ di chuyển cùng một hướng với tốc độ tương đương, kéo độ phân tán co hẹp lại, tạo ra đường cong hồi quy có độ cong lõm xuống ($\beta_2 < 0$).

4. NĐT cá nhân có thể tự bảo vệ mình trước hiệu ứng đám đông bằng cách nào?

NĐT cần tuân thủ chiến lược đa dạng hóa danh mục theo phân bổ tài sản chiến lược, xác định trước ngưỡng cắt lỗ/chốt lời độc lập với tin đồn thị trường, và ưu tiên phân tích các chỉ số tài chính cơ bản (P/E, ROE, EPS, dòng tiền tự do) thay vì mua đuổi theo khối lượng giao dịch đột biến.

5. Chi phí triển khai hệ thống cảnh báo sớm dựa trên mô hình này là bao nhiêu?

Chi phí phụ thuộc chủ yếu vào nguồn cấp dữ liệu (Data Feed). Nếu sử dụng dữ liệu EOD chuẩn hóa từ các nhà cung cấp nội địa, chi phí dao động từ 10–30 triệu VND/năm, hoàn toàn tối ưu cho các công ty chứng khoán vừa và nhỏ hoặc nhóm nghiên cứu độc lập.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc việc xây dựng cơ sở lý thuyết và kiểm định thực nghiệm toàn diện về tác động của hành vi đám đông đối với thị trường chứng khoán Việt Nam giai đoạn 2018–2023. Bằng việc ứng dụng mô hình phi tuyến $CSAD$, nghiên cứu đã chứng minh thực nghiệm rằng: tâm lý bầy đàn tại Việt Nam mang tính bất đối xứng sâu sắc, bộc lộ mạnh mẽ nhất trong các giai đoạn thị trường tăng trưởng hưng phấn và tập trung áp đảo ở nhóm cổ phiếu vốn hóa nhỏ (Small-cap) khi thanh khoản suy giảm.

Những phát hiện này không chỉ bổ sung bằng chứng thực nghiệm quan trọng vào kho tàng nghiên cứu tài chính hành vi tại các nền kinh tế mới nổi, mà còn cung cấp nền tảng định lượng vững chắc giúp NĐT tối ưu hóa danh mục và hỗ trợ cơ quan quản lý điều hành thị trường minh bạch, ổn định và bền vững.