Tóm tắt nghiên cứu

Nghiên cứu "Dịch COVID-19 và sự dịch chuyển trong cơ cấu danh mục đầu tư tối ưu trên thị trường chứng khoán Việt Nam: Tiếp cận bằng Machine Learning" tập trung giải quyết câu hỏi trọng tâm: Đại dịch COVID-19 tác động như thế nào đến mối tương quan giữa các nhóm cổ phiếu và làm biến đổi cơ cấu danh mục đầu tư tối ưu trên thị trường chứng khoán (TTCK) Việt Nam? Đồng thời, công trình đánh giá tính hiệu quả vượt trội của các thuật toán Học máy (Machine Learning) so với các mô hình Thống kê nhiều chiều truyền thống.

Về mặt phương pháp luận, nghiên cứu áp dụng các kỹ thuật học máy không giám sát gồm K-means Clustering và Hierarchical Clustering (Phân cụm thứ bậc), kết hợp cùng các phương pháp kiểm định số cụm tối ưu như Elbow và Gap Statistic. Dữ liệu được phân tích trên hai giai đoạn: trước dịch (năm 2019) và giai đoạn bùng phát dịch (Quý I/2020) đối với các cổ phiếu niêm yết, sau đó tích hợp vào mô hình Lý thuyết Danh mục Đầu tư Hiện đại (MPT) của Harry Markowitz để xây dựng đường biên hiệu quả (Efficient Frontier).

Kết quả nghiên cứu chỉ ra rằng cú sốc COVID-19 đã phá vỡ mối tương quan truyền thống giữa các tài sản, gây ra sự tái phân cụm sâu rộng giữa các nhóm ngành. Đường biên hiệu quả trong giai đoạn dịch bị dịch chuyển xuống dưới và sang bên phải, phản ánh rủi ro thị trường gia tăng mạnh trong khi lợi suất kỳ vọng suy giảm. Danh mục tối ưu dịch chuyển tỷ trọng rõ rệt từ các nhóm ngành mang tính chu kỳ (vận tải, du lịch, dầu khí, ngân hàng) sang các nhóm ngành phòng thủ, hưởng lợi (công nghệ, y tế, hàng tiêu dùng thiết yếu). Nghiên cứu mang lại hàm ý thực tiễn quan trọng cho việc tái cân bằng danh mục định lượng trong bối cảnh khủng hoảng.

Bối cảnh và tầm quan trọng

Thực trạng tri thức và bối cảnh thị trường

Trước khi đại dịch COVID-19 bùng phát, kinh tế toàn cầu năm 2019 đã ghi nhận sự tăng trưởng chậm lại do căng thẳng thương mại quốc tế và sự suy giảm trong sản xuất công nghiệp. Tại Việt Nam, thị trường chứng khoán sau gần hai thập kỷ vận hành đã trở thành kênh dẫn vốn trung và dài hạn thiết yếu cho nền kinh tế. Tuy nhiên, sự xuất hiện bất ngờ của virus SARS-CoV-2 vào đầu năm 2020 đã tạo nên một cú sốc ngoại sinh phi kinh tế chưa từng có, đẩy nền kinh tế toàn cầu vào đợt suy thoái nghiêm trọng nhất kể từ cuộc Đại suy thoái 1929 và Khủng hoảng tài chính 2008.

Khoảng trống nghiên cứu (Research Gap)

Phần lớn các công trình nghiên cứu trong nước thời điểm 2020 chủ yếu tiếp cận tác động của đại dịch dưới góc độ kinh tế vĩ mô tổng quát hoặc đánh giá định tính. Các phân tích định lượng chuyên sâu về sự thay đổi cấu trúc tương quan giữa các cổ phiếu vi mô, sự chuyển dịch các cụm tài sản và tác động trực tiếp đến đường biên hiệu quả danh mục còn rất khan hiếm. Đặc biệt, việc ứng dụng các thuật toán Khoa học Dữ liệu và Trí tuệ Nhân tạo (Machine Learning) trong phân tích danh mục tài chính tại thị trường mới nổi như Việt Nam vẫn là một hướng đi mới chưa được khai thác toàn diện.

Tính thời sự và tác động tiềm năng

TTCK Việt Nam (thể hiện qua VN-Index và VN30) đã liên tục chứng kiến các phiên giảm sàn kỷ lục trong Quý I/2020 do tâm lý hoảng loạn bán tháo. Việc xác định lại danh mục đầu tư tối ưu không chỉ giúp hạn chế hiệu ứng lây lan tài chính (contagion effect) mà còn cung cấp nền tảng định lượng khách quan giúp các quỹ đầu tư, nhà đầu tư cá nhân và các cơ quan điều hành thị trường nhận diện chính xác mức độ tổn thương và khả năng phục hồi của từng ngành kinh tế.

Methodology và approach

Nghiên cứu được thiết kế theo quy trình định lượng đa tầng, tích hợp giữa phân tích thống kê kinh tế lượng, học máy không giám sát và lý thuyết tối ưu hóa tài chính hiện đại.

1. Thu thập và tiền xử lý dữ liệu

  • Phạm vi dữ liệu: Dữ liệu chuỗi thời gian giá đóng cửa điều chỉnh hàng ngày của các cổ phiếu niêm yết đại diện trên hai sàn HOSE và HNX, phân bổ theo các phân ngành kinh tế chính.
  • Biến số phân tích: Lợi suất logarit hàng ngày/tháng ($r_i$), phương sai lợi suất ($\sigma_i^2$), và hệ số rủi ro hệ thống Beta ($\beta$) phản ánh mức độ nhạy cảm của cổ phiếu so với biến động của chỉ số thị trường chung (VN-Index).
  • Phân kỳ dữ liệu: So sánh hai giai đoạn tách biệt:
    • Giai đoạn trước dịch: Năm 2019 (giai đoạn thị trường vận hành bình thường).
    • Giai đoạn bùng phát dịch: Quý I/2020 (thời điểm hứng chịu cú sốc dịch bệnh và cách ly xã hội).

2. Kỹ thuật phân tích và thuật toán

Nghiên cứu sử dụng hai cách tiếp cận song song nhằm mục đích đối chứng:

  • Tiếp cận Machine Learning (Học máy không giám sát):
    • K-means Clustering: Tối thiểu hóa tổng bình phương khoảng cách nội cụm (Within-Cluster Sum of Squares - WCSS) để nhóm các cổ phiếu có đặc tính rủi ro - lợi nhuận tương đồng.
    • Agglomerative Hierarchical Clustering: Phân cụm thứ bậc tích tụ với các liên kết (Complete linkage, Single linkage, Average linkage) và thể hiện qua biểu đồ Dendrogram.
    • Xác định cụm tối ưu: Kết hợp phương pháp điểm uốn Elbow và thống kê Gap Statistic để triệt tiêu tính chủ quan khi chọn số cụm $k$.
  • Tiếp cận Thống kê nhiều chiều: Phân tích ma trận khoảng cách Euclidean và phương sai nhiều chiều nhằm kiểm chứng độ tương đồng và tính ổn định của các nhóm phân loại.

3. Tối ưu hóa danh mục đầu tư (Markowitz Framework)

Dựa trên kết quả phân cụm, bài toán tối ưu hóa trung bình - phương sai (Mean-Variance Optimization) được thiết lập:

$$\min \sigma_p^2 = \sum_{i=1}^n \sum_{j=1}^n w_i w_j \sigma_{ij}$$

$$\text{thỏa mãn: } E(r_p) = \sum_{i=1}^n w_i E(r_i) \quad \text{và} \quad \sum_{i=1}^n w_i = 1, \quad w_i \ge 0$$

Từ đó, xác lập đường biên hiệu quả (Efficient Frontier) để so sánh tỷ suất sinh lời tối ưu ứng với từng mức độ rủi ro trước và trong dịch.

Phát hiện chính

Nghiên cứu đã đưa ra 4 phát hiện quan trọng có ý nghĩa thực nghiệm sâu sắc về cấu trúc vi mô của thị trường chứng khoán:

1. Hiện tượng tái cấu trúc và phân rã cụm cổ phiếu (Cluster Migration)

Kết quả phân tích cụm cho thấy tính liên kết cổ phiếu bị biến động mạnh mẽ:

  • Trước dịch (2019), các cổ phiếu có xu hướng tập trung theo nhóm ngành truyền thống với độ tương quan nội ngành cao.
  • Trong dịch (Quý I/2020), hiện tượng phân rã cụm diễn ra trên diện rộng. Các cổ phiếu trong cùng một ngành không còn duy trì sự đồng vận động; thay vào đó, chúng dịch chuyển sang các cụm mới dựa trên "sức khỏe tài chính", khả năng duy trì dòng tiền và mức độ phơi nhiễm rủi ro đối với chính sách giãn cách xã hội.

2. Sự phân hóa sâu sắc giữa các nhóm ngành kinh tế

  • Nhóm chịu tác động tiêu cực nghiêm trọng:
    • Du lịch và Vận tải/Hàng không: Lợi suất giảm sâu nhất thị trường, hệ số Beta tăng cao do các lệnh đóng cửa biên giới và hạn chế di chuyển.
    • Dầu khí: Chịu cú sốc kép từ sự sụt giảm nhu cầu đi lại toàn cầu và cuộc chiến giá dầu giữa OPEC và Nga.
    • Tài chính - Ngân hàng: Lợi suất suy giảm do gia tăng áp lực nợ xấu và hạ lãi suất hỗ trợ nền kinh tế.
  • Nhóm duy trì tính chống chịu và hưởng lợi:
    • Công nghệ thông tin: Hưởng lợi trực tiếp từ làn sóng chuyển đổi số và xu hướng làm việc từ xa (Work From Home).
    • Dược phẩm - Thiết bị y tế: Gia tăng doanh thu đột biến từ nhu cầu phòng chống dịch và nâng cao sức đề kháng.
    • Bán lẻ & Tiêu dùng thiết yếu: Nhu cầu tích trữ hàng hóa thiết yếu của người dân duy trì dòng tiền ổn định cho doanh nghiệp.

3. Sự suy thoái và biến dạng của Đường biên hiệu quả (Efficient Frontier)

  • Đường cong biên hiệu quả trong giai đoạn dịch bị kéo lệch xuống dưới và sang phải so với năm 2019. Điều này chứng minh rằng: tại cùng một mức độ rủi ro (độ lệch chuẩn $\sigma$), tỷ suất sinh lời kỳ vọng $E(r)$ của toàn bộ thị trường đều bị sụt giảm nghiêm trọng.
  • Danh mục tối ưu theo Markowitz trong dịch loại bỏ phần lớn tỷ trọng của các cổ phiếu chu kỳ, thay thế bằng tỷ trọng áp đảo của các cổ phiếu phòng thủ thuộc nhóm Y tế, Công nghệ và Tiêu dùng.
Đặc điểm danh mục Giai đoạn trước dịch (2019) Giai đoạn trong dịch (Q1/2020)
Vị trí Đường biên hiệu quả Nằm phía trên, độ dốc lớn Dịch chuyển xuống dưới & sang phải
Tỷ trọng ngành chủ đạo Ngân hàng, Bất động sản, Sản xuất Y tế, Công nghệ thông tin, Bán lẻ thiết yếu
Hệ số Sharpe danh mục tối ưu Cao, cân bằng giữa tăng trưởng và rủi ro Giảm mạnh, ưu tiên giảm thiểu phương sai rủi ro
Mức độ tương quan tài sản Ổn định theo chu kỳ kinh tế Biến động mạnh, xuất hiện hiệu ứng phân cụm mới

4. Hiệu quả phân nhóm vượt trội của phương pháp Machine Learning

So sánh thực nghiệm giữa Machine Learning (K-means, Hierarchical Clustering) và Thống kê nhiều chiều khẳng định: các thuật toán Machine Learning phát hiện các cấu trúc phi tuyến tính và các điểm dị biệt (anomalies) trong dữ liệu chuỗi thời gian tài chính nhạy bén hơn, cho phép phân nhóm chính xác và linh hoạt hơn khi thị trường rơi vào trạng thái khủng hoảng đột ngột.

Đóng góp khoa học

1. Đóng góp về mặt lý luận học thuật

Nghiên cứu cung cấp bằng chứng thực nghiệm giá trị bổ sung cho Lý thuyết Danh mục Đầu tư Hiện đại (Modern Portfolio Theory) trong điều kiện thị trường chịu cú sốc ngoại sinh phi kinh tế. Kết quả nghiên cứu củng cố giả thuyết wake-up call (Goldstein, 1998; Bekaert et al., 2011), chứng minh rằng trong khủng hoảng, nhà đầu tư tái định giá tài sản dựa trên đặc thù nội tại và khả năng thích ứng của doanh nghiệp hơn là phản ứng đồng loạt theo nhóm ngành chung.

2. Đổi mới về phương pháp luận (Methodological Innovations)

Đề tài là một trong những công trình tiên phong tại Việt Nam tích hợp quy trình hai bước: Sử dụng Machine Learning để phân cụm tài sản không giám sát -> Tích hợp cụm vào bài toán tối ưu hóa Mean-Variance của Markowitz. Cách tiếp cận này giúp giảm thiểu số chiều dữ liệu, loại trừ hiện tượng nhiễu ma trận hiệp phương sai khi số lượng cổ phiếu lớn, khắc phục nhược điểm lớn nhất của mô hình Markowitz cổ điển.

3. Giá trị ứng dụng thực tiễn và chính sách

  • Đối với quản lý danh mục: Thiết lập khung phân tích định lượng giúp các nhà quản lý quỹ chủ động tái cấu trúc tài sản, phòng ngừa rủi ro đuôi (tail risk) và tối ưu hóa hiệu quả phân bổ vốn.
  • Đối với cơ quan quản lý (UBCKNN, Ngân hàng Nhà nước): Cung cấp cơ sở dữ liệu để nhận diện các mắt xích dễ bị tổn thương nhất trên thị trường tài chính, từ đó ban hành các gói tín dụng hỗ trợ có mục tiêu và thiết lập các biện pháp ổn định thị trường kịp thời (như điều chỉnh biên độ dao động, kiểm soát giao dịch ký quỹ).

Đối tượng quan tâm

Báo cáo nghiên cứu mang lại giá trị chuyên môn cao cho 4 nhóm đối tượng chính:

  1. Các nhà nghiên cứu và Giảng viên Tài chính - Định lượng:
    • Khai thác phương pháp luận kết hợp giữa Machine Learning và Kinh tế lượng tài chính để phát triển các mô hình dự báo và định giá tài sản tiên tiến.
  2. Nhà quản lý quỹ, Chuyên viên phân tích dữ liệu tài chính (Quant Analyst):
    • Ứng dụng thuật toán phân cụm K-means và Hierarchical Clustering trong việc tự động hóa quá trình sàng lọc cổ phiếu và xây dựng danh mục đầu tư phòng thủ khi xuất hiện các biến cố thiên nga đen (Black Swan).
  3. Cơ quan quản lý nhà nước và Nhà hoạch định chính sách:
    • Sử dụng mô hình để đánh giá mức độ lan truyền rủi ro hệ thống, đo lường tác động của chính sách vĩ mô lên từng phân ngành trên TTCK.
  4. Cộng đồng nhà đầu tư cá nhân:
    • Nâng cao nhận thức về quản trị rủi ro danh mục, thay đổi tư duy đầu tư đơn lẻ sang đầu tư theo cấu trúc danh mục tối ưu, hạn chế tâm lý bầy đàn (herd behavior).

FAQ (Câu hỏi thường gặp)

1. Phát hiện quan trọng nhất của nghiên cứu là gì?

Đại dịch COVID-19 làm đứt gãy mối tương quan ngành truyền thống, khiến đường biên hiệu quả dịch chuyển tiêu cực. Danh mục tối ưu bắt buộc phải chuyển dịch tỷ trọng từ các ngành nhạy cảm chu kỳ sang các nhóm ngành phòng thủ (Công nghệ, Y tế, Tiêu dùng thiết yếu) để giảm thiểu tổn thất.

2. Phương pháp tiếp cận Machine Learning có gì vượt trội so với Thống kê nhiều chiều?

Machine Learning (K-means và Hierarchical Clustering) có khả năng tự động học cấu trúc dữ liệu, xử lý xuất sắc các mối quan hệ phi tuyến và dữ liệu tài chính đa chiều phức tạp mà không bị gò bó bởi các giả định phân phối chuẩn khắt khe như phương pháp thống kê truyền thống.

3. Kết quả nghiên cứu có thể tổng quát hóa (generalize) cho các cuộc khủng hoảng khác không?

Hoàn toàn có thể. Quy trình phân cụm học máy kết hợp tối ưu hóa Markowitz là một framework chuẩn mực, có thể áp dụng hiệu quả cho bất kỳ cuộc khủng hoảng địa chính trị, suy thoái kinh tế hay cú sốc tài chính nào trong tương lai nhằm tái cân bằng danh mục tài sản.

4. Hướng mở rộng tiếp theo của nghiên cứu này là gì?

Các nghiên cứu tiếp theo có thể mở rộng ứng dụng các mô hình Học sâu (Deep Learning, LSTM) để dự báo lợi suất chuỗi thời gian, tích hợp thuật toán Tối ưu hóa Thứ bậc Rủi ro (Hierarchical Risk Parity - HRP) và đánh giá dữ liệu trên chu kỳ toàn diện bao gồm cả giai đoạn phục hồi kinh tế hậu đại dịch.

5. Nhà đầu tư thực tế có thể ứng dụng kết quả này như thế nào?

Nhà đầu tư có thể áp dụng thuật toán phân cụm để sàng lọc các tài sản có tương quan thấp, từ đó đa dạng hóa danh mục thực chất thay vì chỉ đa dạng hóa hình thức theo tên ngành, giúp danh mục đạt tỷ suất sinh lời tối ưu trên mỗi đơn vị rủi ro chịu đựng.

Kết luận

Nghiên cứu "Dịch COVID-19 và sự dịch chuyển trong cơ cấu danh mục đầu tư tối ưu trên thị trường chứng khoán Việt Nam: Tiếp cận bằng Machine Learning" là công trình khoa học công phu, kết hợp nhuần nhuyễn giữa lý thuyết tài chính kinh điển và kỹ thuật Trí tuệ Nhân tạo hiện đại. Bằng việc chứng minh sự dịch chuyển sâu sắc của đường biên hiệu quả và cấu trúc cụm cổ phiếu dưới tác động của đại dịch, công trình đã khẳng định vai trò sống còn của việc ứng dụng Khoa học Dữ liệu trong quản trị rủi ro tài chính. Đây là tài liệu tham khảo đắt giá mở ra tiền đề cho các nghiên cứu chuyên sâu về FinTech, Định lượng tài chính và Quản lý danh mục đầu tư hiện đại tại Việt Nam.