Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh nền kinh tế toàn cầu liên tục đối mặt với những biến động phức tạp từ các cuộc xung đột quân sự, khủng bố, căng thẳng thương mại và bất ổn kinh tế (tiêu biểu như xung đột giữa Hoa Kỳ và Triều Tiên, tranh chấp thương mại Hoa Kỳ - Trung Quốc, đại dịch COVID-19, hay sự kiện đánh tụt hạng tín nhiệm của Thổ Nhĩ Kỳ), mức độ bất định trong chính sách kinh tế và rủi ro địa chính trị ngày càng gia tăng. Sự ra đời và phát triển của thị trường tiền mã hóa (cryptocurrencies), bắt đầu từ Bitcoin sau cuộc khủng hoảng tài chính toàn cầu năm 2008, đã mở ra một kênh tài sản phi tập trung, không chịu sự kiểm soát trực tiếp từ chính phủ hay các định chế tài chính trung gian. Tuy nhiên, tính chất biến động mạnh của thị trường này (từ các đợt tăng giá lịch sử năm 2013, 2017, đỉnh 68.000 USD năm 2021 đến các đợt sụp đổ liên quan đến lệnh cấm của Trung Quốc, tuyên bố của Tesla hay sự sụp đổ của hệ sinh thái Terra năm 2022) đặt ra yêu cầu cấp thiết phải làm rõ cơ chế tác động của các cú sốc bên ngoài đối với lợi suất của tiền mã hóa.

Đề tài khóa luận "The Effects of Geopolitical Risks and Economic Policy Uncertainty on Cryptocurrencies" (Tác động của rủi ro địa chính trị và sự không chắc chắn về chính sách kinh tế đối với tiền mã hóa) do sinh viên Trần Thảo Linh thực hiện dưới sự hướng dẫn của ThS. Phạm Thế Thành tại Khoa Tài chính - Ngân hàng, Trường Đại học Kinh tế – Đại học Quốc gia Hà Nội (khóa luận hoàn thành tháng 10/2023) tập trung giải quyết các mục tiêu và nhiệm vụ nghiên cứu sau:

Mục tiêu nghiên cứu

Xem xét và phân tích toàn diện tác động của rủi ro địa chính trị (GPR) và sự không chắc chắn về chính sách kinh tế (EPU) đến hành vi, mức độ chấp nhận và động thái thị trường của tiền mã hóa thông qua việc kết hợp chỉ số GPR, chỉ số EPU với lợi suất của Bitcoin, từ đó cung cấp góc nhìn sâu sắc về mối tương tác giữa chính trị toàn cầu, chính sách kinh tế và thị trường tiền mã hóa.

Nhiệm vụ nghiên cứu

  1. Hệ thống hóa các vấn đề lý luận và thực tiễn chung về tác động của rủi ro địa chính trị, sự không chắc chắn về chính sách kinh tế và phản ứng của thị trường tiền mã hóa.
  2. Kiểm tra và phân tích mối tương tác động giữa rủi ro địa chính trị, sự không chắc chắn về chính sách kinh tế và lợi suất Bitcoin.
  3. Đánh giá khả năng đóng vai trò là tài sản trú ẩn an toàn (safe-haven asset) của Bitcoin trong các giai đoạn rủi ro và bất định gia tăng.
  4. Đề xuất các hàm ý chính sách và khuyến nghị dành cho các nhà đầu tư cùng các cơ quan quản lý nhà nước.

Câu hỏi nghiên cứu

  1. Rủi ro địa chính trị và sự không chắc chắn về chính sách kinh tế tác động như thế nào đến lợi suất của Bitcoin?
  2. Mối quan hệ tương tác qua lại giữa rủi ro địa chính trị, sự không chắc chắn về chính sách kinh tế và lợi suất Bitcoin diễn ra như thế nào?
  3. Bitcoin có thực sự đóng vai trò là tài sản trú ẩn an toàn đáng tin cậy trong các thời kỳ gia tăng rủi ro địa chính trị và bất định chính sách kinh tế hay không?
  4. Những hàm ý chính sách nào được rút ra cho các nhà đầu tư và các tổ chức quản lý thuộc chính phủ?

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Giá trị biến động của rủi ro địa chính trị, sự không chắc chắn về chính sách kinh tế toàn cầu và tỷ suất sinh lời của đồng Bitcoin.
  • Phạm vi không gian: Nghiên cứu thực nghiệm ở quy mô toàn cầu.
  • Phạm vi thời gian: Dữ liệu chuỗi thời gian theo tháng gồm 115 quan sát, trải dài từ tháng 11/2013 đến tháng 5/2023.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các khái niệm nền tảng

Khóa luận xây dựng lập luận dựa trên ba khái niệm cốt lõi:

  • Tiền mã hóa (Cryptocurrencies): Được định nghĩa theo Stoica Marian (2021) và Bahman Zohuri cùng cộng sự (2022) là tài sản kỹ thuật số hoạt động như một phương tiện trao đổi, sử dụng công nghệ sổ cái phân tán và mật mã học để bảo đảm an toàn giao dịch, kiểm soát việc tạo đơn vị mới và xác thực chuyển giao quyền sở hữu mà không cần cơ quan phát hành trung ương. Bitcoin được lựa chọn làm đối tượng đại diện do có quy mô vốn hóa, tính thanh khoản và độ phổ biến lớn nhất.
  • Rủi ro địa chính trị (Geopolitical Risk - GPR): Dựa trên định nghĩa của Caldara và Iacoviello (2022), bao hàm các mối đe dọa, sự hiện thực hóa và sự leo thang của các sự kiện bất lợi liên quan đến chiến tranh, khủng bố và căng thẳng giữa các quốc gia làm ảnh hưởng đến tiến trình hòa bình của quan hệ quốc tế.
  • Sự không chắc chắn về chính sách kinh tế (Economic Policy Uncertainty - EPU): Dựa trên khung phân tích của Baker, Bloom và Davis (2016), phản ánh mức độ bất định trong các quyết định chính sách tài khóa, tiền tệ, thương mại và các quy định quản lý của chính phủ thông qua kỹ thuật phân tích tần suất từ khóa trên báo chí truyền thông.

Phương pháp nghiên cứu và nguồn dữ liệu

Nghiên cứu sử dụng phương pháp định lượng ứng dụng cho dữ liệu chuỗi thời gian kinh tế lượng:

  1. Công thức tính lợi suất Bitcoin: $$\text{BTC's return} = \frac{\text{Giá BTC tháng tiếp theo} - \text{Giá BTC tháng trước}}{\text{Giá BTC tháng trước}}$$
  2. Kiểm định tính dừng (Unit Root Tests): Sử dụng kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF) mở rộng của Engle và Granger (1987) nhằm đánh giá tính dừng của các chuỗi dữ liệu ở bậc gốc hoặc sai phân bậc một.
  3. Mô hình Tự hồi quy Vectơ (Vector Autoregression - VAR): Kế thừa phương pháp luận của Sims (1980) và Christiano (2012) để xem xét mối liên hệ nội sinh nhiều chiều giữa ba biến số: Lợi suất Bitcoin (BITCOIN_RETURN), sai phân bậc một của chỉ số bất định chính sách kinh tế toàn cầu (DGEPU) và logarit tự nhiên của chỉ số rủi ro địa chính trị (LOGGPR).
  4. Lựa chọn độ trễ và kiểm định chẩn đoán: Độ trễ tối ưu được xác định dựa trên tiêu chuẩn thông tin Akaike (AIC), Schwarz (SC), Hannan-Quinn (HQ), Final Prediction Error (FPE) và Sequential Modified LR test. Mô hình được kiểm tra tự tương quan phần dư bằng kiểm định LM (VAR Residual Serial Correlation LM Tests), kiểm định phương sai sai số thay đổi (Heteroskedasticity Tests) và kiểm định tính ổn định qua vòng tròn đơn vị nghiệm nghịch đảo đa thức đặc trưng AR (Inverse Roots of AR Characteristic Polynomial).
  5. Phân tích hàm phản ứng đẩy (Impulse Response Function - IRF): Đo lường phản ứng động của từng biến số trước các cú sốc bất ngờ từ các biến số khác trong hệ thống qua các khoảng thời gian trễ.

Nguồn dữ liệu

  • Dữ liệu giá lịch sử của Bitcoin được thu thập từ cổng thông tin tài chính Investing.com.
  • Dữ liệu chỉ số rủi ro địa chính trị (GPR) lấy từ cơ sở dữ liệu của Dario Caldara và Matteo Iacoviello. Nghiên cứu sử dụng chuỗi LOGGPR để ổn định phương sai.
  • Dữ liệu chỉ số bất định chính sách kinh tế toàn cầu (GEPU) được trích xuất từ nghiên cứu của Scott R. Baker, Nick Bloom và Steven J. Davis. Nghiên cứu sử dụng phiên bản GEPU_current tính theo tỷ trọng GDP theo giá hiện hành của 21 quốc gia.

Nội dung chính theo từng chương

CHAPTER 1: OVERVIEW OF RESEARCH SITUATION, THEORETICAL AND PRACTICAL BASIS

Chương 1 tổng quan các nghiên cứu thực nghiệm trên thế giới về tác động của GPR và EPU đến thị trường tài chính truyền thống (chứng khoán, trái phiếu, kim loại quý) và thị trường tiền mã hóa.

  • Về phía thị trường tài chính truyền thống, các công trình của Caldara & Iacoviello (2022), Kouretas et al. (2022), Baker et al. (2016), và Ribeiro (2017) đều chỉ ra rằng gia tăng GPR và EPU gây suy giảm lợi suất cổ phiếu và gia tăng biến động thị trường, trong khi vàng và kim loại quý đóng vai trò phòng hộ hữu hiệu (Baur & Smales, 2020).
  • Về phía thị trường tiền mã hóa, các nghiên cứu cho thấy kết quả đa chiều: một số tác giả nhận định Bitcoin là công cụ phòng ngừa rủi ro (Jihed Ben Nouir & Hayet Ben Haj Hamida, 2023; Sanjeet Singh et al., 2022; Francisco Colon et al., 2021; Md Al Mamun, 2020), trong khi các nghiên cứu khác chỉ ra mối quan hệ tiêu cực hoặc tác động phụ thuộc vào chế độ thị trường (Ngo Thai Hung et al., 2023; Toan Luu Duc Huynh et al., 2023; Binh Nguyen Quang et al., 2020).
  • Chương 1 chỉ ra khoảng trống nghiên cứu: phần lớn các nghiên cứu trước đây đánh giá tác động đơn lẻ, thiếu sự tích hợp tương tác đồng thời giữa cả hai chỉ số bất định vĩ mô (GPR và EPU) đối với chuỗi lợi suất Bitcoin trong một hệ thống động học VAR hoàn chỉnh.

CHAPTER 2: DESIGN AND RESEARCH MODEL

Chương 2 mô tả chi tiết quy trình thu thập dữ liệu 115 quan sát tháng (11/2013 – 05/2023) và thiết lập mô hình VAR ba biến. Khung lý thuyết về kiểm định nghiệm đơn vị ADF, tiêu chuẩn xác định độ trễ (AIC, SC, HQ), các điều kiện biên của ma trận hệ số và tính hợp lệ thống kê của hàm phản ứng đẩy (IRF) được trình bày cụ thể làm cơ sở cho bước ước lượng thực nghiệm.

CHAPTER 3: EMPIRICAL RESULTS & DISCUSSION

Chương 3 trình bày toàn bộ kết quả kiểm định thống kê và ước lượng mô hình:

Bảng / Hình kiểm định Nội dung kiểm định Kết quả thống kê chính Kết luận kiểm định
Table 1 ADF Test cho BITCOIN_RETURN t-Statistic = -8.0000; Critical value 1% = -4.040531, 5% = -3.150127; p-value ≈ 0.0000 (Lag = 0) Chuỗi dừng ở bậc gốc I(0).
Table 2 ADF Test cho GEPU_CURRENT t-Statistic = -3.449895 (hoặc -3.0500); Critical value 1% = -4.150336; p-value > 0.05 (Lag = 1) Chuỗi không dừng ở bậc gốc tại mức ý nghĩa 1% và 5%.
Table 3 ADF Test cho DGEPU (Sai phân bậc 1) t-Statistic = -8.802335 (hoặc -8.0000); Critical value 1% = -4.150766; p-value ≈ 0.0000 (Lag = 2) Chuỗi dừng ở sai phân bậc 1 I(1).
Table 4 ADF Test cho LOGGPR t-Statistic = -4.735093 (hoặc -4.0010); Critical value 1% = -4.150127; p-value = 0.0010 (Lag = 0) Chuỗi dừng ở bậc gốc I(0).
Table 5 Tiêu chuẩn chọn độ trễ VAR Các tiêu chuẩn LR, FPE, AIC, SC, HQ đều thống nhất chọn độ trễ Độ trễ tối ưu của mô hình là p = 1.
Table 6 Ước lượng mô hình VAR(1) Số quan sát hiệu chỉnh = 113 (2014M01 - 2023M05); 12 hệ số ước lượng; AIC = 9.993739 Mô hình có ý nghĩa thống kê tổng thể.
Table 7 VAR Residual Serial Correlation LM Tests Lag 1: Prob = 0.5912; Lag 2: Prob = 0.5998 (cho cả kiểm định riêng lẻ và tích lũy) Chấp nhận $H_0$, không có hiện tượng tự tương quan phần dư.
Table 8 Heteroskedasticity Tests Kiểm định phương sai thay đổi phần dư liên hợp Chi-sq df Prob = 0.1070 Phần dư đáp ứng yêu cầu suy diễn thống kê.
Figure 1 Inverse Roots of AR Characteristic Polynomial Tất cả các nghiệm đặc trưng đều nằm gọn bên trong vòng tròn đơn vị (< 1.0) Hệ thống VAR(1) thỏa mãn điều kiện ổn định.
  • Kết quả phân tích Hàm phản ứng đẩy (Figure 2):
    • Phản ứng của BITCOIN_RETURN trước cú sốc DGEPU: Khi có cú sốc bất định chính sách kinh tế, lợi suất Bitcoin sụt giảm ngay lập tức trong 2 tuần đầu tiên do nhà đầu tư có xu hướng bán tháo tài sản để hạn chế rủi ro. Sau đó, lợi suất dần phục hồi về mức ban đầu.
    • Phản ứng của BITCOIN_RETURN trước cú sốc LOGGPR: Khi xảy ra cú sốc địa chính trị, lợi suất Bitcoin giảm mạnh nhất vào tuần thứ hai. Lợi suất phục hồi chậm và kéo dài đến tuần thứ sáu mới trở về mức cân bằng ban đầu.
    • Phản ứng của DGEPU trước cú sốc LOGGPR: Cú sốc rủi ro địa chính trị không tạo ra thay đổi đáng kể lên mức độ không chắc chắn của chính sách kinh tế toàn cầu.

CHAPTER 4: POLICY IMPLICATIONS

Dựa trên kết quả thực nghiệm chỉ ra Bitcoin không vận hành như một kênh trú ẩn an toàn, tác giả đề xuất hai nhóm hàm ý chính sách cụ thể:

  • Hàm ý đối với nhà đầu tư: Cần thận trọng khi sử dụng Bitcoin làm công cụ phòng ngừa rủi ro vĩ mô; hạn chế đổ vốn vào Bitcoin khi xảy ra biến cố địa chính trị hoặc bất ổn chính sách; duy trì chiến lược đa dạng hóa danh mục đầu tư hướng sang các kênh tài sản truyền thống có tính ổn định cao hơn (vàng, kim loại quý).
  • Hàm ý đối với cơ quan quản lý nhà nước: Khẩn trương ban hành và hoàn thiện khung pháp lý điều chỉnh hoạt động đầu tư tiền mã hóa nhằm bảo đảm tính minh bạch và an toàn; bảo vệ quyền lợi nhà đầu tư; thực thi trách nhiệm công bố thông tin rủi ro; đồng thời đẩy mạnh giáo dục tài chính nhằm nâng cao nhận thức cho người dân về rủi ro của các loại tài sản số.

Kết quả và đóng góp

Kết quả nghiên cứu chính

  1. Kiểm định tính dừng chuỗi dữ liệu: Xác định chuỗi tỷ suất sinh lời Bitcoin (BITCOIN_RETURN) và logarit chỉ số rủi ro địa chính trị (LOGGPR) dừng ở bậc gốc I(0), trong khi chỉ số bất định chính sách kinh tế toàn cầu (GEPU_current) không dừng ở bậc gốc nhưng dừng ở sai phân bậc một (DGEPU ~ I(1)).
  2. Ước lượng mô hình VAR(1): Độ trễ tối ưu được xác định là 1 dựa trên 5 tiêu chí thống kê (LR, FPE, AIC, SC, HQ). Mô hình vượt qua các kiểm định chẩn đoán khuyết tật: không có hiện tượng tự tương quan phần dư tại lag 1 ($p = 0.5912$) và lag 2 ($p = 0.5998$), các nghiệm nghịch đảo đa thức AR đều nằm trong vòng tròn đơn vị, bảo đảm tính ổn định hệ thống.
  3. Phản ứng động của Bitcoin trước các cú sốc vĩ mô: Phân tích hàm phản ứng đẩy (IRF) chứng minh lợi suất Bitcoin sụt giảm tiêu cực ngay sau các cú sốc:
    • Trước cú sốc chính sách kinh tế (DGEPU), lợi suất Bitcoin lao dốc trong 2 tuần đầu trước khi phục hồi về mức ban đầu.
    • Trước cú sốc địa chính trị (LOGGPR), lợi suất Bitcoin sụt giảm sâu nhất vào tuần thứ 2 và mất 6 tuần để hồi phục dần về vị trí cân bằng.
  4. Bác bỏ giả thuyết tài sản trú ẩn an toàn: Nghiên cứu đi đến kết luận rằng Bitcoin không đáp ứng đầy đủ các tiêu chí của một tài sản trú ẩn an toàn (safe-haven) hay công cụ phòng hộ (hedge) đáng tin cậy trong các giai đoạn rủi ro địa chính trị và bất định chính sách leo thang.

Đóng góp so với y văn trước đó

  • Bổ sung bằng chứng thực nghiệm đối lập với các công trình trước đây (như nghiên cứu của Jihed Ben Nouir & Hayet Ben Haj Hamida, 2023; Ahmet Faruk Aysan et al., 2019; Bingyu Zhang, 2022; Jessica Paule-Vianez et al., 2020) vốn cho rằng Bitcoin đóng vai trò phòng hộ hoặc trú ẩn.
  • Kết quả của khóa luận củng cố quan điểm của Binh Nguyen Quang et al. (2020), Shan Wu et al., và Messaoud Chibane & Nathalie Janson (2020) khi khẳng định bản chất đầu cơ cao và độ nhạy cảm tiêu cực của Bitcoin trước các biến cố kinh tế - chính trị quốc tế.

Hạn chế và hướng nghiên cứu tiếp

  • Về tần suất và cỡ mẫu dữ liệu: Nghiên cứu sử dụng dữ liệu chuỗi thời gian theo tháng với 115 quan sát (11/2013 - 05/2023). Tần suất theo tháng có thể làm mờ các phản ứng tức thời diễn ra ở khung thời gian ngắn hơn.
  • Về phạm vi tài sản tiền mã hóa: Đề tài chỉ tập trung phân tích đồng Bitcoin đại diện, chưa mở rộng sang các đồng tiền mã hóa khác có quy mô vốn hóa lớn như Ethereum, Ripple, Litecoin.
  • Về mức độ chi tiết của chỉ số bất định: Chỉ số GPR và GEPU được đo lường ở quy mô tổng hợp toàn cầu, chưa bóc tách riêng biệt từng thành phần (rủi ro đe dọa - threats vs rủi ro hành động - acts) hoặc theo từng quốc gia cụ thể (Hoa Kỳ, Trung Quốc, EU).
  • Hướng mở rộng: Các nghiên cứu tiếp theo có thể áp dụng tần suất dữ liệu theo ngày/tuần, mở rộng cấu trúc đa tài sản tiền số, và ứng dụng các mô hình phi tuyến tính hoặc phân vị (Quantile Regression, TVP-VAR, Wavelet Coherence) để kiểm tra tính bền vững của kết quả.

Giá trị tham khảo

  • Đối với sinh viên và học viên ngành Tài chính - Ngân hàng, Kinh tế quốc tế: Khóa luận là tài liệu tham khảo chuẩn mực về quy trình thực hiện một nghiên cứu kinh tế lượng chuỗi thời gian hoàn chỉnh: từ kiểm định nghiệm đơn vị ADF, lựa chọn độ trễ tối ưu, ước lượng mô hình VAR, kiểm định chẩn đoán mô hình (tự tương quan LM, phương sai thay đổi, nghiệm đặc trưng AR) đến phân tích hàm phản ứng đẩy (IRF).
  • Đối với các nhà đầu tư và nhà quản lý danh mục: Cung cấp luận cứ thực nghiệm định lượng rõ ràng để xây dựng chiến lược quản trị rủi ro danh mục, cảnh báo việc quá phụ thuộc vào tiền mã hóa như một công cụ phòng ngừa rủi ro vĩ mô trong các giai đoạn bất ổn toàn cầu.

Câu hỏi thường gặp

1. Dữ liệu nghiên cứu trong khóa luận được thu thập trong khoảng thời gian nào và gồm bao nhiêu quan sát?

Khóa luận sử dụng dữ liệu chuỗi thời gian theo tháng gồm 115 quan sát, bắt đầu từ tháng 11 năm 2013 đến tháng 5 năm 2023.

2. Các biến số kinh tế lượng chính trong mô hình VAR của nghiên cứu là gì?

Mô hình VAR bao gồm ba biến số nội sinh:

  • BITCOIN_RETURN: Tỷ suất sinh lời theo tháng của Bitcoin (tính từ giá trên Investing.com).
  • DGEPU: Sai phân bậc một của chỉ số bất định chính sách kinh tế toàn cầu tính theo GDP hiện hành (GEPU_current do Baker, Bloom và Davis xây dựng).
  • LOGGPR: Logarit tự nhiên của chỉ số rủi ro địa chính trị toàn cầu (do Caldara và Iacoviello xây dựng).

3. Kết quả kiểm định nghiệm đơn vị ADF cho các biến số ra sao?

  • Chuỗi BITCOIN_RETURN dừng ở bậc gốc I(0) với t-Statistic = -8.0000 ($p < 0.01$).
  • Chuỗi LOGGPR dừng ở bậc gốc I(0) với t-Statistic = -4.735093 (hoặc -4.0010) ($p < 0.01$).
  • Chuỗi GEPU_CURRENT không dừng ở bậc gốc ($t\text{-Statistic} = -3.449895$), nhưng sau khi lấy sai phân bậc một tạo thành chuỗi DGEPU thì đạt tính dừng I(1) với t-Statistic = -8.802335 ($p < 0.01$).

4. Phân tích hàm phản ứng đẩy (IRF) chỉ ra phản ứng của Bitcoin trước các cú sốc như thế nào?

  • Trước cú sốc chính sách kinh tế (DGEPU), lợi suất Bitcoin giảm mạnh ngay trong 2 tuần đầu trước khi hồi phục về mức ban đầu.
  • Trước cú sốc địa chính trị (LOGGPR), lợi suất Bitcoin giảm rõ rệt nhất vào tuần thứ 2 và cần khoảng 6 tuần để phục hồi dần về trạng thái ban đầu.

5. Kết luận cốt lõi của nghiên cứu về vai trò tài sản trú ẩn của Bitcoin là gì?

Nghiên cứu kết luận Bitcoin không phải là tài sản trú ẩn an toàn (safe-haven) hay công cụ phòng hộ hữu hiệu trước các biến cố rủi ro địa chính trị và bất định chính sách kinh tế, do lợi suất của nó chịu tác động tiêu cực tức thì khi các cú sốc này xuất hiện.


Kết luận

Khóa luận tốt nghiệp của sinh viên Trần Thảo Linh đã thực hiện phân tích thực nghiệm chặt chẽ về tác động của rủi ro địa chính trị và bất định chính sách kinh tế đối với thị trường tiền mã hóa thông qua mô hình VAR(1) giai đoạn 2013–2023. Kết quả nghiên cứu chứng minh lợi suất Bitcoin sụt giảm đáng kể ngay sau các cú sốc vĩ mô, qua đó bác bỏ giả thuyết xem Bitcoin là tài sản trú ẩn an toàn trong thời kỳ khủng hoảng. Công trình mang lại giá trị tham khảo thiết thực về mặt phương pháp luận kinh tế lượng ứng dụng, đồng thời cung cấp cơ sở khoa học quan trọng cho các quyết định phân bổ danh mục đầu tư và xây dựng chính sách quản lý tài sản kỹ thuật số.