Chương 1 Lựa chọn danh mục trực tuyến và nguyên tắc đối sánh mẫu Chương này tác giả sẽ tập trung làm rõ hai chủ đề quan trọng trong lĩnh vực đầu tư trực tuyến là lựa chọn danh mục đầu tư và nguyên tắc đối sánh mẫu. Trong bối cảnh kinh tế toàn cầu ngày càng phát triển, đầu tư trực tuyến đã trở thành một lựa chọn phổ biến cho những người muốn tăng cường thu nhập và đầu tư vào tương lai của mình. Tuy nhiên, để đạt được kết quả đầu tư tốt, việc lựa chọn danh mục đầu tư phù hợp là vô cùng quan trọng. Chương này sẽ trình bày các yếu tố quan trọng cần xem xét khi chọn danh mục đầu tư, từ tính thanh khoản đến mức độ rủi ro và tiềm năng sinh lời.
Ngoài ra, chương này cũng giải thích về nguyên tắc đối sánh mẫu, một nguyên tắc quan trọng trong lĩnh vực đầu tư trực tuyến. Nguyên tắc này giúp các nhà đầu tư so sánh hiệu quả giữa các quỹ đầu tư và chọn ra những quỹ phù hợp nhất với mục tiêu đầu tư của họ. Nội dung của chương được viết trên cơ sở tài liệu [3, 16] và một số tài liệu được trích dẫn trong đó.1 Lựa chọn danh mục trực tuyến 1.1 Lựa chọn danh mục trực tuyến là gì? Lựa chọn danh mục trực tuyến "Online Portfolio Selection", viết tắt là OLPS, là phân bố nguồn vốn một cách tuần tự trong tập các tài sản nhằm mục đích tối đa hóa lợi nhuận sau cùng trong một thời gian dài. OLPS đóng vai trò quan trọng trong hàng loạt các ứng dụng về đầu tư tài chính, ví dụ như quản lý tài sản tự động, quản lý quỹ đầu cơ và giao dịch định lượng.
Sau đây là một ví dụ cụ thể về ứng dụng OLPS trong đời thực. Giả sử A có số vốn là 10.000 USD ở tuổi 30 và anh ta muốn tăng vốn lên 1.000 USD khi anh ta nghỉ hưu ở tuổi 60, để anh ta có thể duy trì mức sống hiện tại của mình. Giả sử rằng A không có thêm thu nhập và hoàn toàn dựa vào số vốn ban đầu. A muốn đạt được mục tiêu này thông qua các khoản đầu tư vào thị trường tài chính.
Giả sử thêm rằng, khoản đầu tư của anh ấy bao gồm 3 tài sản là: Microsoft (cổ phiếu, ký hiệu là MSFT), Goldman Sachs (cổ phiếu, ký hiệu là GS) và tín phiếu kho bạc. Tất cả các hồ sơ lịch sử về ba tài sản, chủ yếu là về bảng giá, đều được công bố rộng rãi. Sau đó, hàng tháng, A nhận được thông tin cập nhật về cả ba tài sản và phải đối mặt với một thách thức quan trọng trong việc đưa ra quyết định, đó là, “làm sao để phân bố (cân đối lại) vốn của anh ấy trong số ba tài sản hàng tháng sao cho nguồn vốn sẽ có nhiều khả năng tăng trong tương lai?” Ý tưởng của việc sử dụng kỹ thuật OLPS là giúp A tự động hóa trình tự phân bố/tái cân bằng để tối đa hóa lợi nhuận đầu tư của mình trong thời gian dài. Việc lựa chọn danh mục đầu tư trực tuyến sử dụng dữ liệu lịch sử cho mục đích ra quyết định và do đó, nó tương tự như phân tích kỹ thuật.
Tuy nhiên, cần lưu ý rằng trong phân tích kỹ thuật, các kỹ thuật tìm kiếm (heuristic) được áp dụng và giá tốt nhất được xác định để mua hoặc bán một cổ phiếu bằng cách sử dụng các biểu đồ và chỉ báo, trong khi đó, với lựa chọn danh mục đầu 8 tư trực tuyến, vấn đề được xây dựng và danh mục đầu tư được sửa đổi vào đầu mỗi kỳ. OLPS cho bài toán giao dịch trong thế giới thực là một thách thức khi mà thông tin thị trường (chủ yếu là dữ liệu thị trường) được cập nhật một cách tuần tự và người quản lý các danh mục đầu tư phải đưa ra quyết định ngay lập tức dựa trên thông tin đã biết và các biến nội sinh xảy ra khi mô hình tương tác với thị trường. Có hai loại phương pháp học máy (ML) đã được khám phá để thiết kế các chiến lược cho bài toán này. Phương pháp đầu tiên là học theo cụm (batch learning), trong đó mô hình đã được huấn luyện từ nhiều tập huấn luyện trước.
Bằng cách này, chúng ta giả sử tất cả các thông tin về giá (và có thể là thông tin khác) đều hoàn chỉnh tại một thời điểm quyết định, và do đó người ta có thể triển khai phương pháp học theo cụm để tìm danh mục đầu tư. Trong phương pháp này, mỗi một quyết định luôn không liên quan đến các quyết định trước đó. Đặc biệt, ta áp dụng cách thức như vậy trong thuật toán được đề xuất, triển khai phương pháp học phi tham số (nonparametric learning), hoặc là học dựa trên ví dụ (instance-based learning), hoặc là học dựa trên tình huống cơ bản (case-based learning) [Aha 1991; Aha và cộng sự 1991 [3]; Cherkassy và Mulier 1998 [8]]. Với một nguyên lý giao dịch hiệu quả, một cách thức như vậy có thể đạt được mục tiêu của dự án đề ra.
Phương pháp thứ hai là học trực tuyến (online learning), hoặc là học tăng cường (inenforced learning), trong đó mô hình đã được huấn luyện từ một trường hợp đơn theo cách thức tuần tự. Học trực tuyến (online learning) là quá trình giải quyết một chuỗi các vấn đề, đưa ra (có thể một phần) các giải pháp cho các vấn đề trước đó và có thể bổ sung thêm thông tin phụ.2 Nguyên lý và lý thuyết lựa chọn danh mục Có hai trường phái chính về nguyên lý và lý thuyết lựa chọn danh mục: 9 1. Lý thuyết trung bình phương sai của Markowitz [18], nói về sự đánh đổi giữa lợi nhuận mong muốn (trung bình) và rủi ro (phương sai) của một danh mục đầu tư, điều này phù hợp cho lựa chọn danh mục đầu tư cho một kỳ. Lý thuyết tăng trưởng vốn đầu tư (hoặc là lý thuyết đầu tư của Kelly) [14] nhằm mục đích tối đa hóa lợi nhuận kỳ vọng dạng logarit của một danh mục đầu tư và giải quyết một cách tự nhiên việc đầu tư dài hạn (nhiều kỳ).
Do tính chất tuần tự của nhiệm vụ lựa chọn danh mục đầu tư, nhiều kỹ thuật OLPS gần đây thường thiết kế các thuật toán dựa vào nguyên lý và lý thuyết thứ hai. Cách tiếp cận đầu tiên về lựa chọn danh mục đầu tư trực tuyến tuân theo nguyên tắc chiến thắng follow the winner được giới thiệu bởi Cover [7] vào năm 1991. Các thuật toán follow the winner phân bổ nhiều trọng số hơn cho một cổ phiếu đã minh họa hiệu suất tốt hơn trong quá khứ và họ tin tưởng mạnh mẽ rằng nếu cổ phiếu đã chứng minh hiệu suất trong quá khứ, họ cũng sẽ mang lại lợi nhuận tuyệt vời trong tương lai. Cover [7] đã phát triển thuật toán universal portfolios mà trong đó, một phần vốn được phân bổ cho một expert và theo đó, một expert có thể áp dụng chiến lược và cuối cùng thu được lợi nhuận.
Năm 1996, Cover và Ordentlich [7] đã cải tiến thuật toán thành một danh mục phổ quát có trọng số µ (µ-weighted universal portfolio). Năm 1998, Cover và Ordentlich [8] đã thêm bán khống và ký quỹ vào mô hình. Năm 1999, Blum và Kalai [4] cũng nâng cấp mô hình bằng cách giới thiệu chi phí giao dịch. Cách tiếp cận follow the loser đã được Borodin và Vincent [6] đưa ra vào năm 2004, trong đó, trọng số đầu tư được chuyển từ một cổ phiếu có hoạt động tốt hơn trong quá khứ sang một cổ phiếu có hoạt động không thuận lợi, vì phương pháp tiếp cận cho rằng một cổ phiếu có hiệu suất không mong muốn trong quá khứ có thể mang lại lợi nhuận đáng mơ ước trong tương lai.
Borodin và Vincent đã 10 phát triển một thuật toán anti-correlation là thuật toán đầu tiên trong nguyên tắc này. Đảo ngược trung bình tích cực thụ động (PAMR) được trình bày bởi Li, Zhao, Hoi và Gopalkrishnan vào năm 2012 [22] khai thác tính chất đảo ngược trung bình. Sau đó, năm 2013, Li, Hoi, Zhao và Gopalkrishnan [23] đã trình bày sự đảo ngược trung bình có trọng số tin cậy (CWMR) sử dụng phương sai của trọng số danh mục đầu tư. Năm 2015, Li, Hoi, Sahoo và Liu [21] đã cải tiến thuật toán Đảo ngược trung bình tích cực thụ động thành Đảo ngược trung bình di chuyển trực tuyến (OLMAR).
Cách tiếp cận thứ ba dựa trên đối sánh mẫu pattern matching sử dụng dữ liệu quá khứ để quyết định danh mục đầu tư trong giai đoạn hiện tại. Cách tiếp cận này tìm kiếm các pattern trong quá khứ tương tự như pattern hiện tại. Một cách tiếp cận khác trong lựa chọn danh mục đầu tư trực tuyến là cách tiếp cận meta-learning, liên quan chặt chẽ đến expert learning trong học máy. Phương pháp tiếp cận meta-learning giả định một số chuyên gia cơ sở, từ cùng một lớp chiến lược hoặc các lớp khác nhau.
Mỗi véctơ tạo ra danh mục đầu tư cho chu kỳ tiếp theo và các thuật toán meta-learning kết hợp các danh mục đầu tư này để tạo thành một danh mục cuối cùng, được sử dụng để cho việc tái cân bằng kỳ tiếp theo. Ví dụ, năm 2017, Zhang và Yang [25] đã đề xuất một thuật toán khác dựa trên thuật toán Weak Aggregating Algorithm (WAA) đưa ra quyết định bằng cách xem xét tất cả lời khuyên của các chuyên gia và trọng số của chuyên gia dựa trên hiệu suất trong các chu kỳ trước đó.3 Tầm quan trọng của lựa chọn danh mục Khai thác dữ liệu là một nỗ lực nhằm thu thập thông tin có giá trị thông qua dữ liệu và có vẻ như sự tăng trưởng dữ liệu không đều trên toàn cầu đã nhấn mạnh tầm quan trọng của nó. Trên thực tế, có những kỹ thuật khác nhau trong khai thác dữ liệu bao gồm khai thác quy tắc kết hợp, phân loại dữ liệu 11 và phân cụm trong đó mỗi kỹ thuật dẫn đến các mẫu khác nhau. Trong số các phương pháp khai thác dữ liệu khác nhau, phân cụm được áp dụng để phân loại dữ liệu trong một số cụm, trong đó, các thành viên của mỗi cụm giống nhau về một đặc điểm cụ thể trong khi chúng khác với các thành viên trong các nhóm khác.
Một tiêu chí tương đồng phổ biến là khoảng cách, trong đó, có nhiều loại thước đo khoảng cách khác nhau bao gồm khoảng cách Euclid, khoảng cách city block, khoảng cách Chebyshev và khoảng cách Canberra. Thuật toán phân cụm được coi là một loại phân tích dữ liệu không được giám sát và nó có nghĩa là dữ liệu được phân tích mà không cần biết nhãn lớp của các quan sát. Trong luận văn này, chúng tôi phân tích một thuật toán lựa chọn danh mục đầu tư trực tuyến dựa trên nguyên tắc đối sánh mẫu trong [15].