Một thuật toán lựa chọn danh mục đầu tư trực tuyến sử dụng phương pháp phân nhóm và xem xét chi phí giao dịch

Trong bối cảnh thị trường tài chính ngày càng phức tạp, thuật toán lựa chọn danh mục đầu tư trực tuyến (OLPS) nổi… 73 trang · Đại Học Bách Khoa Hà Nội · 2023.

• Tác giả: Nguyễn Văn Kiên
• Người hướng dẫn: PGS. Nguyễn Thị Thu Thủy
• Trường học: Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Toán Tin
• Đề tài: Thuật Toán Lựa Chọn Danh Mục Đầu Tư Trực Tuyến: Phân Nhóm và Chi Phí Giao Dịch
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• Trang phụ bìa
• Lời cam đoan
• Lời cảm ơn
• Danh mục ký hiệu, chữ viết tắt
• Danh sách bảng
• MỞ ĐẦU
• 1. Chương 1: Lựa chọn danh mục trực tuyến và nguyên tắc đối sánh mẫu
• 1.1. Lựa chọn danh mục trực tuyến
• 1.1.1. Lựa chọn danh mục trực tuyến là gì?
• 1.1.2. Nguyên lý và lý thuyết lựa chọn danh mục
• 1.1.3. Tầm quan trọng của lựa chọn danh mục
• 1.1.4. Cách tiếp cận để xây dựng thuật toán
• 1.2. Nguyên tắc đối sánh mẫu
• 1.2.1. Kỹ thuật chọn mẫu
• 1.2.2. Kỹ thuật tối ưu danh mục đầu tư
• 1.2.3. Một vài sự kết hợp
• 2. Chương 2: Thuật toán lựa chọn danh mục đầu tư trực tuyến
• 2.1. Bài toán lựa chọn danh mục đầu tư
• 2.2. Thuật toán lựa chọn danh mục đầu tư
• 2.2.1. Một số giả thiết
• 2.2.2. Mô tả thuật toán
• 2.2.3. Giải thích thủ tục thuật toán và sơ đồ khối
• 2.2.3.1. Giải thích thủ tục thuật toán
• 3. Chương 3: Kết quả thực nghiệm và đánh giá hiệu suất
• 3.1. Mô tả dữ liệu
• 3.2. Xử lý dữ liệu
• 3.3. Thực hiện chương trình
• 3.4. Tiêu chí đánh giá
• 3.5. Tham số của thuật toán
• 3.6. Hiệu suất của thuật toán
• 3.6.1. Hiệu suất của các thuật toán chạy trên Tập dữ liệu 1
• 3.6.2. Hiệu suất của các thuật toán chạy trên Tập dữ liệu 2
• Kết luận
• Tài liệu tham khảo
• Phụ lục

Tóm tắt

I. Tổng Quan Thuật Toán Lựa Chọn Danh Mục Đầu Tư Trực Tuyến

Trong bối cảnh thị trường tài chính ngày càng phức tạp, thuật toán lựa chọn danh mục đầu tư trực tuyến (OLPS) nổi lên như một giải pháp hiệu quả. OLPS sử dụng các công cụ thống kê và học máy để tối ưu hóa lợi nhuận đầu tư dài hạn. Phương pháp này kết hợp các công cụ và lý thuyết kinh tế, giúp nhà đầu tư đưa ra quyết định sáng suốt. OLPS đóng vai trò quan trọng trong quản lý tài sản tự động, quản lý quỹ đầu cơ và giao dịch định lượng. Một ví dụ điển hình là việc một người muốn tăng vốn đầu tư thông qua thị trường tài chính, OLPS giúp tự động hóa quá trình phân bổ vốn để tối đa hóa lợi nhuận. OLPS sử dụng dữ liệu lịch sử để ra quyết định, tương tự như phân tích kỹ thuật, nhưng khác biệt ở chỗ OLPS xây dựng và sửa đổi danh mục đầu tư vào đầu mỗi kỳ.

1.1. Định Nghĩa Chi Tiết về Lựa Chọn Danh Mục Trực Tuyến

Lựa chọn danh mục đầu tư trực tuyến (OLPS) là quá trình phân bổ nguồn vốn một cách tuần tự vào các tài sản khác nhau. Mục tiêu là tối đa hóa lợi nhuận sau cùng trong một khoảng thời gian dài. OLPS có vai trò quan trọng trong nhiều ứng dụng tài chính, như quản lý tài sản tự động và giao dịch định lượng. Kỹ thuật OLPS giúp tự động hóa trình tự phân bổ vốn, từ đó tối đa hóa lợi nhuận đầu tư trong dài hạn.

1.2. So Sánh OLPS với Phân Tích Kỹ Thuật Truyền Thống

OLPS sử dụng dữ liệu lịch sử để ra quyết định, tương tự như phân tích kỹ thuật. Tuy nhiên, trong phân tích kỹ thuật, các kỹ thuật tìm kiếm (heuristic) được áp dụng để xác định giá tốt nhất để mua hoặc bán cổ phiếu. Ngược lại, OLPS xây dựng và sửa đổi danh mục đầu tư vào đầu mỗi kỳ. OLPS cho bài toán giao dịch trong thế giới thực là một thách thức khi thông tin thị trường được cập nhật liên tục.

II. Thách Thức Chi Phí Giao Dịch và Rủi Ro trong Đầu Tư Trực Tuyến

Một trong những thách thức lớn nhất trong đầu tư trực tuyến là chi phí giao dịch. Chi phí này có thể ảnh hưởng đáng kể đến lợi nhuận cuối cùng của nhà đầu tư. Ngoài ra, việc quản lý rủi ro cũng là một yếu tố quan trọng cần xem xét. Thị trường tài chính luôn biến động, và việc lựa chọn danh mục đầu tư phù hợp có thể giúp giảm thiểu rủi ro. Các nhà đầu tư cần phải cân nhắc kỹ lưỡng giữa lợi nhuận kỳ vọng và mức độ rủi ro chấp nhận được. Việc sử dụng các thuật toán OLPS có thể giúp nhà đầu tư đưa ra quyết định tốt hơn trong môi trường đầy biến động.

2.1. Tác Động của Chi Phí Giao Dịch Đến Lợi Nhuận Đầu Tư

Chi phí giao dịch có thể bao gồm phí môi giới, thuế và các chi phí khác liên quan đến việc mua bán tài sản. Các chi phí này có thể làm giảm lợi nhuận thực tế của nhà đầu tư. Do đó, việc giảm thiểu chi phí giao dịch là một yếu tố quan trọng trong việc tối ưu hóa danh mục đầu tư. Các thuật toán OLPS cần phải xem xét chi phí giao dịch để đưa ra quyết định đầu tư hiệu quả.

2.2. Quản Lý Rủi Ro và Phân Tích Rủi Ro Lợi Nhuận

Phân tích rủi ro và lợi nhuận là một phần quan trọng của quá trình đầu tư. Nhà đầu tư cần phải đánh giá mức độ rủi ro của từng tài sản và danh mục đầu tư. Các chỉ số như Sharpe Ratio, Sortino Ratio, Alpha, Beta, Volatility và Drawdown có thể giúp nhà đầu tư đánh giá rủi ro và hiệu suất của danh mục đầu tư. Việc sử dụng các mô hình định lượng như Tối ưu hóa Markowitz và Black-Litterman Model cũng có thể giúp quản lý rủi ro hiệu quả.

III. Phương Pháp Phân Nhóm Danh Mục Đầu Tư để Tối Ưu Hóa

Phân nhóm danh mục đầu tư là một phương pháp hiệu quả để tối ưu hóa lợi nhuận và giảm thiểu rủi ro. Bằng cách phân nhóm các tài sản có đặc điểm tương đồng, nhà đầu tư có thể dễ dàng quản lý và điều chỉnh danh mục đầu tư của mình. Các thuật toán phân nhóm có thể sử dụng các kỹ thuật học máy để xác định các nhóm tài sản tối ưu. Phương pháp này giúp nhà đầu tư tập trung vào các tài sản có tiềm năng sinh lời cao và giảm thiểu sự phân tán vốn vào các tài sản kém hiệu quả.

3.1. Ứng Dụng Kỹ Thuật Học Máy trong Phân Nhóm Danh Mục

Học máy có thể được sử dụng để phân nhóm các tài sản dựa trên nhiều yếu tố, như hiệu suất lịch sử, mức độ rủi ro và các yếu tố kinh tế vĩ mô. Các thuật toán phân cụm như K-means, hierarchical clustering và DBSCAN có thể giúp xác định các nhóm tài sản tối ưu. Việc sử dụng học máy giúp nhà đầu tư đưa ra quyết định phân nhóm khách quan và hiệu quả.

3.2. Các Tiêu Chí Phân Nhóm Danh Mục Đầu Tư Hiệu Quả

Các tiêu chí phân nhóm có thể bao gồm ngành nghề, quy mô công ty, mức độ tăng trưởng và các chỉ số tài chính. Việc lựa chọn các tiêu chí phù hợp là rất quan trọng để đảm bảo rằng các nhóm tài sản được phân chia một cách hợp lý. Nhà đầu tư cần phải xem xét kỹ lưỡng các yếu tố này để đưa ra quyết định phân nhóm tốt nhất.

IV. Giải Pháp Thuật Toán Đốisánh Mẫu trong Lựa Chọn Danh Mục

Thuật toán đối sánh mẫu sử dụng dữ liệu lịch sử để đưa ra quyết định về danh mục đầu tư. Nó tìm kiếm các mẫu lịch sử tương tự như mẫu hiện tại. Các thuật toán này có thể đảm bảo tăng trưởng vốn tối ưu bằng cách đặt ra số lượng giả định ít nhất trên thị trường, nghĩa là tính ổn định và tính đúng đắn của chuỗi thời gian tài chính. Thuật toán đối sánh mẫu nhằm dự đoán nhiều tình huống mà tương đồng với véctơ giá tương đối tiếp theo.

4.1. Mục Đích và Nguyên Tắc Hoạt Động của Thuật Toán

Thuật toán đối sánh mẫu cố gắng làm cực đại hóa lợi nhuận kỳ vọng dạng log thông qua tập tương đồng. Thông thường, các thuật toán đối sánh mẫu bao gồm hai giai đoạn: tối ưu hóa danh mục đầu tư và chọn mẫu. Mục đích là chọn một danh mục đầu tư ở thời điểm t+1. Bước chọn mẫu sẽ chọn ra tập Ct các chỉ số quá khứ tương tự, giá tương đối tương ứng đó sẽ được dùng để dự đoán ngày tiếp theo.

4.2. Kỹ Thuật Chọn Mẫu và Tối Ưu Hóa Danh Mục Đầu Tư

Ý tưởng chung của bước chọn mẫu là chọn ra mẫu tương đồng từ lịch sử giá tương đối bằng cách so sánh các cửa sổ thị trường ngay trước chúng. Sử dụng một số phương pháp như: chọn mẫu phi tham số dựa trên histogram, chọn mẫu phi tham số dựa trên nhân, chọn mẫu phi tham số dựa trên hàng xóm gần nhất. Bướctiếptheocủa patternmatching dựatrênviệcxâydựngmộtdanhmụcđầutưtốiưuchotậpmẫu C t .HainguyênlýchínhđượcápdụnglàlýthuyếttăngtrưởngvốncủaKelly[14]vàcânbằnglợinhuậnrủirodanhmụccủaMarkowitz[17].

V. Ứng Dụng Đánh Giá Hiệu Suất Thuật Toán trên Dữ Liệu Thực Tế

Việc đánh giá hiệu suất của thuật toán OLPS trên dữ liệu thực tế là rất quan trọng để xác định tính khả thi và hiệu quả của phương pháp này. Các nhà nghiên cứu thường sử dụng dữ liệu lịch sử từ thị trường chứng khoán để kiểm tra hiệu suất của thuật toán. Các chỉ số như lợi nhuận trung bình, độ lệch chuẩn và Sharpe Ratio được sử dụng để so sánh hiệu suất của thuật toán với các phương pháp đầu tư truyền thống. Kết quả nghiên cứu có thể giúp nhà đầu tư hiểu rõ hơn về tiềm năng của thuật toán OLPS và đưa ra quyết định đầu tư sáng suốt.

5.1. Tiêu Chí Đánh Giá Hiệu Suất Thuật Toán OLPS

Các tiêu chí đánh giá hiệu suất có thể bao gồm lợi nhuận trung bình, độ lệch chuẩn, Sharpe Ratio, Sortino Ratio và Maximum Drawdown. Lợi nhuận trung bình cho biết khả năng sinh lời của thuật toán. Độ lệch chuẩn đo lường mức độ biến động của lợi nhuận. Sharpe Ratio đánh giá hiệu suất điều chỉnh theo rủi ro. Maximum Drawdown cho biết mức giảm tối đa của danh mục đầu tư trong một khoảng thời gian nhất định.

5.2. Phân Tích Kết Quả Thực Nghiệm và So Sánh với Các Phương Pháp Khác

Kết quả thực nghiệm cần được phân tích kỹ lưỡng để xác định điểm mạnh và điểm yếu của thuật toán. So sánh hiệu suất của thuật toán với các phương pháp đầu tư truyền thống như đầu tư thụ động và đầu tư chủ động có thể giúp nhà đầu tư đánh giá tính hiệu quả của thuật toán OLPS. Việc phân tích kết quả thực nghiệm cũng có thể giúp nhà nghiên cứu cải thiện thuật toán và phát triển các phương pháp đầu tư mới.

VI. Kết Luận Triển Vọng và Hướng Phát Triển của OLPS

Thuật toán lựa chọn danh mục đầu tư trực tuyến (OLPS) có tiềm năng lớn trong việc cải thiện hiệu quả đầu tư. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua, như việc xử lý chi phí giao dịch và quản lý rủi ro. Trong tương lai, các nhà nghiên cứu có thể tập trung vào việc phát triển các thuật toán OLPS phức tạp hơn, có khả năng thích ứng với sự thay đổi của thị trường. Việc kết hợp OLPS với các công nghệ mới như trí tuệ nhân tạo và blockchain cũng có thể mở ra những cơ hội mới trong lĩnh vực đầu tư.

6.1. Các Hướng Nghiên Cứu Tiềm Năng trong Lĩnh Vực OLPS

Các hướng nghiên cứu tiềm năng có thể bao gồm việc phát triển các thuật toán OLPS có khả năng dự đoán thị trường tốt hơn, việc tích hợp chi phí giao dịch và rủi ro vào mô hình, và việc sử dụng các công nghệ mới như trí tuệ nhân tạo và blockchain. Nghiên cứu về các thuật toán OLPS có khả năng thích ứng với sự thay đổi của thị trường cũng là một hướng đi đầy hứa hẹn.

6.2. Tác Động của OLPS Đến Thị Trường Tài Chính Tương Lai

OLPS có thể thay đổi cách thức đầu tư truyền thống và tạo ra một thị trường tài chính hiệu quả hơn. Việc sử dụng các thuật toán OLPS có thể giúp nhà đầu tư đưa ra quyết định sáng suốt hơn và giảm thiểu rủi ro. Sự phát triển của OLPS cũng có thể dẫn đến sự ra đời của các sản phẩm và dịch vụ đầu tư mới, đáp ứng nhu cầu của nhà đầu tư trong kỷ nguyên số.

Nội dung chính

Tổng quan nghiên cứu

Thị trường tài chính hiện đại đang chứng kiến sự bùng nổ của các phương thức giao dịch thuật toán với hơn 60% khối lượng giao dịch tại các thị trường phát triển được thực thi tự động. Trong bối cảnh chuỗi thời gian giá cổ phiếu luôn biến động phức tạp, phi tuyến và chịu tác động đa chiều từ kinh tế vĩ mô, các phương pháp phân tích cơ bản và phân tích kỹ thuật truyền thống bộc lộ rõ sự hạn chế về tốc độ xử lý cũng như khả năng bao quát toàn diện danh mục đa tài sản. Việc tối ưu hóa danh mục đầu tư trực tuyến (Online Portfolio Selection - OLPS) trở thành hướng đi chiến lược nhằm giải quyết bài toán phân bổ nguồn vốn tuần tự qua từng chu kỳ giao dịch nhằm tối đa hóa lợi nhuận tích lũy dài hạn.

Nghiên cứu này tập trung xây dựng và đánh giá thuật toán lựa chọn danh mục đầu tư trực tuyến dựa trên nguyên tắc đối sánh mẫu (Pattern Matching) kết hợp các kỹ thuật phân cụm học máy không giám sát, đồng thời tích hợp trực tiếp yếu tố chi phí giao dịch vào mô hình tối ưu. Đề tài được triển khai thực nghiệm trên thị trường chứng khoán Việt Nam trong giai đoạn 2 năm từ ngày 01/01/2021 đến ngày 31/12/2022, bao gồm 502 phiên giao dịch chính thức. Phạm vi nghiên cứu bao quát hai nhóm ngành có tính thanh khoản và vốn hóa lớn nhất thị trường là Bất động sản với 34 mã cổ phiếu và Ngân hàng với 24 mã cổ phiếu tiêu biểu.

Ý nghĩa khoa học và thực tiễn của nghiên cứu được thể hiện qua việc giảm thiểu độ trễ ra quyết định xuống dưới 1 giây cho mỗi chu kỳ giao dịch, đồng thời cải thiện chỉ số tăng trưởng tài sản tích lũy và kiểm soát sai số dự báo giá tương đối (MAPE) ở mức dưới 3.5%. Mô hình mang lại giải pháp định lượng thực tế, giúp các tổ chức tài chính và nhà đầu tư cá nhân tự động hóa việc tái cân bằng danh mục mà không bị bào mòn vốn bởi chi phí giao dịch phát sinh liên tục.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của hai trường phái lý thuyết tài chính kinh điển kết hợp các nguyên lý học máy hiện đại:

• Lý thuyết danh mục đầu tư hiện đại của Harry Markowitz (1952): Đặt nền móng cho việc cân bằng giữa lợi nhuận kỳ vọng và phương sai rủi ro trong đầu tư đơn kỳ.
• Lý thuyết tăng trưởng vốn của John Kelly (1956): Định hướng tối đa hóa tốc độ tăng trưởng tài sản kỳ vọng theo hàm logarit trong chuỗi đầu tư đa kỳ liên tục.
• Lý thuyết học trực tuyến và thuật toán Universal Portfolios của Thomas Cover (1991): Cung cấp khung lý thuyết về danh mục tái cân bằng liên tục tối ưu ngoại tuyến (Best Constant Rebalanced Portfolio - BCRP) và khái niệm độ tiếc nuối tiệm cận không (Regret).

Mô hình nghiên cứu triển khai nguyên lý đối sánh mẫu (Pattern Matching) với 4 khái niệm cốt lõi:

1. Véctơ giá tương đối: Tỷ số giữa giá đóng cửa ngày hiện tại so với ngày liền trước.
2. Cửa sổ thị trường (Time Window - TW): Ma trận dữ liệu giá trong khoảng thời gian xác định từ 2 đến 10 ngày.
3. Độ tương đồng cấu trúc: Đo lường mức độ tương quan giữa cửa sổ thị trường quá khứ và cửa sổ thị trường gần nhất thông qua phân cụm.
4. Hàm mục tiêu điều chỉnh chi phí giao dịch (GV-type): Hàm logarit tối ưu tích hợp tỷ lệ khấu trừ chi phí mua bán tài sản thực tế.

Phương pháp nghiên cứu

Nguồn dữ liệu của nghiên cứu được trích xuất tự động qua hệ thống giao dịch của Techcom Securities (TCBS), thu thập toàn bộ lịch sử giá đóng cửa, giá trần, giá sàn và khối lượng của 58 mã cổ phiếu. Dữ liệu trải dài qua 502 ngày làm việc từ ngày 01/01/2021 đến 31/12/2022. Cỡ mẫu nghiên cứu được phân chia theo tỷ lệ huấn luyện chuẩn 75% (tương ứng 376 ngày đầu tiên) và 25% dữ liệu độc lập dành cho kiểm thử mô hình (126 ngày giao dịch tiếp theo). Phương pháp chọn mẫu tập trung vào các cổ phiếu có giá trị vốn hóa lớn và thanh khoản cao nhằm thỏa mãn giả thiết không làm biến động giá thị trường khi thực thi lệnh.

Quy trình phân tích áp dụng phương pháp học máy không giám sát với 4 thuật toán phân cụm chủ đạo: K-Means (KMNLOG), K-Medoids (KMDLOG), Phân cụm phổ (SPCLOG) và Phân cụm thứ bậc (HRCLOG). Lý do lựa chọn cách tiếp cận này là vì dữ liệu chuỗi thời gian tài chính không có nhãn sẵn và chứa nhiều nhiễu phi tuyến; việc phân cụm phi tham số dựa trên hệ số Silhouette giúp tự động xác định số lượng cụm tối ưu trong khoảng từ 2 đến căn bậc hai của tổng số mẫu. Những mẫu lịch sử xuất hiện cùng cụm với cửa sổ gần nhất trong ít nhất 80% số lần lặp sẽ được chọn để gán trọng số tương quan và đưa vào bài toán quy hoạch phi tuyến nhằm xác định tỷ trọng phân bổ vốn tối ưu cho chu kỳ kế tiếp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm 126 phiên kiểm thử trên hai tập dữ liệu ngành Bất động sản và Ngân hàng đã mang lại các phát hiện định lượng then chốt:

• Hiệu suất sinh lời vượt trội của mô hình KMNLOG: Thuật toán phân cụm K-Means kết hợp hàm tối ưu logarit đạt tổng tài sản tích lũy cuối kỳ cao nhất, vượt hơn 18.5% so với chiến lược phân bổ đều cố định và cao hơn khoảng 22.3% so với chiến lược mua và nắm giữ (Buy & Hold) bình quân ngành.
• Kích thước cửa sổ thời gian tối ưu: Kích thước cửa sổ thị trường $TW$ nằm trong khoảng từ 3 đến 6 ngày mang lại kết quả dự báo chuẩn xác nhất, giúp thuật toán bắt kịp các nhịp sóng hồi ngắn hạn của thị trường Việt Nam mà không bị ảnh hưởng bởi nhiễu dao động trong 10 ngày.
• Vai trò bảo toàn vốn của việc khấu trừ chi phí giao dịch: Khi tích hợp tỷ lệ chi phí giao dịch cố định từ 0.1% đến 0.25%, hàm mục tiêu GV-type đã tự động giảm 35% tần suất tái cân bằng không cần thiết, giúp bảo toàn khoảng 9.4% tổng lợi nhuận ròng so với các mô hình lý thuyết không xét chi phí giao dịch.
• Độ chính xác và tính ổn định dự báo: Sai số phần trăm tuyệt đối trung bình (MAPE) của các thuật toán phân cụm trên tập kiểm tra 126 ngày dao động ổn định trong biên độ hẹp từ 2.8% đến 3.4%, chứng minh khả năng kiểm soát rủi ro tốt trước biến động mạnh của thị trường chứng khoán năm 2022.

Thảo luận kết quả

Kết quả vượt trội của thuật toán xuất phát từ đặc thù thị trường chứng khoán Việt Nam trong giai đoạn 2021-2022, vốn có tính chu kỳ ngành rõ rệt và chịu tác động tâm lý đám đông lớn. Kỹ thuật đối sánh mẫu kết hợp phân cụm học máy đã nhận diện thành công các mẫu hình đảo chiều lặp lại trong quá khứ, từ đó dịch chuyển tỷ trọng vốn một cách linh hoạt sang các mã cổ phiếu chuẩn bị bước vào pha tăng trưởng.

So sánh với các thuật toán OLPS kinh điển như PAMR hay CWMR, phương pháp đề xuất không chỉ dựa trên nguyên lý đảo ngược trung bình đơn thuần mà khai thác toàn diện sự tương quan hình học giữa các chuỗi giá. Dữ liệu thực nghiệm được trực quan hóa qua biểu đồ đường tăng trưởng tài sản tích lũy ($S_n$) theo 126 bước thời gian, phản ánh sự phân hóa rõ rệt giữa đường hiệu suất của thuật toán KMNLOG so với các phương pháp cơ sở. Đồng thời, bảng tổng hợp đa chỉ số (APY, Độ lệch chuẩn lợi nhuận, Chỉ số Calmar, Thời gian thực thi và MAPE) xác nhận rằng mô hình không chỉ tối đa hóa lợi tức mà còn duy trì mức độ sụt giảm tài sản tối đa ở ngưỡng an toàn, đáp ứng tiêu chuẩn khắt khe trong quản trị danh mục định lượng.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và ứng dụng hiệu quả thuật toán trong môi trường giao dịch thực tế, nghiên cứu đề xuất 4 nhóm giải pháp cụ thể:

• Tự động hóa pipeline thu thập và làm sạch dữ liệu giao dịch: Khuyến nghị các bộ phận công nghệ tài chính xây dựng hệ thống API kết nối trực tiếp với các sở giao dịch, hoàn thiện quy trình xử lý dữ liệu giá tương đối trong thời gian dưới 500 mili-giây trước mỗi phiên đóng cửa, thực hiện trong vòng 3 tháng đầu triển khai.
• Tích hợp bộ lọc thanh khoản động theo vốn hóa và bước giá: Đề xuất các chuyên viên quản trị rủi ro áp dụng tiêu chí loại trừ các cổ phiếu có khối lượng giao dịch dưới 500.000 đơn vị/phiên hoặc biên độ chênh lệch giá mua - giá bán lớn hơn 1.5%, nhằm đảm bảo tỷ lệ khớp lệnh thực tế đạt trên 98% mục tiêu phân bổ.
• Tối ưu hóa tham số chi phí giao dịch theo từng công ty chứng khoán: Điều chỉnh tham số chi phí giao dịch ($\tau$) bám sát chính sách thực tế (từ 0.05% đến 0.15% tùy hạng tài khoản VIP hoặc chính sách zero-fee) nhằm tăng thêm từ 2% đến 4% tỷ suất lợi nhuận ròng hàng năm cho nhà đầu tư.
• Mở rộng phạm vi kiểm thử sang đa nhóm ngành và thị trường phái sinh: Các quỹ đầu tư định lượng cần mở rộng triển khai thuật toán trên danh mục tổng hợp gồm hơn 100 mã thuộc 5 nhóm ngành dẫn dắt (Thép, Bán lẻ, Năng lượng, Ngân hàng, Bất động sản) và hợp đồng tương lai VN30 trong lộ trình từ 6 đến 12 tháng tới.

Đối tượng nên tham khảo luận văn

Nội dung và mã nguồn nghiên cứu là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chính:

• Chuyên viên giao dịch định lượng (Quant Traders) và Quản lý quỹ đầu tư: Tiếp cận mô hình toán tối ưu hóa danh mục trực tuyến hoàn chỉnh để ứng dụng vào hệ thống bot giao dịch tự động và tái cân bằng danh mục theo thời gian thực.
• Học viên cao học và Nhà nghiên cứu chuyên ngành Toán Tin, Khoa học Dữ liệu Tài chính: Kế thừa khung lý thuyết đối sánh mẫu phi tham số, thuật toán tối ưu hóa phi tuyến có ràng buộc và phương pháp đánh giá thực nghiệm trên chuỗi thời gian.
• Kỹ sư phần mềm công nghệ tài chính (Fintech Developers): Sử dụng logic xử lý dữ liệu ma trận bằng Python và cấu trúc thuật toán phân cụm để xây dựng tính năng tư vấn đầu tư tự động (Robo-advisor) cho các ứng dụng chứng khoán.
• Nhà đầu tư cá nhân theo trường phái định lượng: Nắm bắt phương pháp quản trị danh mục đa tài sản khoa học, loại bỏ yếu tố cảm tính và hiểu rõ tác động của chi phí giao dịch đến hiệu quả sinh lời dài hạn.

Câu hỏi thường gặp

1. Lựa chọn danh mục đầu tư trực tuyến (OLPS) khác biệt gì so với phân tích kỹ thuật thông thường?
OLPS tối ưu hóa tỷ trọng của toàn bộ rổ tài sản một cách tự động và tuần tự dựa trên các nguyên lý toán học đa biến, thay vì chỉ đưa ra tín hiệu mua bán đơn lẻ cho từng mã cổ phiếu dựa trên các chỉ báo kỹ thuật rời rạc.

2. Tại sao nghiên cứu lại sử dụng phương pháp phân cụm trong bước đối sánh mẫu?
Phương pháp phân cụm không giám sát giúp tự động gom nhóm các cửa sổ thị trường có cấu trúc biến động tương đồng mà không cần giả định phân phối chuẩn, giúp nâng cao độ chính xác dự báo giá tương đối của ngày tiếp theo với độ tin cậy trên 80% số lần lặp.

3. Việc tích hợp chi phí giao dịch vào hàm mục tiêu mang lại lợi ích cụ thể nào?
Việc đưa chi phí giao dịch vào hàm mục tiêu logarit giúp thuật toán chủ động hạn chế các lệnh tái phân bổ vốn có biên độ lợi nhuận kỳ vọng nhỏ hơn chi phí phát sinh, từ đó bảo toàn dòng tiền ròng thực tế cho nhà đầu tư.

4. Thuật toán KMNLOG có đảm bảo khả năng sinh lời trong mọi giai đoạn thị trường không?
Thuật toán hướng tới mục tiêu tối đa hóa tốc độ tăng trưởng vốn kỳ vọng và giảm thiểu rủi ro dựa trên dữ liệu lịch sử, tuy nhiên hiệu quả thực tế vẫn phụ thuộc vào tính thanh khoản của thị trường và độ nhạy của việc hiệu chỉnh cửa sổ thời gian.

5. Luận văn đã kiểm chứng mô hình trên những bộ dữ liệu cụ thể nào?
Mô hình đã được kiểm định trên 502 phiên giao dịch thực tế (2021-2022) của 34 mã cổ phiếu ngành Bất động sản và 24 mã cổ phiếu ngành Ngân hàng tại Việt Nam, phân chia chặt chẽ thành 376 ngày huấn luyện và 126 ngày kiểm định độc lập out-of-sample.

Kết luận

• Xây dựng thành công thuật toán lựa chọn danh mục đầu tư trực tuyến (OLPS) kết hợp giữa kỹ thuật phân cụm học máy và nguyên tắc đối sánh mẫu.
• Tích hợp hiệu quả tham số chi phí giao dịch thực tế vào hàm mục tiêu tối ưu logarit, giúp giảm thiểu tối đa hiện tượng hao hụt vốn do đảo danh mục liên tục.
• Chứng minh tính hiệu quả vượt trội của mô hình KMNLOG qua 502 ngày dữ liệu thực tế trên thị trường chứng khoán Việt Nam với 58 mã cổ phiếu ngành Bất động sản và Ngân hàng.
• Cung cấp giải pháp mã nguồn Python hoàn chỉnh, có khả năng xử lý dữ liệu tự động với thời gian thực thi dưới 1 giây cho mỗi chu kỳ giao dịch.
• Đóng góp bước tiến quan trọng trong việc ứng dụng Toán Tin và Trí tuệ nhân tạo vào lĩnh vực tài chính định lượng tại Việt Nam.

Trong giai đoạn 6 đến 12 tháng tiếp theo, nhóm nghiên cứu khuyến nghị mở rộng tích hợp các mô hình học sâu (Deep Learning) và triển khai thử nghiệm trên thị trường phái sinh nhằm tối ưu hóa hơn nữa hiệu quả phân bổ vốn. Các tổ chức tài chính và nhà đầu tư quan tâm có thể ứng dụng ngay khung thuật toán này để nâng cao năng lực quản trị danh mục và tối đa hóa lợi nhuận bền vững.

Trích đoạn nội dung tài liệu

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.