Giới thiệu dự án

Thị trường chứng khoán Việt Nam sau hơn hai thập kỷ phát triển đã trở thành kênh huy động vốn quan trọng cho nền kinh tế và là kênh phân bổ tài sản sinh lời hấp dẫn cho các nhà đầu tư cá nhân lẫn tổ chức. Theo số liệu thống kê từ Bộ Tài chính và Trung tâm Lưu ký Chứng khoán Việt Nam (VSD), tính đến cuối năm 2023, số lượng tài khoản giao dịch của nhà đầu tư trong nước đã vượt mốc 7,4 triệu tài khoản, tương đương khoảng 7,5% dân số, trong đó riêng năm 2023 ghi nhận mức tăng ròng hơn 350.000 tài khoản mới.

Tuy nhiên, sự bùng nổ về quy mô người tham gia cũng đi kèm với thách thức lớn về quản trị rủi ro trước các biến động vĩ mô phức tạp, lạm phát toàn cầu và các cú sốc địa chính trị. Đa số nhà đầu tư cá nhân trên thị trường hiện nay vẫn giao dịch dựa trên cảm tính hoặc áp dụng các chỉ báo kỹ thuật một cách rời rạc, thiếu quy trình kiểm thử định lượng (backtesting) và không có chiến lược tối ưu hóa danh mục đầu tư bài bản, dẫn đến tỷ lệ thua lỗ cao trong các giai đoạn thị trường điều chỉnh sâu.

Khóa luận tốt nghiệp chuyên ngành Tài chính – Ngân hàng với đề tài "Ứng dụng phương pháp học máy trong giao dịch cổ phiếu theo chỉ báo bằng ngôn ngữ lập trình Python" (Mã ngành: 7340201) do sinh viên Nguyễn Lê Thanh Thy thực hiện dưới sự hướng dẫn khoa học của TS. Lê Hoàng Anh tại Trường Đại học Ngân hàng TP. Hồ Chí Minh (HUB, 2024) đã giải quyết triệt để bài toán này. Đề tài tập trung xây dựng một hệ thống giao dịch định lượng (Quantitative Trading Framework) tự động hóa quy trình phân tích tín hiệu kỹ thuật, kiểm định chiến lược lịch sử và tối ưu hóa tỷ trọng phân bổ vốn theo lý thuyết danh mục hiện đại.

+-----------------------------------------------------------------------------------+
|                        HỆ THỐNG GIAO DỊCH ĐỊNH LƯỢNG PYTHON                       |
+-----------------------------------------------------------------------------------+
|  1. Thu thập dữ liệu VN30 (vnstock API: 2018 - 2023)                              |
|  2. Tạo lập tín hiệu kỹ thuật (SMA 20/50, Bollinger Bands, RSI 14, MACD)          |
|  3. Backtesting & Sàng lọc Top 5 tài sản sinh lời tốt nhất giai đoạn 2018 - 2022 |
|  4. Tối ưu hóa phân bổ vốn (Sharpe Ratio Maximization qua Scipy Minimize)         |
|  5. Kiểm định thực nghiệm Out-of-Sample trên dữ liệu thực tế năm 2023             |
+-----------------------------------------------------------------------------------+

Mục tiêu dự án

  1. Tổng hợp cơ sở lý thuyết và định lượng: Nghiên cứu hệ thống chỉ báo phân tích kỹ thuật phổ biến kết hợp lý thuyết danh mục đầu tư hiện đại Markowitz (Modern Portfolio Theory - MPT) và chỉ số Sharpe.
  2. Xây dựng hệ thống thuật toán tự động: Thiết lập mã nguồn Python hoàn chỉnh để thu thập dữ liệu lịch sử, tính toán chỉ báo, phát hiện điểm giao cắt mua/bán và thực thi backtesting tự động.
  3. Tối ưu hóa rủi ro danh mục: Ứng dụng thuật toán tối ưu hóa phi tuyến tính để xác định tỷ trọng vốn tối ưu cho từng cổ phiếu nhằm cực đại hóa tỷ lệ Sharpe.
  4. Kiểm định thực chứng và chuyển giao: Đánh giá hiệu quả chiến lược trên tập dữ liệu Out-of-Sample năm 2023 với rổ chỉ số VN30 và đề xuất quy trình 5 bước áp dụng thực tiễn cho nhà đầu tư và quỹ quản lý tài sản.

Phạm vi và giới hạn nghiên cứu

  • Tập dữ liệu: 30 mã cổ phiếu thành phần thuộc rổ chỉ số VN30 niêm yết trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) theo danh mục cập nhật ngày 18/02/2024.
  • Khung thời gian: Giai đoạn 6 năm từ ngày 01/01/2018 đến ngày 31/12/2023, trong đó chia thành tập huấn luyện/kiểm thử in-sample (2018–2022: 5 năm) và tập kiểm định out-of-sample (2023: 1 năm).
  • Môi trường tính toán: Ngôn ngữ lập trình Python 3.10+ trên nền tảng đám mây Google Colab.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong quản lý đầu tư chứng khoán, việc ra quyết định dựa trên trực giác hoặc theo dõi biểu đồ thủ công bộc lộ nhiều điểm hạn chế về tốc độ xử lý dữ liệu và tính kỷ luật. Bảng so sánh dưới đây làm rõ sự khác biệt giữa các phương pháp tiếp cận:

Tiêu chí Giao dịch thủ công (Discretionary) Học máy "Hộp đen" (Deep Learning/LSTM) Giao dịch định lượng theo chỉ báo & Tối ưu Sharpe (Đề tài)
Tính minh bạch Thấp, bị chi phối bởi tâm lý Rất thấp, khó giải thích cơ chế ra quyết định Cao, quy tắc toán học rõ ràng và logic
Chi phí tính toán Thấp nhưng tốn thời gian theo dõi Rất cao, đòi hỏi GPU chuyên dụng Vừa phải, thực thi nhanh trên Google Colab
Quản trị rủi ro Thường dựa vào cảm tính hoặc cắt lỗ cứng Tích hợp gián tiếp qua hàm mất mát (loss) Tối ưu hóa phân tán rủi ro danh mục toán học
Khả năng Overfitting Không xác định Rất dễ overfit trên dữ liệu tài chính nhiễu Kiểm soát tốt thông qua sàng lọc Top 5 và out-of-sample

Ma trận phân tích yêu cầu hệ thống (MoSCoW)

  • Must-Have (Bắt buộc): Module lấy dữ liệu tự động từ API vnstock; module tính toán các chỉ báo SMA, Bollinger Bands, RSI, MACD; thuật toán mô phỏng lệnh mua/bán kèm phí giao dịch 0.01%; module tối ưu hóa tỷ trọng danh mục bằng tỷ lệ Sharpe.
  • Should-Have (Nên có): Ràng buộc tỷ trọng phân bổ vốn ($10% \le w_i \le 50%$) để đảm bảo nguyên tắc đa dạng hóa danh mục; biểu đồ trực quan hóa lợi nhuận tích lũy.
  • Could-Have (Có thể mở rộng): Tự động điều chỉnh các siêu tham số chỉ báo theo từng chu kỳ thị trường (Grid Search/Bayesian Optimization).
  • Won't-Have (Giai đoạn này chưa làm): Kết nối API đặt lệnh trực tiếp (Direct Market Access - DMA) vào hệ thống các công ty chứng khoán tại Việt Nam.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình xử lý dữ liệu dạng đường ống (Modular Pipeline Architecture) gồm 4 tầng chức năng chính:

+-----------------------------------------------------------------------------+
|                            KIẾN TRÚC HỆ THỐNG                               |
+-----------------------------------------------------------------------------+
| [Tầng Dữ liệu]       vnstock API -> Dữ liệu Giá Lịch sử OHLCV (2018-2023)  |
|                                    |                                        |
| [Tầng Chỉ báo]       Engine tính toán: SMA(20,50), BB(21,1), RSI(14), MACD  |
|                                    |                                        |
| [Tầng Chiến lược]    Bộ phát tín hiệu (Signal Engine) -> Execution Engine   |
|                                    |                                        |
| [Tầng Tối ưu hóa]    Markowitz Covariance Matrix -> Scipy Minimize (Sharpe) |
|                                    |                                        |
| [Tầng Đánh giá]      Out-of-Sample Validation 2023 -> Báo cáo Hiệu suất     |
+-----------------------------------------------------------------------------+

Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ cốt lõi: Python 3.10+
  • Thư viện xử lý dữ liệu: pandas (v2.0.3), numpy (v1.24.3)
  • Thư viện khoa học & tối ưu hóa: scipy.optimize (v1.11.2) - Thuật toán Sequential Least Squares Programming (SLSQP)
  • Thư viện trích xuất dữ liệu tài chính: vnstock (v0.2.x của tác giả Vũ Thịnh)
  • Thư viện trực quan hóa: matplotlib (v3.8.0)

Phương pháp nghiên cứu và quy trình thực hiện

Dự án áp dụng phương pháp định lượng thực nghiệm (Empirical Quantitative Research) kết hợp phân tích chuỗi thời gian tài chính. Quy trình gồm 4 giai đoạn nối tiếp:

  1. Giai đoạn 1 (Data Ingestion & Cleaning): Tải dữ liệu giá đóng cửa điều chỉnh của 30 mã VN30 giai đoạn 2018–2023, xử lý khuyết thiếu và chuẩn hóa cấu trúc dữ liệu chuỗi thời gian.
  2. Giai đoạn 2 (In-Sample Strategy Simulation 2018–2022): Chạy thuật toán giao dịch đơn lẻ trên từng mã cổ phiếu với số vốn ban đầu 100 triệu VNĐ, phí giao dịch 0.01%/giao dịch, giải ngân 95% số dư khả dụng mỗi khi có tín hiệu mua.
  3. Giai đoạn 3 (Portfolio Construction & Optimization): Lựa chọn 5 cổ phiếu có tỷ suất sinh lợi cao nhất ở từng chỉ báo trong giai đoạn 2018–2022. Thiết lập bài toán tối ưu hóa tỷ lệ Sharpe để tìm vector tỷ trọng $\mathbf{w} = [w_1, w_2, w_3, w_4, w_5]^T$.
  4. Giai đoạn 4 (Out-of-Sample Testing 2023): Cấp vốn 1 tỷ VNĐ, phân bổ theo vector tỷ trọng $\mathbf{w}$ đã tối ưu, tiến hành giao dịch tự động trong toàn bộ năm 2023 để đo lường tỷ suất sinh lợi thực tế.

Implementation và kết quả

Chi tiết các thuật toán giao dịch

1. Chiến lược giao dịch theo chỉ báo Simple Moving Average (SMA)

Quy tắc: Sử dụng 2 đường trung bình động SMA(20) ngắn hạn và SMA(50) dài hạn.

  • Tín hiệu Mua (Golden Cross): SMA(20) cắt lên trên SMA(50).
  • Tín hiệu Bán (Death Cross): SMA(20) cắt xuống dưới SMA(50).
# Trích xuất logic tính toán SMA và sinh tín hiệu giao dịch
def generate_sma_signals(df, short_window=20, long_window=50):
    df['SMA_short'] = df['close'].rolling(window=short_window).mean()
    df['SMA_long'] = df['close'].rolling(window=long_window).mean()
    df['Signal'] = 0
    # 1: Mua, -1: Bán
    df.loc[df['SMA_short'] > df['SMA_long'], 'Signal'] = 1
    df.loc[df['SMA_short'] <= df['SMA_long'], 'Signal'] = -1
    df['Position'] = df['Signal'].diff()
    return df

2. Chiến lược giao dịch theo dải Bollinger Bands

Quy tắc: Chu kỳ 21 phiên, độ lệch chuẩn $k = 1.0$.

  • Tín hiệu Mua: Giá đóng cửa giảm xuyên qua dải dưới (Lower Band - quá bán, kỳ vọng bật lại).
  • Tín hiệu Bán: Giá đóng cửa vượt qua dải trên (Upper Band - quá mua).

3. Chiến lược giao dịch theo chỉ số sức mạnh tương đối (RSI)

Quy tắc: RSI chu kỳ 14 phiên.

  • Tín hiệu Mua: $RSI < 30$ (vùng quá bán).
  • Tín hiệu Bán: $RSI > 70$ (vùng quá mua).

4. Chiến lược giao dịch theo Moving Average Convergence Divergence (MACD)

Quy tắc: $MACD = EMA(12) - EMA(26)$, đường tín hiệu $Signal = EMA(9, MACD)$.

  • Tín hiệu Mua: Đường MACD cắt đường Zero từ dưới lên (chuyển dịch từ âm sang dương).
  • Tín hiệu Bán: Đường MACD cắt đường Zero từ trên xuống (chuyển dịch từ dương sang âm).

5. Thuật toán tối ưu hóa danh mục theo tỷ lệ Sharpe

Bài toán tối ưu hóa được chuyển đổi thành bài toán tìm cực tiểu của giá trị âm tỷ lệ Sharpe:

$$\min_{\mathbf{w}} \quad -\text{Sharpe}(\mathbf{w}) = -\frac{E(R_p) - R_f}{\sigma_p}$$

Thỏa mãn các điều kiện ràng buộc:

  • $\sum_{i=1}^{n} w_i = 1$
  • $0.10 \le w_i \le 0.50 \quad \forall i \in {1, 2, 3, 4, 5}$
  • Lãi suất phi rủi ro $R_f = 2.45%/\text{năm}$ (Lãi suất Trái phiếu Chính phủ kỳ hạn 10 năm phát hành cuối năm 2023).
import numpy as np
import scipy.optimize as sco

def portfolio_performance(weights, mean_returns, cov_matrix, risk_free_rate=0.0245):
    port_return = np.sum(mean_returns * weights) * 252
    port_volatility = np.sqrt(np.dot(weights.T, np.dot(cov_matrix * 252, weights)))
    sharpe_ratio = (port_return - risk_free_rate) / port_volatility
    return port_return, port_volatility, sharpe_ratio

def min_func_sharpe(weights, mean_returns, cov_matrix, risk_free_rate=0.0245):
    return -portfolio_performance(weights, mean_returns, cov_matrix, risk_free_rate)[2]

def optimize_portfolio(mean_returns, cov_matrix, num_assets=5):
    args = (mean_returns, cov_matrix)
    constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
    bounds = tuple((0.10, 0.50) for _ in range(num_assets))
    init_guess = num_assets * [1. / num_assets,]
    
    opts = sco.minimize(min_func_sharpe, init_guess, args=args,
                        method='SLSQP', bounds=bounds, constraints=constraints)
    return opts.x

Kết quả kiểm định và tối ưu hóa

Kết quả giai đoạn huấn luyện (In-Sample 2018–2022)

Việc thực thi thuật toán trên 30 cổ phiếu VN30 mang lại bức tranh toàn diện về hiệu quả của từng chỉ báo:

  • Chiến lược SMA(20/50): 20/30 mã sinh lời. Top 5 mã có hiệu suất cao nhất gồm: VIB (+234%), SSI (+162%), FPT (+158%), HPG (+152%), BCM (+110%). Mã lỗ nặng nhất là VRE (-43%).
  • Chiến lược Bollinger Bands: 11/30 mã sinh lời, 19 mã thua lỗ. Top 5 mã gồm: ACB (+72.3%), TPB (+54.1%), GVR (+51.8%), FPT (+42.6%), TCB (+38.2%). Mã lỗ nặng nhất là HPG (-63.4%).
  • Chiến lược RSI(14): 14/30 mã sinh lời, 16 mã thua lỗ. Top 5 mã gồm: BID (+242%), CTG (+112%), ACB (+88%), VRE (+65%), GAS (+54%).
  • Chiến lược MACD (Cắt Zero): 20/30 mã sinh lời. Top 5 mã gồm: BCM (+243%), VIB (+182%), HPG (+146%), SHB (+128%), SSI (+115%).

Kết quả tối ưu hóa phân bổ vốn cho Top 5 danh mục

Bảng dưới đây tổng hợp kết quả phân bổ vốn tối ưu theo chỉ số Sharpe cho 4 danh mục:

Danh mục theo chỉ báo Thành phần cổ phiếu và Tỷ trọng tối ưu ($w_i$) TSSL kỳ vọng ($E(R_p)$) Rủi ro ước tính ($\sigma_p$) Chỉ số Sharpe cực đại
Danh mục SMA FPT: 30%, VIB: 29%, BCM: 21%, SSI: 10%, HPG: 10% 19.0%/năm 21.0% 0.79
Danh mục Bollinger FPT: 50%, ACB: 20%, TPB: 21%, GVR: 10%, TCB: 10% 18.0%/năm 17.0% 0.86
Danh mục RSI ACB: 48%, BID: 22%, CTG: 10%, VRE: 10%, GAS: 10% 10.0%/năm 24.0% 0.28
Danh mục MACD VIB: 41%, BCM: 29%, HPG: 10%, SHB: 10%, SSI: 10% 10.0%/năm 24.0% 0.68 
+-----------------------------------------------------------------------------+
|              TỶ TRỌNG PHÂN BỔ TỐI ƯU CỦA DANH MỤC SMA (SHARPE = 0.79)       |
+-----------------------------------------------------------------------------+
| FPT [==============================] 30%                                    |
| VIB [=============================] 29%                                     |
| BCM [=====================] 21%                                             |
| SSI [==========] 10%                                                        |
| HPG [==========] 10%                                                        |
+-----------------------------------------------------------------------------+

Kết quả giao dịch thực nghiệm Out-of-Sample (Năm 2023)

Khi đưa 4 danh mục vào kiểm thử thực tế trên dữ liệu năm 2023 với số vốn 1 tỷ VNĐ:

  1. Danh mục SMA: Đạt hiệu suất cao nhất với tỷ suất sinh lời thực tế đạt +20.94% (vượt mức kỳ vọng 19.0%). Toàn bộ 5 mã đều sinh lời dương: SSI dẫn đầu (+52.4%), các mã FPT, VIB, BCM, HPG đạt từ 18% đến 27%.
  2. Danh mục Bollinger Bands: Đạt tỷ suất sinh lời +17.20%, với TPB tăng tốt nhất (+17.8%), toàn bộ 5 cổ phiếu đều có lãi.
  3. Danh mục MACD: Đạt tỷ suất sinh lời +12.40%, ghi nhận SSI (+41.87%), CTG (+15.16%) nhưng bị kéo giảm bởi VIB và BCM (âm khoảng 7%).
  4. Danh mục RSI: Đạt tỷ suất thấp nhất +4.80%, trong đó BID (+14.28%), CTG (+5.91%), VRE (-10.41%), riêng ACB không phát sinh bất kỳ giao dịch nào do chỉ số RSI năm 2023 không chạm ngưỡng quá bán ($RSI < 30$).
+-----------------------------------------------------------------------------+
|             HIỆU SUẤT ĐẦU TƯ THỰC TẾ TRONG NĂM 2023 (OUT-OF-SAMPLE)        |
+-----------------------------------------------------------------------------+
| Danh mục SMA (20/50)       [====================] +20.94% (Tối ưu nhất)      |
| Danh mục Bollinger Bands   [=================] +17.20%                      |
| Danh mục MACD              [============] +12.40%                           |
| Danh mục RSI               [====] +4.80%                                    |
+-----------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Khép kín chu trình định lượng (End-to-End Quantitative Framework): Khóa luận không dừng lại ở việc kiểm thử từng chỉ báo riêng rẽ như các nghiên cứu truyền thống mà xây dựng một chu trình hoàn chỉnh: từ khai phá dữ liệu tự động, phát tín hiệu kỹ thuật, sàng lọc cổ phiếu chiến thắng đến tối ưu hóa phân bổ vốn danh mục.
  2. Lấp đầy khoảng trống nghiên cứu thực nghiệm tại Việt Nam:
    • So với nghiên cứu của Lu (2016) (chỉ dự đoán giá bằng học máy trên chỉ số S&P500 mà bỏ qua tối ưu hóa danh mục theo chỉ báo), khóa luận chứng minh tính hiệu quả của các quy tắc kỹ thuật kinh điển khi được tối ưu hóa rủi ro.
    • So với nghiên cứu của Antonio Agudelo Aguirre et al. (2020) (chỉ tập trung vào một chỉ báo MACD trên sàn NASDAQ), khóa luận đã so sánh chéo 4 hệ thống chỉ báo khác nhau trên rổ cổ phiếu vốn hóa lớn VN30.
    • So với nghiên cứu của Jevtic et al. (2022) (áp dụng mô hình chuỗi thời gian ARMA-GARCH trên thị trường dầu thô), khóa luận đem lại giải pháp tính toán nhẹ nhàng, khả thi trên môi trường Google Colab miễn phí.
  3. Định lượng hóa năng lực cải thiện rủi ro: Ứng dụng tỷ lệ Sharpe giúp danh mục SMA đạt mức sinh lời thực tế 20.94% trong năm 2023, cao hơn đáng kể so với mức tăng bình quân của thị trường chung và kiểm soát được rủi ro giảm giá danh mục (Drawdown).

Ứng dụng thực tế và triển khai

Nghiên cứu đề xuất quy trình chuẩn hóa 5 bước để triển khai hệ thống vào hoạt động đầu tư thực tế:

+---------------+     +---------------+     +---------------+     +---------------+     +---------------+
|    BƯỚC 1     |     |    BƯỚC 2     |     |    BƯỚC 3     |     |    BƯỚC 4     |     |    BƯỚC 5     |
| Thu thập &    | --> | Xây dựng chiến| --> | Huấn luyện &  | --> | Kiểm định     | --> | Vận hành &    |
| Phân chia data|     | lược & tối ưu |     | Lọc Top 5     |     | Out-of-Sample |     | Tái cân bằng  |
+---------------+     +---------------+     +---------------+     +---------------+     +---------------+
  • Bước 1: Thu thập và phân loại dữ liệu: Lựa chọn danh mục 30–50 cổ phiếu thanh khoản cao. Tải dữ liệu giá tối thiểu 5 năm, chia tỷ lệ 80% (huấn luyện) và 20% (kiểm thử).
  • Bước 2: Thiết lập tham số chỉ báo: Tùy chỉnh tham số phù hợp với từng nhóm cổ phiếu (ví dụ: SMA 20/50 cho nhóm cổ phiếu có xu hướng rõ ràng).
  • Bước 3: Giao dịch in-sample và Tối ưu hóa vốn: Chạy backtesting trên tập huấn luyện để chọn ra 3–6 cổ phiếu có hiệu suất sinh lời cao nhất. Sử dụng scipy.optimize để tính toán ma trận hiệp phương sai và vector tỷ trọng vốn tối ưu theo Sharpe.
  • Bước 4: Kiểm định out-of-sample: Chạy mô phỏng trên dữ liệu năm gần nhất để xác thực tính ổn định của hệ thống trước khi nạp tiền thật.
  • Bước 5: Vận hành và Tái cân bằng (Rebalancing): Giải ngân thực tế theo tỷ trọng đã tính toán. Thực hiện rà soát định kỳ (mỗi 3 hoặc 6 tháng) để cập nhật dữ liệu giá mới nhất và tái cơ cấu danh mục.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Rào cản tham số cố định: Nghiên cứu sử dụng các bộ tham số mặc định kinh điển (SMA 20/50, RSI 14, BB 21) mà chưa áp dụng thuật toán tìm kiếm siêu tham số tối ưu (Hyperparameter Tuning) tự động cho từng cổ phiếu riêng biệt.
  2. Giả định thanh khoản và trượt giá: Thuật toán sử dụng mức phí cố định 0.01% và giá đóng cửa ngày (End-of-Day), chưa mô phỏng độ trượt giá (Slippage) khi đặt lệnh khối lượng lớn trong phiên.
  3. Hiện tượng "đóng băng" tín hiệu của RSI: Với các cổ phiếu có biên độ dao động hẹp và ổn định như ACB trong năm 2023, chỉ báo RSI không thể kích hoạt vị thế mua do không chạm ngưỡng 30.

Hướng nghiên cứu tiếp theo

  • Tích hợp học sâu (Deep Learning): Kết hợp các mạng thần kinh LSTM hoặc Transformer để dự báo xu hướng trước khi áp dụng bộ lọc chỉ báo kỹ thuật.
  • Tối ưu hóa đa mục tiêu (Multi-Objective Optimization): Ứng dụng giải thuật di truyền (Genetic Algorithm) để tối ưu đồng thời cả Sharpe Ratio, Maximum Drawdown (MDD) và Win Rate.
  • Bổ sung dữ liệu cơ bản (Fundamental Factors): Kết hợp các chỉ số tài chính (P/E, P/B, ROE, Tăng trưởng EPS) vào bước lọc cổ phiếu trước khi đưa vào thuật toán định lượng giá.

Đối tượng hưởng lợi

  • Sinh viên và Học viên ngành Tài chính - Công nghệ tài chính (Fintech): Tiếp cận tài liệu tham khảo thực chứng hoàn chỉnh, kết nối giữa lý thuyết danh mục đầu tư tài chính và kỹ năng lập trình Python.
  • Nhà đầu tư cá nhân: Sở hữu một quy trình đầu tư kỷ luật, loại bỏ yếu tố tâm lý và phương pháp quản trị vốn toán học rõ ràng.
  • Chuyên viên phân tích và Quản lý quỹ: Tự động hóa quá trình sàng lọc cổ phiếu và kiểm thử chiến lược, tiết kiệm hơn 80% thời gian phân tích thủ công.
  • Nhà nghiên cứu định lượng (Quant Researchers): Cung cấp bộ khung mã nguồn mẫu để mở rộng nghiên cứu sang các thị trường phái sinh hoặc tiền mã hóa.

Câu hỏi thường gặp (FAQ)

1. Yêu cầu phần cứng và môi trường để triển khai hệ thống này là gì?

Hệ thống được viết hoàn toàn bằng Python và tối ưu hóa tính toán ma trận qua thư viện NumPy/SciPy nên yêu cầu tài nguyên rất thấp. Bạn chỉ cần máy tính có kết nối Internet để chạy trên Google Colab miễn phí hoặc máy cá nhân cài đặt Python 3.8+ với RAM tối thiểu 4GB.

2. Tại sao chiến lược SMA(20/50) lại đạt hiệu suất cao nhất trong năm 2023 (+20.94%)?

Năm 2023 là năm thị trường chứng khoán Việt Nam phục hồi theo các sóng tăng trung hạn rõ nét sau đợt sụt giảm mạnh năm 2022. Đường giao cắt SMA(20) và SMA(50) là công cụ bắt xu hướng (Trend-following) xuất sắc, giúp hệ thống giữ trọn vẹn các con sóng tăng trưởng của các cổ phiếu đầu ngành như SSI, FPT, HPG và kịp thời thoát hàng khi có tín hiệu đảo chiều Death Cross.

3. Làm thế nào để tích hợp hệ thống với các công ty chứng khoán tại Việt Nam?

Hiện tại, bạn có thể sử dụng hệ thống như một bộ phát tín hiệu (Signal Alert Engine) gửi thông báo qua Telegram/Email sau giờ đóng cửa mỗi ngày. Để đặt lệnh tự động, nhà đầu tư có thể kết nối thông qua Open API của một số công ty chứng khoán có hỗ trợ (như VPS, SSI iBoard API, DNSE Entrade X).

4. Tần suất tái cân bằng danh mục (Rebalancing) bao lâu là tối ưu?

Theo khuyến nghị từ khóa luận, chu kỳ tái cân bằng tối ưu là 3 tháng (theo quý) hoặc 6 tháng (bán niên). Tần suất này vừa đủ để mô hình cập nhật báo cáo tài chính và biến động biến sai mới nhất, vừa tránh phát sinh chi phí giao dịch quá mức.

5. Chi phí vận hành và tỷ suất hoàn vốn (ROI) kỳ vọng?

Hệ thống sử dụng 100% mã nguồn mở và API miễn phí từ vnstock nên chi phí phần mềm bằng 0 đồng. Với mức vốn thử nghiệm 1 tỷ VNĐ trong năm 2023, danh mục SMA mang lại lợi nhuận ròng 209.400.000 VNĐ (tương đương ROI 20.94%/năm), vượt trội so với lãi suất tiết kiệm ngân hàng (khoảng 5–6%/năm cùng thời kỳ).

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Lê Thanh Thy đã chứng minh tính hiệu quả và khả thi vượt trội của việc ứng dụng ngôn ngữ lập trình Python kết hợp phương pháp học máy và lý thuyết định lượng vào thị trường chứng khoán Việt Nam. Bằng việc kết hợp hài hòa giữa tín hiệu kỹ thuật theo xu hướng (SMA 20/50) và mô hình tối ưu hóa rủi ro danh mục theo chỉ số Sharpe, hệ thống đã đạt tỷ suất sinh lời thực tế ấn tượng +20.94% trong năm 2023.

Nghiên cứu không chỉ đóng góp một giải pháp học thuật vững chắc cho chuyên ngành Tài chính – Ngân hàng mà còn mở ra hướng đi thực tiễn, giúp nhà đầu tư và các nhà quản lý quỹ nâng cao hiệu quả đầu tư và kiểm soát rủi ro bài bản trong kỷ nguyên số hóa thị trường tài chính.