Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam trải qua gần hai thập kỷ hình thành và phát triển kể từ tháng 7/2000, từng bước khẳng định vai trò là kênh dẫn vốn trung và dài hạn trọng yếu của nền kinh tế. Tuy nhiên, theo các thống kê giao dịch thực tế, hơn 80% giá trị giao dịch trên thị trường vẫn đến từ các nhà đầu tư cá nhân (Retail Investors). Phần lớn các quyết định giải ngân được thực hiện dựa trên tâm lý đám đông, tin đồn, khuyến nghị cảm tính từ môi giới hoặc phân tích kỹ thuật đơn lẻ mà thiếu đi một cơ sở phân bổ tài sản định lượng (Quantitative Asset Allocation) bài bản.

Thực trạng này dẫn đến mức độ biến động tài khoản rất lớn, hiệu quả đầu tư kém bền vững và rủi ro sụt giảm vốn nghiêm trọng trong các giai đoạn thị trường điều chỉnh. Trong khi các quỹ đầu tư định lượng toàn cầu đã ứng dụng sâu rộng Lý thuyết Danh mục Đầu tư Hiện đại (Modern Portfolio Theory - MPT) và Mô hình Định giá Tài sản Vốn (Capital Asset Pricing Model - CAPM), việc áp dụng các mô hình toán tài chính này tại Việt Nam vẫn còn nhiều khoảng trống thực tiễn. Đồ án/khóa luận tốt nghiệp của tác giả Nguyễn Quang Gia Thảo (Đại học Kinh tế - Đại học Huế) tập trung giải quyết bài toán cốt lõi: Xây dựng quy trình định lượng chuẩn hóa ứng dụng lý thuyết Markowitz kết hợp mô hình CAPM để tối ưu hóa danh mục đầu tư chứng khoán niêm yết tại Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE).

Mục tiêu cụ thể của dự án nghiên cứu bao gồm:

  1. Hệ thống hóa cơ sở lý thuyết về Tối ưu hóa Trung bình - Phương sai (Mean-Variance Optimization), mô hình CAPM, đường phân bổ vốn (CAL), đường thị trường vốn (CML) và các thước đo hiệu suất Sharpe, Jensen, Appraisal Ratio.
  2. Thiết lập quy trình sàng lọc 2 giai đoạn: Sử dụng CAPM Alpha ($\alpha$) để lọc 20 cổ phiếu bị định giá thấp nhất từ tập dữ liệu 150 mã cổ phiếu lớn trên sàn HOSE giai đoạn 2011–2016.
  3. Giải bài toán quy hoạch phi tuyến (Quadratic Programming) để xác định Đường biên hiệu quả (Efficient Frontier) và Danh mục tiếp tuyến tối ưu P ($E(R_P) = 1,139%$/tuần, $\sigma_P = 1,730%$/tuần).
  4. Mở rộng mô hình giải quyết bài toán bất cân xứng lãi suất: Mô phỏng danh mục hiệu quả B trong điều kiện lãi suất đi vay thực tế (12%/năm) khác biệt với lãi suất cho vay phi rủi ro ($r_f$).
  5. Xác định hàm phân bổ vốn tối ưu theo hệ số ngại rủi ro cá nhân ($A \in [1, 30]$) và kiểm định hiệu quả thực thi so với chỉ số thị trường VN-Index.

Phạm vi nghiên cứu bao quát 150 cổ phiếu niêm yết trên sàn HOSE với chuỗi dữ liệu giá đóng cửa điều chỉnh theo tuần (thu thập vào ngày thứ Tư hàng tuần nhằm triệt tiêu hiệu ứng biến động đầu/cuối tuần - Day-of-the-week Effect) trong giai đoạn 5 năm từ 2011 đến 2016, lấy lãi suất Trái phiếu Chính phủ kỳ hạn 5 năm làm đại diện cho lãi suất phi rủi ro ($r_f$). Giới hạn của nghiên cứu là áp dụng điều kiện cấm bán khống (No Short-Selling Constraint: $w_i \ge 0$) phù hợp với quy định pháp lý của TTCK Việt Nam tại thời điểm khảo sát.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại TTCK Việt Nam, các phương pháp đầu tư phổ biến tồn tại nhiều ưu nhược điểm khi đặt trong tương quan so sánh với mô hình danh mục định lượng:

Phương pháp đầu tư Ưu điểm Nhược điểm / Rủi ro Mức độ phù hợp thị trường VN
Đầu tư theo tin đồn & Cảm tính Ra quyết định nhanh, không đòi hỏi kiến thức chuyên sâu. Rủi ro cháy tài khoản cực cao, bị thao túng giá (Pump & Dump), không kiểm soát được drawdown. Phổ biến (>60% NĐT cá nhân) nhưng hiệu quả dài hạn âm.
Phân tích Kỹ thuật (TA đơn lẻ) Tối ưu hóa điểm vào/ra lệnh ngắn hạn, bám sát sóng giá. Bỏ qua yếu tố cơ bản, tỷ lệ tín hiệu giả cao trong thị trường sideway, không tối ưu được rủi ro tổng thể. Rất phổ biến, hiệu quả trung bình, phụ thuộc lớn vào kỷ luật cá nhân.
Markowitz Cổ điển (Không lọc) Đa dạng hóa tối đa, tối thiểu hóa phương sai danh mục. Dễ rơi vào bẫy "rác vào - rác ra" (GIGO), nhạy cảm với sai số ước lượng dữ liệu quá khứ. Kém hiệu quả nếu tập cổ phiếu đầu vào quá rộng ($N > 100$).
Mô hình Hybrid CAPM - Markowitz (Đề xuất) Kết hợp lọc cổ phiếu Alpha vượt trội và tối ưu hóa ma trận hiệp phương sai, giảm thiểu rủi ro phi hệ thống. Đòi hỏi xử lý dữ liệu chuỗi thời gian chuẩn xác, cập nhật ma trận định kỳ. Tối ưu nhất cho các quỹ đầu tư và NĐT chuyên nghiệp.

Yêu cầu hệ thống được lượng hóa theo chuẩn MoSCoW:

  • Must-have: Kiểm định tính dừng chuỗi thời gian (Unit Root Test ADF); Ước lượng hồi quy CAPM OLS để tính $\alpha_i, \beta_i, R^2$; Tính toán ma trận phương sai - hiệp phương sai $\mathbf{\Sigma}$; Giải bài toán tối đa hóa tỷ số Sharpe tìm danh mục P.
  • Should-have: Mô hình hóa phân bổ vốn theo hệ số ngại rủi ro $A$; Mô phỏng điều kiện biên lãi suất đi vay khác biệt ($r_b = 12%/\text{năm}$).
  • Could-have: Tự động hóa trích xuất dữ liệu giá qua API chứng khoán; Tích hợp công cụ trực quan hóa tương tác đồ thị đường biên hiệu quả.
  • Won't-have: Giao dịch tần suất cao (High-Frequency Trading - HFT) theo mili-giây; Cho phép bán khống tài sản rủi ro ($w_i < 0$).

Thiết kế hệ thống

Kiến trúc luồng xử lý định lượng được thiết kế thành một Pipeline khép kín gồm 5 module chức năng:

flowchart TD
    A["Nguồn Dữ Liệu Lịch Sử HOSE<br/>(150 Mã CP, VN-Index, Lãi suất TPCP 2011-2016)"] --> B["Module Tiền Xử Lý Dữ Liệu<br/>(Lọc giá thứ 4, Tính TSSL log/tuần, ADF Unit Root Test)"]
    B --> C["Module Định Giá & Lọc Cổ Phiếu CAPM<br/>(Hồi quy OLS: R_it - R_ft = α_i + β_i(R_Mt - R_ft))"]
    C --> D["Sàng Lọc 20 Cổ Phiếu Alpha Dương Cao Nhất<br/>(Lựa chọn tài sản bị định giá thấp)"]
    D --> E["Module Tối Ưu Hóa Markowitz (Solver Engine)<br/>(Thiết lập ma trận hiệp phương sai Σ, Maximize Sharpe Ratio)"]
    E --> F["Xác Định Đường Biên Hiệu Quả & Danh Mục P, B<br/>(P: r_f đối xứng | B: Lãi suất vay r_b = 12%/năm)"]
    F --> G["Module Phân Bổ Vốn & Đánh Giá Hiệu Suất<br/>(Tối ưu hàm thỏa dụng U(A), Đo lường Sharpe, Jensen, Appraisal Ratio)"]

Technology Stack và công cụ tính toán:

  • Econometric Engine: EViews phiên bản 9.0 (Thực hiện kiểm định nghiệm đơn vị Augmented Dickey-Fuller, hồi quy tham số OLS cho 150 cổ phiếu).
  • Optimization Engine: Microsoft Excel 2016 kết hợp Add-in Solver (Thuật toán Generalized Reduced Gradient - GRG Non-Linear Engine cho bài toán quy hoạch phi tuyến).
  • Scripting & Automation: Python 3.8+ (Thư viện numpy 1.21, pandas 1.3, scipy.optimize, statsmodels 0.13 để kiểm chứng thuật toán).
  • Data Structure: Ma trận phương sai - hiệp phương sai kích thước $20 \times 20$ biểu diễn mức độ tương quan chuỗi thời gian lợi suất giữa 20 tài sản mục tiêu.

Methodology

Phương pháp tiếp cận được xây dựng theo chuẩn mực Quản lý Danh mục Từ Trên Xuống (Top-Down Portfolio Management Process):

  1. Phân tích Kinh tế Vĩ mô & Thị trường (Asset Allocation): Xác định môi trường lãi suất qua Trái phiếu Chính phủ và xu hướng chỉ số thị trường VN-Index.
  2. Lựa chọn Chứng khoán (Security Selection): Định giá tài sản qua đường SML của CAPM để lọc danh sách cổ phiếu có Alpha dương vượt trội.
  3. Phân bổ Tỷ trọng (Portfolio Optimization): Xây dựng ma trận tương quan và tối ưu hóa hàm toán học trung bình - phương sai.
  4. Đánh giá & Tái cân bằng (Performance Attribution & Rebalancing): Kiểm định độ lệch danh mục qua Sharpe, Jensen và hệ số thẩm định $T$.

Tiến độ nghiên cứu kéo dài 24 tuần, trải qua 4 giai đoạn nghiêm ngặt: Thu thập & làm sạch dữ liệu (Tuần 1-6), Chạy hồi quy kinh tế lượng trên EViews (Tuần 7-12), Tối ưu hóa giải thuật danh mục trên Solver (Tuần 13-18), Đánh giá hiệu suất và viết báo cáo luận văn (Tuần 19-24).

Implementation và kết quả

Development process

Cơ sở toán học của mô hình tối ưu hóa danh mục đầu tư được thiết lập thông qua các phương trình chuẩn:

  1. Lợi nhuận kỳ vọng của danh mục gồm $n$ tài sản: $$E(R_P) = \sum_{i=1}^n w_i E(r_i) = \mathbf{w}^T \mathbf{\mu}$$

  2. Phương sai và Độ lệch chuẩn danh mục: $$\sigma_P^2 = \sum_{i=1}^n w_i^2 \sigma_i^2 + \sum_{i=1}^n \sum_{j \ne i}^n w_i w_j \text{Cov}(r_i, r_j) = \mathbf{w}^T \mathbf{\Sigma} \mathbf{w}$$

  3. Mô hình Định giá Tài sản Vốn (CAPM Regression) trên EViews: $$R_{it} - R_{ft} = \alpha_i + \beta_i (R_{Mt} - R_{ft}) + \epsilon_{it}$$ Trong đó, hệ số Beta đo lường rủi ro hệ thống: $$\beta_i = \frac{\text{Cov}(r_i, r_M)}{\text{Var}(r_M)}$$

  4. Hàm mục tiêu Tối đa hóa Hệ số Sharpe (Độ dốc đường CAL): $$\max_{\mathbf{w}} S_P = \frac{E(R_P) - r_f}{\sigma_P}$$ Ràng buộc: $$\sum_{i=1}^n w_i = 1 \quad \text{và} \quad w_i \ge 0, \quad \forall i \in [1, n]$$

Dưới đây là mã nguồn Python mô phỏng chính xác thuật toán tối ưu hóa danh mục Markowitz sử dụng thư viện scipy.optimize:

import numpy as np
import pandas as pd
from scipy.optimize import minimize

def optimize_portfolio(expected_returns, cov_matrix, risk_free_rate=0.00115):
    """
    Tối ưu hóa danh mục đầu tư theo lý thuyết Markowitz (Tìm danh mục tiếp tuyến P).
    expected_returns: Vector lợi nhuận kỳ vọng tuần của 20 cổ phiếu (n,)
    cov_matrix: Ma trận hiệp phương sai lợi suất tuần (n, n)
    risk_free_rate: Lãi suất phi rủi ro theo tuần (TPCP ~ 6%/năm -> ~0.115%/tuần)
    """
    num_assets = len(expected_returns)
    
    # Hàm mục tiêu: Phủ định của Sharpe Ratio để cực tiểu hóa
    def negative_sharpe(weights):
        portfolio_return = np.dot(weights, expected_returns)
        portfolio_volatility = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
        sharpe_ratio = (portfolio_return - risk_free_rate) / portfolio_volatility
        return -sharpe_ratio

    # Ràng buộc: Tổng tỷ trọng các tài sản bằng 1.0
    constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1.0})
    
    # Giới hạn: Không bán khống (0 <= w_i <= 1)
    bounds = tuple((0.0, 1.0) for _ in range(num_assets))
    
    # Khởi tạo tỷ trọng ban đầu đều nhau (1/N)
    initial_weights = np.array([1.0 / num_assets] * num_assets)
    
    # Chạy thuật toán giải tối ưu hóa phi tuyến SLSQP
    result = minimize(
        negative_sharpe, 
        initial_weights, 
        method='SLSQP', 
        bounds=bounds, 
        constraints=constraints,
        options={'ftol': 1e-9, 'maxiter': 1000}
    )
    
    optimal_weights = result.x
    opt_return = np.dot(optimal_weights, expected_returns)
    opt_volatility = np.sqrt(np.dot(optimal_weights.T, np.dot(cov_matrix, optimal_weights)))
    max_sharpe = (opt_return - risk_free_rate) / opt_volatility
    
    return {
        "weights": optimal_weights,
        "expected_return_weekly": opt_return,
        "volatility_weekly": opt_volatility,
        "sharpe_ratio": max_sharpe
    }

Testing và validation

Quá trình kiểm định thực nghiệm được thực hiện trên mẫu 150 cổ phiếu niêm yết HOSE qua 260 quan sát theo tuần:

  1. Kiểm định tính dừng (Stationarity Test): Chạy kiểm định ADF (Augmented Dickey-Fuller) trên EViews với giá trị p-value < 0,01, khẳng định chuỗi tỷ suất sinh lợi của các cổ phiếu (điển hình như PTB, BMP, CAV, PAC...) đều dừng ở bậc sai phân $I(0)$, loại bỏ hiện tượng hồi quy giả mạo (Spurious Regression).
  2. Kiểm định mô hình CAPM: Kết quả ước lượng hệ số tương quan cho thấy phần lớn các cổ phiếu có hệ số $R^2$ hiệu chỉnh ở mức ý nghĩa thống kê cao. Đặc biệt, có tới 122/150 mã cổ phiếu (chiếm 81,3%) có hệ số Alpha dương ($\alpha_i > 0$), chứng minh rằng tại thời điểm nghiên cứu, phần lớn cổ phiếu trên HOSE đang bị thị trường định giá thấp hơn giá trị nội tại kỳ vọng.
  3. Chọn lọc tài sản: 20 cổ phiếu có hệ số $\alpha_i$ dương cao nhất và thanh khoản vững chắc được lựa chọn vào tập hợp tối ưu hóa (gồm các doanh nghiệp đầu ngành như PTB, BMP, CAV, CTD, VCS, PAC, VSC...).

Kết quả đạt được

Kết quả chạy Solver tối ưu hóa danh mục đầu tư đem lại các chỉ số vượt trội so với danh mục thị trường:

Danh mục đầu tư Lợi nhuận kỳ vọng / tuần ($E(R)$) Độ lệch chuẩn / tuần ($\sigma$) Hệ số Sharpe ($S$) Hệ số Jensen Alpha ($\alpha_P$) Tỷ số Thẩm định ($T$)
Danh mục thị trường (VN-Index - M) 0,210%/tuần 2,450%/tuần 0,039 0,000% 0,000
Danh mục Hiệu quả P (Lãi suất đối xứng) 1,139%/tuần 1,730%/tuần 0,592 +0,968%/tuần 1,489
Danh mục Hiệu quả B (Lãi vay $r_b = 12%$) 1,169%/tuần 1,783%/tuần 0,526 +0,987%/tuần 1,451

Khi phân tích hàm thỏa dụng $U = E(r) - \frac{1}{2} A \sigma^2$ với hệ số ngại rủi ro $A$ biến thiên từ 1 đến 30:

  • Với $A \in [1, 5]$ (NĐT chấp nhận rủi ro cao): Tỷ trọng tối ưu $w_P^* > 100%$ (ví dụ $A=1 \Rightarrow w_P^* = 342%$), chiến lược tối ưu là sử dụng đòn bẩy tài chính (Margin), đi vay tại mức lãi suất phi rủi ro/lãi vay để đầu tư vượt quy mô vốn gốc vào danh mục P.
  • Với $A \in [15, 30]$ (NĐT thận trọng): Tỷ trọng $w_P^* < 100%$, NĐT phân bổ một phần vốn vào Trái phiếu Chính phủ và phần còn lại vào danh mục cổ phiếu P để kiểm soát rủi ro an toàn tuyệt đối.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn đáng kể cho lĩnh vực quản trị danh mục đầu tư tại Việt Nam:

  1. Quy trình phối hợp 2 tầng (Hybrid Two-Stage Filtering): Thay vì đưa toàn bộ 150 cổ phiếu vào ma trận Markowitz (khiến ma trận hiệp phương sai dễ bị suy biến và phân bổ tỷ trọng bị nhiễu), nghiên cứu sử dụng hệ số Jensen Alpha của CAPM làm màng lọc sơ bộ cấp 1 để chọn lọc 20 cổ phiếu chất lượng nhất trước khi tối ưu hóa cấp 2.
  2. Mô hình hóa chi phí vốn thực tế (Asymmetric Interest Rate Modeling): Khắc phục giả định phi thực tế của Markowitz truyền thống (cho rằng lãi suất đi vay bằng lãi suất cho vay). Nghiên cứu đã thiết lập điểm tiếp xúc danh mục B khi lãi suất vay ký quỹ đạt 12%/năm (0,23%/tuần), cung cấp đường phân bổ vốn CAL gãy khúc chân thực cho giới đầu tư.
  3. Cải thiện vượt bậc về hiệu suất sinh lời: Danh mục tối ưu P đạt tỷ suất lợi nhuận kỳ vọng 1,139%/tuần (tương đương ~59,2%/năm) với độ rủi ro $\sigma_P = 1,730%$/tuần, thấp hơn 29,4% về mức độ biến động nhưng cao gấp 5,4 lần về tỷ suất sinh lời so với chỉ số thị trường VN-Index ($E(R_M) = 0,210%$/tuần, $\sigma_M = 2,450%$/tuần).
  4. Hệ số Sharpe tăng trưởng ngoạn mục: Hệ số Sharpe của danh mục P đạt 0,592, gấp 15,1 lần so với danh mục thị trường VN-Index (0,039), khẳng định khả năng triệt tiêu rủi ro phi hệ thống nhờ đa dạng hóa tối ưu.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Quỹ đầu tư chỉ số & Quỹ tương hỗ (Mutual Funds): Áp dụng thuật toán để cấu trúc danh mục đầu tư chủ động (Active Portfolio Management), tạo ra lợi nhuận vượt trội (Alpha Generation) so với benchmark VN-Index.
  • Hệ thống Robo-Advisor tại các Công ty Chứng khoán: Tích hợp logic tối ưu hóa vào nền tảng tư vấn tài sản tự động. Khách hàng chỉ cần trả lời bảng câu hỏi khảo sát mức độ ngại rủi ro ($A$), hệ thống sẽ tự động xuất ra tỷ trọng phân bổ vốn ($w_P^*$ và $w_f$) tương ứng.

Yêu cầu triển khai và Hạ tầng

  • Data Pipeline: Kết nối trực tiếp API dữ liệu giá từ các nhà cung cấp dữ liệu tài chính (FiinGroup, Vietstock, CafeF) hoặc sàn HOSE.
  • Tần suất Rebalancing: Tái cân bằng danh mục định kỳ theo quý (Quarterly) hoặc khi tỷ trọng các cổ phiếu thành phần lệch quá $\pm 5%$ so với tỷ trọng tối ưu ban đầu.
  • Phân tích Chi phí - Lợi ích (Cost-Benefit): Với chi phí vận hành thuật toán gần như bằng 0 trên nền tảng máy chủ cơ bản, mô hình tạo ra tỷ suất lợi nhuận ròng vượt trội ngay cả sau khi đã trừ đi phí giao dịch (ước tính 0,15% - 0,20%/giao dịch) và thuế chuyển nhượng cổ phiếu.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Dữ liệu tham số quá khứ (In-Sample Bias): Mô hình Markowitz cổ điển giả định phân phối lợi nhuận trong tương lai tương đồng với quá khứ. Trong các giai đoạn thị trường xảy ra cú sốc ngoại cảnh (Black Swan), ma trận hiệp phương sai lịch sử có thể bị sai lệch.
  2. Mô hình một thời kỳ (Single-Period Model): Nghiên cứu giải quyết bài toán phân bổ tĩnh tại một thời điểm, chưa tính đến bài toán điều khiển ngẫu nhiên thời gian liên tục đa giai đoạn (Continuous-Time Dynamic Programming).
  3. Chi phí ma sát giao dịch (Frictionless Market): Mô hình chưa đưa trực tiếp hàm chi phí trượt giá (Slippage) và thanh khoản từng phiên vào ràng buộc tối ưu hóa.

Hướng phát triển mở rộng

  • Ứng dụng Mô hình Black-Litterman để kết hợp quan điểm định lượng của thị trường với nhận định định tính của chuyên gia phân tích.
  • Mở rộng sang Mô hình đa nhân tố Fama-French 5 nhân tố để phân tích sâu hơn các nhân tố quy mô vốn hóa (SMB), giá trị (HML), khả năng sinh lời (RMW) và chu kỳ đầu tư (CMA).
  • Áp dụng các thuật toán Học máy (Machine Learning) như LSTM, GARCH-Copula để dự báo ma trận phương sai biến động theo thời gian (Time-Varying Volatility).

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học ngành Tài chính - Ngân hàng: Nắm vững phương pháp luận kết hợp giữa lý thuyết kinh tế lượng tài chính và công cụ thực thi (EViews, Excel Solver, Python).
  • Kỹ sư Tài chính Định lượng (Quant Developers): Sở hữu khung thuật toán và công thức toán học chuẩn xác để tích hợp vào các hệ thống Backtest và Giao dịch tự động.
  • Chuyên viên Quản lý Quỹ & Môi giới Chuyên nghiệp: Có cơ sở khoa học vững chắc để thuyết phục khách hàng ủy thác đầu tư thông qua các báo cáo phân bổ tài sản định lượng minh bạch.
  • Nhà đầu tư Cá nhân: Xóa bỏ rào cản tâm lý cảm tính, hiểu rõ khẩu vị rủi ro cá nhân ($A$) để tối ưu hóa tỷ lệ sử dụng đòn bẩy Margin an toàn.

Câu hỏi thường gặp

1. Yêu cầu cấu hình và công cụ tối thiểu để vận hành mô hình này là gì?

Mô hình có thể vận hành mượt mà trên máy tính cá nhân cấu hình cơ bản (Intel Core i3, 4GB RAM). Công cụ yêu cầu gồm Microsoft Excel (kích hoạt sẵn Add-in Solver) hoặc môi trường Python 3.8+ với các thư viện mã nguồn mở tiêu chuẩn (scipy, pandas, numpy).

2. Mô hình xử lý bài toán quy mô lớn thế nào khi số lượng cổ phiếu lên tới hàng trăm mã?

Khi số lượng cổ phiếu $N > 100$, ma trận hiệp phương sai kích thước $N \times N$ sẽ xuất hiện nhiều nhiễu thống kê. Giải pháp chuẩn hóa là áp dụng quy trình lọc 2 tầng: dùng CAPM hoặc tỷ số Sharpe đơn lẻ để sàng lọc Top 20-30 cổ phiếu dẫn đầu trước khi đưa vào hàm tối ưu hóa phương sai.

3. Làm thế nào để áp dụng mô hình khi thị trường bước vào xu hướng giảm (Bear Market)?

Trong thị trường downtrend, nếu hệ số Alpha của toàn bộ các cổ phiếu đều âm hoặc lợi nhuận kỳ vọng thấp hơn $r_f$, thuật toán tối ưu hàm thỏa dụng sẽ tự động phân bổ tỷ trọng $w_f \to 100%$ vào tài sản phi rủi ro (Trái phiếu Chính phủ hoặc tiền gửi tiết kiệm kỳ hạn) để bảo toàn vốn.

4. Tại sao dữ liệu nghiên cứu lại chọn giá đóng cửa vào ngày thứ Tư hàng tuần?

Việc lấy mẫu theo ngày thứ Tư giúp loại bỏ các hiệu ứng bất thường về tâm lý giao dịch thường xuất hiện vào phiên thứ Hai đầu tuần (phản ứng với tin tức cuối tuần) và phiên thứ Sáu cuối tuần (tâm lý chốt lời ngắn hạn/ngại giữ vị thế qua tuần).

5. Tỷ suất sinh lợi 1,139%/tuần có bao gồm cổ tức và quyền mua hay không?

Dữ liệu giá đầu vào là giá đóng cửa điều chỉnh (Adjusted Close Price), đã phản ánh đầy đủ các quyền nhận cổ tức bằng tiền mặt, cổ tức bằng cổ phiếu, cổ phiếu thưởng và quyền mua ưu đãi trong suốt giai đoạn 2011–2016.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Quang Gia Thảo đã chứng minh một cách xuất sắc và chặt chẽ tính khả thi, hiệu quả vượt trội của việc ứng dụng Lý thuyết Danh mục Đầu tư Markowitz kết hợp mô hình CAPM tại Thị trường Chứng khoán Việt Nam. Với danh mục tối ưu P đạt lợi nhuận 1,139%/tuần, độ biến động chỉ 1,730%/tuần và hệ số Sharpe 0,592, nghiên cứu cung cấp một bằng chứng thực nghiệm đanh thép khẳng định sức mạnh của đầu tư định lượng so với các phương thức giao dịch cảm tính truyền thống.

Đây là tài liệu tham khảo mẫu mực về mặt học thuật và là kim chỉ nam thực hành giá trị cho các nhà phát triển giải pháp công nghệ tài chính (Fintech), nhà quản lý quỹ và cộng đồng nhà đầu tư đang tìm kiếm giải pháp tối ưu hóa lợi nhuận bền vững trên thị trường vốn Việt Nam.