Chương 1 trình bày tổng quan về đề tài nghiên cứu như lý do chọn đề tài, mục tiêu nghiên cứu mà tác giả hướng đến, phạm vi và đối tượng nghiên cứu, đóng góp của đề tài và cấu trúc của bài nghiên cứu gồm có 5 chương cụ thể giúp tiếp cận nghiên cứu dễ dàng hơn. 10 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU 2. TỔNG QUAN VỀ DỰ BÁO CHỨNG KHOÁN 2. Khái niệm về dự báo chứng khoán Theo Kranthi (2018), dự đoán thị trường chứng khoán là hoạt động cố gắng xác định giá trị tương lai của một cổ phiếu hoặc công cụ tài chính được giao dịch trên sàn giao dịch chứng khoán.
Đây là quá trình sử dụng các phương pháp và công cụ để ước tính được giá trị hay xu hướng biến động trong tương lai. Theo Badolia (2016), sự quan tâm của đại đa số người dân đối với thị trường chứng khoán đã trải qua một sự tăng trưởng theo cấp số nhân trong vài thập kỷ qua. Nếu một người gia nhập TTCK với vai trò như nhà đầu tư cá nhân hoặc tổ chức có thể dự báo chính xác hành vi của thị trường, điều này sẽ cho phép họ liên tục đạt được lợi nhuận cao hơn so với thị trường. Mặc dù vậy, đầu tư cổ phiếu có rủi ro cao do sự không chắc chắn và biến động trên thị trường chứng khoán (Hyndman và cộng sự, 2018).
Do đó, các nhà đầu tư phải hiểu bản chất của từng cổ phiếu riêng lẻ và các yếu tố phụ thuộc của chúng ảnh hưởng đến giá cổ phiếu để tăng cơ hội đạt được lợi nhuận cao hơn (Lê Văn Tuấn và cộng sự, 2021). Kara và cộng sự (2011) cho rằng việc dự đoán chỉ số giá cổ phiếu và xu hướng biến động của nó được xem là một trong những thách thức lớn nhất trong dự đoán chuỗi thời gian tài chính. Mặc dù có nhiều nghiên cứu thực nghiệm đã giải quyết các vấn đề về dự đoán chỉ số giá cổ phiếu, phần lớn các phát hiện thực nghiệm tập trung vào các thị trường tài chính đã phát triển. Dự báo sự biến động TTCK là một chủ đề quan trọng trong lĩnh vực tài chính.
Dự báo chính xác sẽ giúp nhà đầu tư xây dựng các chiến lược đầu tư tối ưu và giảm thiểu rủi ro. Lê Văn Tuấn và cộng sự (2021) cho rằng dự báo một số chỉ số tài chính dựa trên một số yếu tố tác động có thể dễ dàng, nhưng kết quả có thể không chính xác vì 11 có những yếu tố khác chưa được đưa vào mô hình mà vẫn có thể ảnh hưởng quan trọng đến sự biến động của các chỉ số tài chính. Trương Đông Lộc (2014) đưa ra ý kiến rằng trên TTCK, giá cổ phiếu là một yếu tố mà các nhà đầu tư đặc biệt quan tâm khi đưa ra các quyết định mua, bán. Theo lý thuyết thị trường hiệu quả, giá cổ phiếu phải phản ánh tất cả các thông tin có sẵn liên quan đến cổ phiếu đó.
Nói cách khác, nếu thị trường hiệu quả, giá cổ phiếu sẽ chịu ảnh hưởng bởi nhiều nhân tố bao gồm vi mô và vĩ mô. Tuy nhiên, nhiều nghiên cứu thực nghiệm đã chỉ ra rằng thị trường chứng khoán ở nhiều quốc gia không hiệu quả. Do đó, các thông tin khi được công bố có thể không được phản ánh đầy đủ vào giá cổ phiếu. Trong những năm gần đây, các nhân tố ảnh hưởng đến giá cổ phiếu đã trở thành chủ đề được nhiều nhà nghiên cứu tài chính đặc biệt quan tâm vì ý nghĩa quan trọng của chúng.
Nhiều nghiên cứu thực nghiệm đã chỉ ra rằng các yếu tố cơ bản của công ty, chẳng hạn như tỷ lệ cổ tức, có ảnh hưởng trực tiếp đến giá cổ phiếu. Ngoài ra, một số nghiên cứu khác lại tìm thấy bằng chứng về sự ảnh hưởng của các yếu tố vĩ mô (như lãi suất, lạm phát, và tăng trưởng kinh tế) đến giá cổ phiếu. Tuy nhiên, có rất ít nghiên cứu trong tài liệu học thuật đề cập đến việc dự đoán xu hướng biến động của chỉ số giá cổ phiếu trong các thị trường mới nổi, đặc biệt là thị trường chứng khoán Việt Nam. Cohen và cộng sự (2011) cho rằng các nhà đầu tư đã sử dụng các công cụ khác nhau để hỗ trợ đưa ra quyết định mua và bán cổ phiếu.
Hai phương pháp được sử dụng phổ biến nhất bao gồm phân tích cơ bản và phân tích kỹ thuật. Phân tích cơ bản sử dụng các dữ liệu kinh tế tập trung vào việc đánh giá giá trị nội tại của cổ phiếu dựa trên các yếu tố kinh tế, tài chính của công ty như doanh thu, lợi nhuận, tân suất, tỷ lệ chi trả cổ tức, và các yếu tố ngành và chỉ số kinh tế vĩ mô như lãi suất, lạm phát, tỷ giá, giá vàng, dầu,. Trong khi phương pháp thứ hai dựa trên Lý thuyết Dow từ nghiên cứu của Murphy (1999) và sử dụng các biến động giá, khối lượng giao dịch lịch sử cũng như vô số công thức toán học, các biểu đồ và chỉ báo để dự đoán xu hướng chuyển động giá tăng hoặc giảm trong tương lai. Kim & Kang (2019) cho rằng việc đưa ra quyết định đúng đắn trong khoảng thời gian kịp thời là một thách thức lớn do cần một lượng thông tin khổng lồ để dự đoán sự biến động của giá thị trường chứng khoán.
Những thông tin này rất quan trọng đối với các nhà đầu tư vì sự biến động của thị trường chứng khoán có thể dẫn đến tổn thất đầu tư đáng kể. Do đó, việc phân tích thông tin lớn này rất hữu ích cho các nhà đầu tư và cũng hữu ích cho việc phân tích xu hướng biến động của các chỉ số chứng khoán. Hơn nữa, Zhang và cộng sự (2017) chỉ ra việc dự đoán chuỗi thời gian giá trong các thị trường tài chính, vốn có tính chất không ổn định, là rất khó khăn bởi vì chúng là các chuỗi động, hỗn loạn, nhiễu, và phi tuyến tính (Bezerra & Albuquerque, 2017). Do đó, tài liệu về dự đoán thị trường tài chính rất phong phú về phương pháp và ứng dụng thực tiễn liên quan đến dữ liệu lịch sử để đánh giá khả năng sinh lợi của các kỹ thuật.
Ứng dụng học máy dự báo chứng khoán Theo S. Kim & Kang (2019) trong những năm gần đây, sự thành công vượt bậc của các mô hình học máy trong nhiều lĩnh vực cũng như việc ứng dụng học máy trong tài chính ngày càng được chú ý và phát triển mạnh mẽ. Quá trình sử dụng các thuật toán học máy để dự báo chỉ số TTCK và cổ phiếu đã trở nên phổ biến trên toàn thế giới, không chỉ trong nghiên cứu học thuật mà còn trong thực tiễn. Điều này được thực hiện với mục tiêu cung cấp những phương pháp mới giúp các nhà đầu tư đưa ra quyết định hiệu quả hơn khi đầu tư vào TTCK.
Theo Xiao và cộng sự (2013), những phương pháp kỹ thuật học máy tích hợp trí tuệ nhân tạo được sử dụng để tìm cách phân tích mẫu từ dữ liệu lịch sử được gọi là huấn luyện sau đó đưa ra dự báo. Cụ thể, quá trình này diễn ra bằng cách xác định các mẫu và mối quan hệ trong bộ dữ liệu được chọn để huấn luyện, từ đó máy tính có thể đưa ra dự đoán về các giá trị và sự kiện trong tương lai. Trong khi các phương pháp truyền thống sử dụng các quy tắc được xác định trước để đưa ra dự đoán, ngược lại học máy có khả năng học và thích nghi từ bất kỳ lượng dữ liệu nào. Trong các bài 13 toán dự báo của các nghiên cứu trước đây, các tác giả thường sử dụng dữ liệu lịch sử của chuỗi thời gian để đưa ra các ước lượng cho giá trị tương lai.
Gần đây, các nhà nghiên cứu đã bắt đầu phát triển các kỹ thuật học máy dựa trên quá trình sinh học và tiến hóa để giải quyết các vấn đề phức tạp và phi tuyến tính, trái ngược với các phương pháp truyền thống như các phương pháp thống kê cổ điển. Ví dụ về các kỹ thuật học máy bao gồm Mạng thần kinh nhân tạo (Artificial Neural Networks - ANN), Máy vectơ hỗ trợ (Support Vector Machines - SVM), Lập trình di truyền (Genetic Programming - GP), thuật toán K-lân cận (K-nearest neighbors - KNN), Mô hình hồi quy Logistic, phân tích phân biệt tuyến tính (Linear Discriminant Analysis – LDA), và phân tích phân biệt toàn phương (Quadratic Discriminant Analysis - QDA). Các nghiên cứu lĩnh vực tài chính thực nghiệm sử dụng học máy thường có hai giai đoạn chính. Giai đoạn đầu tiên là việc lựa chọn các biến số tài chính và mô hình phù hợp cho việc dự đoán thị trường, sau đó tách một phần dữ liệu để huấn luyện các mô hình, từ đó tối ưu hóa chúng.
Giai đoạn thứ hai áp dụng các mô hình đã được tối ưu hóa vào dữ liệu dự định để kiểm tra, đo lường hiệu suất dự đoán. Các kỹ thuật cơ bản được sử dụng trong tài liệu bao gồm: mạng nơ-ron nhân tạo (ANNs), máy vector hỗ trợ (SVMs) Ngoài các mô hình dự báo TTCK, Kumbure và cộng sự (2022) bổ sung rằng dữ liệu là thành phần thiết yếu trong việc dự báo TTCK và đóng vai trò quan trọng trong quá trình dự đoán. Cụ thể, tất cả các phương pháp phân tích được thảo luận ở trên đều sử dụng bộ dữ liệu hay các biến số trong một khoảng thời gian cụ thể để xây dựng mô hình. Dữ liệu liên quan đến thị trường chứng khoán thường chứa các chuỗi thời gian dưới nhiều dạng khác nhau, như giá chỉ số cổ phiếu, lợi nhuận, động lượng và lãi suất.
Trong bài luận này, tác giả tập trung vào việc đánh giá mô hình dự báo chỉ số đại diện TTCK Việt Nam với dữ liệu được sử dụng chính trong bài là các chỉ báo kỹ thuật. Một trong những khả năng mà các mô hình học máy được ứng dụng phổ biến đó là dựa vào thông tin đầu vào để đưa ra dự đoán theo yêu cầu của người sử dụng. Ví 14 dụ như dự đoán hành vi tiêu dùng, hiểu xu hướng thị trường, dự báo các chỉ số kinh tế, tài chính vi mô hay vĩ mô, hoặc thậm chí là giá cổ phiếu của một công ty được niêm yết trên sàn chứng khoán. Thực tế, nó có thể được áp dụng cho bất kỳ vấn đề nào có dữ liệu theo chuỗi thời gian và mục tiêu là dự đoán tương lai.
Ưu điểm chính của việc sử dụng học máy là, một khi thuật toán học được cách xử lý dữ liệu, nó có thể tự động thực hiện công việc của mình.