TIẾP CẬN MACHINE LEARNING TRONG QUẢN TRỊ DANH MỤC TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM

Tìm hiểu ứng dụng Machine Learning trong quản trị danh mục đầu tư chứng khoán Việt Nam. Luận án tiến sĩ ngành Kinh tế học, phân tích và khuyến nghị đầu tư.

• Tác giả: Bùi Quốc Hoàn
• Người hướng dẫn: TS. Nguyễn Mạnh Thế
• Trường học: Trường Đại học Kinh Tế Quốc Dân
• Chuyên ngành: Toán kinh tế
• Đề tài: Tiếp Cận Machine Learning Trong Quản Trị Danh Mục Trên Thị Trường Chứng Khoán Việt Nam
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. LỜI MỞ ĐẦU
• 2. CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN NGHIÊN CỨU
• 2.1. Một số khái niệm trong quản trị danh mục đầu tư
• 2.2. Cơ sở lý thuyết của Quản trị danh mục đầu tư
• 2.3. Mô hình Trung bình - phương sai của Markowitz
• 2.4. Tổng quan nghiên cứu
• 2.4.1. Các nghiên cứu trên thế giới
• 2.4.2. Các nghiên cứu trong nước
• 2.4.3. Khoảng trống và khung nghiên cứu
• 2.4.3.1. Khoảng trống nghiên cứu
• 2.4.3.2. Khung nghiên cứu
• 3. PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Các phương pháp Học máy ứng dụng trong quản trị danh mục
• 3.1.1. Giới thiệu về Học máy
• 3.1.2. Phương pháp phân cụm chuỗi thời gian
• 3.1.3. Phương pháp Bộ nhớ ngắn – dài hạn (Long Short - Term Memory)
• 3.1.4. Phương pháp chính quy hóa
• 3.2. Học máy kết hợp với mô hình MV trong xây dựng danh mục tối ưu
• 3.2.1. Phương pháp phân cụm chuỗi thời gian kết hợp với mô hình MV
• 3.2.2. Phương pháp LSTM kết hợp với mô hình MV
• 3.2.3. Phương pháp chính quy hóa kết hợp với mô hình MV
• 4. PHÂN TÍCH THỰC NGHIỆM VÀ KẾT QUẢ
• 4.1. Thực trạng TTCK Việt Nam giai đoạn 2008 - 2022
• 4.2. Kết quả thực nghiệm
• 4.2.1. Kết quả thực nghiệm của phương pháp phân cụm chuỗi thời gian
• 4.2.2. Kết quả thực nghiệm của phương pháp LSTM
• 4.2.3. Kết quả thực nghiệm của phương pháp Lasso
• 4.3. Phân tích so sánh
• 4.3.1. Phân tích so sánh các danh mục Học máy với danh mục MV tiêu chuẩn
• 4.3.2. So sánh các danh mục Học máy
• 4.4. Kết luận chương
• 5. KẾT LUẬN VÀ KHUYẾN NGHỊ
• 5.1. Kết luận của luận án
• 5.2. Một số khuyến nghị
• 5.3. Một số hạn chế của luận án
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Ứng Dụng Machine Learning Trong Đầu Tư Chứng Khoán

Quản trị danh mục đầu tư chứng khoán trong bối cảnh thị trường đầy biến động là một thách thức lớn. Quản trị danh mục đầu tư bao gồm xác định mục tiêu, xây dựng danh mục, đánh giá và điều chỉnh. Xây dựng danh mục là khâu quan trọng, và đa dạng hóa danh mục là một yếu tố then chốt. Harry Markowitz đặt nền móng cho quan điểm này (Markowitz, 1952). Lý thuyết danh mục đầu tư hiện đại (MPT) sau đó đã cách mạng hóa quản lý đầu tư, nhấn mạnh tầm quan trọng của quan điểm danh mục và sử dụng các phương pháp định lượng. Ngày nay, cả yếu tố định lượng và định tính đều bổ trợ lẫn nhau. Bài toán phân tích Trung bình - phương sai (MV) là cốt lõi của MPT, nhằm tối đa hóa lợi nhuận hoặc giảm thiểu rủi ro. Việc này dựa trên lợi nhuận kỳ vọng và độ rủi ro (phương sai). Tính toán đòi hỏi ước lượng giá trị kỳ vọng và ma trận hiệp phương sai. Với số lượng tài sản lớn và liên hệ phức tạp, phương pháp MV gặp một số hạn chế.

1.1. Lịch Sử Phát Triển Quản Trị Danh Mục Đầu Tư Hiện Đại

Từ công trình tiên phong của Harry Markowitz, lý thuyết danh mục đầu tư đã trải qua nhiều giai đoạn phát triển. Các nhà nghiên cứu như Jack Treynor và William Sharpe đã đóng góp vào việc xây dựng Modern Portfolio Theory (MPT), tập trung vào việc phân tích và lựa chọn các danh mục đầu tư dựa trên hiệu quả sử dụng rủi ro. MPT đã thúc đẩy việc sử dụng các phương pháp định lượng trong quản trị danh mục, giúp nhà đầu tư có cái nhìn sâu sắc hơn về mối quan hệ giữa rủi ro và lợi nhuận. Sự kết hợp giữa các khái niệm định lượng và định tính ngày càng trở nên quan trọng trong quản lý đầu tư hiện đại.

1.2. Vai Trò Của Đa Dạng Hóa Trong Quản Trị Danh Mục Đầu Tư

Đa dạng hóa danh mục là một nguyên tắc cơ bản trong đầu tư, giúp giảm thiểu rủi ro bằng cách phân bổ vốn vào nhiều loại tài sản khác nhau. Nguyên tắc này xuất phát từ công trình của Harry Markowitz, người đã chứng minh rằng việc kết hợp các tài sản có tương quan thấp có thể cải thiện hiệu quả của danh mục. Đa dạng hóa không chỉ giúp giảm rủi ro mà còn có thể tăng cơ hội sinh lời, đặc biệt trong bối cảnh thị trường chứng khoán luôn biến động và khó dự đoán.

II. Thách Thức Ước Lượng Rủi Ro Trong Quản Trị Danh Mục Chứng Khoán

Phương pháp Trung bình - phương sai có một số hạn chế. Nghiên cứu thực nghiệm chỉ ra rằng ước lượng ma trận hiệp phương sai, đặc biệt khi số lượng tài sản lớn, rất nhạy cảm với nhiễu (Jobson & Korkie, 1980; Best & Grauer, 1991). Cú sốc nhỏ có thể gây thay đổi lớn, dẫn đến sai lệch lớn trong danh mục. Vấn đề nghiêm trọng hơn khi cấu trúc thị trường thay đổi nhanh, gây khó khăn cho việc ước lượng chính xác. Hạn chế thứ hai là tính quá khớp của lời giải bài toán MV. Theo Kinn (2018), cách tiếp cận MV tương đương với giải bài toán hồi quy tuyến tính bằng phương pháp bình phương tối thiểu (OLS). OLS không cho phép đánh đổi giữa độ chệch và phương sai. Do đó, khi số tài sản lớn, hiệu suất có thể không tốt do vấn đề quá khớp.

2.1. Sự Nhạy Cảm Của Ma Trận Hiệp Phương Sai Với Nhiễu Thị Trường

Ước lượng ma trận hiệp phương sai, đặc biệt khi số lượng tài sản lớn, rất nhạy cảm với nhiễu thị trường. Một cú sốc nhỏ trên thị trường cũng có thể dẫn đến sự thay đổi lớn trong ma trận này, gây ra sai lệch đáng kể trong việc xây dựng danh mục. Các nghiên cứu thực nghiệm đã chứng minh rằng sai số trong ước lượng ma trận hiệp phương sai có thể ảnh hưởng nghiêm trọng đến hiệu suất của danh mục đầu tư.

2.2. Tính Quá Khớp Của Phương Pháp Trung Bình Phương Sai MV

Phương pháp MV có thể dẫn đến tình trạng quá khớp, đặc biệt khi số lượng tài sản lớn hơn số lượng quan sát. Điều này làm cho danh mục đầu tư trở nên quá nhạy cảm với dữ liệu lịch sử và kém hiệu quả trong việc dự đoán hiệu suất trong tương lai. Các kỹ thuật chính quy hóa có thể được sử dụng để giảm thiểu tình trạng quá khớp và cải thiện tính ổn định của danh mục.

2.3. Sai Số Ước Lượng và Ảnh Hưởng Đến Hiệu Suất Danh Mục Đầu Tư

Sai số trong việc ước lượng các tham số đầu vào, chẳng hạn như lợi suất kỳ vọng và ma trận hiệp phương sai, có thể ảnh hưởng lớn đến hiệu suất của danh mục đầu tư. Sai số này có thể dẫn đến việc phân bổ tài sản không tối ưu và giảm lợi nhuận. Các phương pháp Machine Learning có thể giúp giảm thiểu sai số ước lượng và cải thiện hiệu suất của danh mục.

III. Cách Ứng Dụng Machine Learning Để Tối Ưu Quản Trị Danh Mục

Gần đây, việc kết hợp Học máy (Machine learning - ML) với bài toán tối ưu MV đã được nghiên cứu để cải thiện các vấn đề trên. Nghiên cứu thực nghiệm cho thấy ưu điểm so với phương pháp MV tiêu chuẩn (Nanda và cộng sự, 2010; Iorio và cộng sự, 2018; DeMiguel & Nogales, 2009; Awoye, 2016; Bjerring và cộng sự, 2017; Brodie và cộng sự, 2009; Kinn, 2018; Ta và cộng sự, 2020; Ma và cộng sự, 2021; Zhang và cộng sự, 2022). Các nghiên cứu theo hướng này có thể chia thành ba nhóm chính. Thứ nhất, giảm chiều dữ liệu bằng phương pháp phân cụm chuỗi thời gian, hướng tới danh mục ít tài sản hơn. Kết quả cho thấy cải thiện so với MV tiêu chuẩn (Nanda và cộng sự (2010), Iorio và cộng sự (2018), Marvin và Bhatt (2015), Ren (2005)). Tiếp theo, giải quyết vấn đề quá khớp bằng cách tích hợp mô hình dự báo (Ta và cộng sự (2020), Wang và cộng sự (2020), Fjellström (2022), Zhang và cộng sự (2022)). Giá trị dự báo bởi ML phù hợp hơn so với lợi suất lịch sử. Cuối cùng, giải quyết vấn đề quá khớp bằng phương pháp chính quy.

3.1. Giảm Chiều Dữ Liệu Với Phương Pháp Phân Cụm Chuỗi Thời Gian

Phân cụm chuỗi thời gian là một phương pháp hiệu quả để giảm chiều dữ liệu trong quản trị danh mục. Bằng cách nhóm các cổ phiếu có đặc điểm tương đồng vào các cụm, nhà đầu tư có thể tập trung vào một số ít các đại diện cho mỗi cụm thay vì phải theo dõi toàn bộ thị trường. Điều này giúp giảm độ phức tạp của bài toán tối ưu hóa danh mục và cải thiện hiệu suất.

3.2. Tích Hợp Mô Hình Dự Báo Để Giải Quyết Vấn Đề Quá Khớp

Việc tích hợp các mô hình dự báo, chẳng hạn như mô hình Bộ nhớ ngắn - dài hạn (Long Short-Term Memory: LSTM), có thể giúp giải quyết vấn đề quá khớp trong quản trị danh mục. Các mô hình này có khả năng học hỏi từ dữ liệu lịch sử và dự đoán xu hướng thị trường, giúp nhà đầu tư đưa ra các quyết định thông minh hơn. Sử dụng giá trị dự báo thay vì lợi suất lịch sử có thể cải thiện đáng kể hiệu suất của danh mục.

3.3. Sử Dụng Phương Pháp Chính Quy Hóa Để Cải Thiện Độ Chính Xác

Phương pháp chính quy hóa, chẳng hạn như phương pháp Lasso, có thể giúp cải thiện độ chính xác của ước lượng trong quản trị danh mục. Bằng cách thêm một hình phạt vào hàm mục tiêu, phương pháp chính quy hóa khuyến khích các mô hình đơn giản hơn và ít nhạy cảm hơn với nhiễu. Điều này giúp giảm thiểu rủi ro và cải thiện hiệu suất ngoài mẫu.

IV. Ứng Dụng Machine Learning Dự Báo Chứng Khoán Việt Nam

Brodie và cộng sự (2009), Kinn (2018) hay Husmann và cộng sự (2022) sử dụng phương pháp chính quy với mô hình MV. Phương pháp chính quy chấp nhận một phần chệch cho giá trị trung bình nhưng giảm thiểu phương sai. Việc giảm thiểu phương sai này giúp cải thiện độ chính xác cho các tính toán ngoài mẫu. Thị trường chứng khoán Việt Nam đã phát triển mạnh về quy mô. Tính đến tháng 5/2023, sàn Hà Nội (HNX) có 359 công ty niêm yết, sàn TP.HCM (HSX) có 515. Điều này có thể ảnh hưởng đến chất lượng ước lượng ma trận hiệp phương sai và hiệu suất danh mục ngoài mẫu khi dùng MV tiêu chuẩn. Tuy nhiên, các nghiên cứu ở Việt Nam chưa tập trung vào việc khắc phục hạn chế này bằng Học máy. Thêm vào đó, các nghiên cứu thường so sánh các phương pháp trên cùng một bộ số liệu mà chưa làm rõ ưu điểm của từng phương pháp trên các trạng thái khác nhau của thị trường.

4.1. Tổng Quan Thị Trường Chứng Khoán Việt Nam 2008 2022

Thị trường chứng khoán Việt Nam đã trải qua nhiều giai đoạn phát triển, từ cuộc khủng hoảng tài chính toàn cầu năm 2008 đến giai đoạn bình ổn từ năm 2013 đến 2019 và sự tác động của đại dịch Covid-19 từ năm 2020 đến 2022. Số lượng công ty niêm yết và vốn hóa thị trường đã tăng trưởng đáng kể, nhưng điều này cũng đặt ra những thách thức mới trong việc quản trị danh mục đầu tư, đặc biệt là trong việc ước lượng ma trận hiệp phương sai.

4.2. Tình Hình Nghiên Cứu Ứng Dụng Machine Learning Tại Việt Nam

Mặc dù có tiềm năng lớn, việc ứng dụng Machine Learning trong quản trị danh mục đầu tư chứng khoán tại Việt Nam vẫn còn hạn chế. Các nghiên cứu hiện tại thường tập trung vào việc so sánh các phương pháp trên cùng một bộ số liệu mà chưa làm rõ ưu điểm của từng phương pháp trong các điều kiện thị trường khác nhau. Cần có thêm các nghiên cứu để đánh giá hiệu quả của các phương pháp Machine Learning trong bối cảnh thị trường Việt Nam.

V. So Sánh Các Mô Hình Học Máy Quản Trị Danh Mục Đầu Tư

Các nghiên cứu thường chỉ tập trung cho các thị trường mới nổi hoặc đã phát triển, mà chưa nghiên cứu cho thị trường cận biên như Việt Nam. Do vậy, việc nghiên cứu “Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam” là cần thiết. Luận án này sẽ áp dụng một số phương pháp Machine Learning để nghiên cứu thực nghiệm cho TTCK Việt Nam, và tìm hiểu hiệu quả của các phương pháp này khi thị trường ở các trạng thái khác nhau. Mục tiêu là xây dựng danh mục tối ưu sử dụng các phương pháp Học máy kết hợp với bài toán tối ưu Markowitz và đánh giá hiệu quả trong các bối cảnh khác nhau. Từ đó đề xuất các khuyến nghị cho các nhà đầu tư và các nhà nghiên cứu.

5.1. So Sánh Hiệu Quả Phân Cụm Chuỗi Thời Gian LSTM và Lasso

Luận án sử dụng ba nhóm phương pháp Machine Learning kết hợp với bài toán tối ưu MV: phân cụm chuỗi thời gian, LSTM, và chính quy hóa Lasso. Mục đích là khắc phục sai số khi ước lượng các đầu vào. Tính ưu việt phụ thuộc vào khả năng khắc phục này. Cần so sánh hiệu quả của từng phương pháp để xác định phương pháp phù hợp nhất cho từng điều kiện thị trường.

5.2. Khả Năng Thích Ứng Của LSTM Trong Các Điều Kiện Thị Trường

Phương pháp LSTM có tính tự học cao, có tính đến bài toán dự báo trong quá trình tính toán, và với bản chất phi tuyến, nên nó sẽ giúp cải thiện hơn so với các phương pháp Học máy khác trong bài toán xây dựng danh mục. Khả năng thích ứng và dự báo của LSTM có thể mang lại lợi thế đáng kể trong các điều kiện thị trường biến động.

VI. Hướng Dẫn Nghiên Cứu Ứng Dụng Machine Learning Chứng Khoán Việt

Luận án đặt ra các câu hỏi nghiên cứu: (1) Danh mục đề xuất bởi Học máy có hiệu quả hơn trong điều kiện thị trường bình thường? (2) Danh mục đề xuất bởi Học máy có hiệu quả hơn trong điều kiện thị trường biến động? (3) Hiệu quả của các phương pháp Học máy khác nhau như thế nào trong các điều kiện khác nhau? Giả thuyết: Sử dụng các phương pháp Học máy kết hợp MV sẽ giúp cải thiện hiệu quả so với phương pháp MV. Hiệu quả của các phương pháp có thể khác nhau trong điều kiện thị trường bình thường và biến động. Phương pháp LSTM có ưu việt hơn so với hai phương pháp còn lại. Đối tượng nghiên cứu là các cổ phiếu trên TTCK Việt Nam, mô hình MV và các phương pháp ML. Phạm vi thời gian: 2008-2022.

6.1. Phương Pháp Nghiên Cứu Sử Dụng Trong Luận Án

Luận án sử dụng các phương pháp nghiên cứu tại bàn (Desk research), thống kê, và mô hình hóa. Phương pháp tại bàn tập trung vào phân tích dữ liệu số và thống kê. Các phương pháp mô hình hóa bao gồm mô hình MV tiêu chuẩn và ba phương pháp kết hợp mô hình tối ưu với các phương pháp Học máy.

6.2. Dữ Liệu Sử Dụng Trong Phân Tích Thực Nghiệm

Luận án sử dụng dữ liệu giá đóng cửa hàng ngày của các cổ phiếu giao dịch trên sàn thành phố Hồ Chí Minh (HOSE) của Việt Nam, được cung cấp bởi công ty VietStock. Dữ liệu về lãi suất trái phiếu chính phủ được công bố trên trang vn.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ chuyên ngành Toán kinh tế (mã số: 9310101) của nghiên cứu sinh Bùi Quốc Hoàn, với đề tài "Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam", được thực hiện tại Trường Đại học Kinh tế Quốc dân dưới sự hướng dẫn khoa học của TS. Nguyễn Mạnh Thế và TS. Vương Mai Phương (bảo vệ năm 2024).

Tính cấp thiết của đề tài xuất phát từ các giới hạn thực nghiệm của mô hình Trung bình - phương sai (Mean - Variance: MV) truyền thống do Harry Markowitz (1952) đề xuất khi áp dụng vào các thị trường tài chính hiện đại có quy mô lớn:

• Khi số lượng tài sản tăng cao, việc ước lượng ma trận hiệp phương sai trở nên rất nhạy cảm với nhiễu; một biến động nhỏ trên thị trường có thể làm sai lệch lớn trọng số danh mục tối ưu (Jobson & Korkie, 1980; Best & Grauer, 1991).
• Tiếp cận MV tiêu chuẩn tương đương với việc giải bài toán hồi quy tuyến tính bằng phương pháp bình phương tối thiểu (OLS), không cho phép đánh đổi giữa độ chệch và phương sai của ước lượng, dẫn đến hiện tượng quá khớp (overfitting) và làm suy giảm hiệu suất danh mục ngoài mẫu (Kinn, 2018).
• Tại Việt Nam – một thị trường cận biên (frontier market) với cơ sở hạ tầng pháp lý đang hoàn thiện, tính đa dạng hóa chưa cao và mức độ biến động lớn – việc ứng dụng các thuật toán Học máy (Machine Learning - ML) để khắc phục nhược điểm của mô hình MV vẫn còn là khoảng trống nghiên cứu thực nghiệm.

Mục tiêu nghiên cứu tổng quát của luận án là xây dựng danh mục đầu tư tối ưu bằng cách kết hợp các phương pháp Học máy với bài toán tối ưu Markowitz, đồng thời đánh giá hiệu quả của các danh mục này trong các bối cảnh thị trường khác nhau tại Việt Nam nhằm đưa ra các khuyến nghị cho nhà đầu tư và nhà nghiên cứu.

Luận án đặt ra 3 câu hỏi nghiên cứu:

1. Danh mục đề xuất bởi các phương pháp Học máy có hiệu quả hơn so với các danh mục tiêu chuẩn thông dụng khác trong điều kiện thị trường bình thường hay không?
2. Danh mục đề xuất bởi các phương pháp Học máy có hiệu quả hơn so với các danh mục tiêu chuẩn thông dụng khác trong điều kiện thị trường có biến động hay không?
3. Hiệu quả của các phương pháp Học máy khác nhau như thế nào trong điều kiện thị trường bình thường và điều kiện thị trường có biến động?

Hệ thống giả thuyết nghiên cứu gồm 3 giả thuyết:

• H1: Sử dụng các phương pháp Học máy kết hợp MV sẽ giúp cải thiện hiệu quả so với phương pháp MV.
• H2: Hiệu quả của các phương pháp Học máy kết hợp MV so với MV có thể khác nhau trong điều kiện thị trường bình thường và trong điều kiện thị trường có biến động.
• H3: Phương pháp LSTM có ưu việt hơn so với hai phương pháp Học máy còn lại.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các cổ phiếu niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE), mô hình MV và các phương pháp Học máy trong tối ưu hóa danh mục.
• Phạm vi không gian và dữ liệu: Giá đóng cửa hàng ngày của các cổ phiếu giao dịch trên sàn HOSE do VietStock cung cấp và lãi suất trái phiếu chính phủ Việt Nam thu thập từ trang mạng tài chính.
• Phạm vi thời gian: Giai đoạn 2008 – 2022, được phân chia thành 3 giai đoạn nhỏ phản ánh các trạng thái thị trường:
  • Giai đoạn 2008 – 2012: Thời kỳ biến động lớn dưới tác động của khủng hoảng tài chính toàn cầu.
  • Giai đoạn 2013 – 2019: Thời kỳ thị trường tương đối bình ổn.
  • Giai đoạn 2020 – 2022: Thời kỳ thị trường chịu tác động mạnh bởi đại dịch Covid-19 và các sự kiện kinh tế - tài chính.

---

Tổng quan tài liệu và vị trí của luận án

Luận án điểm lại quá trình phát triển lý thuyết quản trị danh mục từ cách tiếp cận truyền thống (Traditional Portfolio Theory - TPT) dựa trên phân tích cơ bản từng chứng khoán riêng lẻ và đa dạng hóa "ngây thơ" theo luật số lớn, đến Lý thuyết danh mục đầu tư hiện đại (Modern Portfolio Theory - MPT) do Markowitz (1952) khởi xướng. Các nghiên cứu mở rộng MPT được hệ thống hóa gồm:

• Mô hình Định giá tài sản vốn (CAPM) của Sharpe (1963, 1964), Lintner và Treynor;
• Lý thuyết Định giá chênh lệch giá (APT) của Ross (1976);
• Mô hình ba nhân tố của Fama & French (1993);
• Mô hình phân bổ tài sản Black - Litterman (1992);
• Các tổng kết 60 năm ứng dụng tối ưu hóa danh mục của Kolm và cộng sự (2014).

Các hạn chế của bài toán MV khi số lượng tài sản lớn và sai số ước lượng đầu vào được chứng minh trong các công trình của Merton (1980), Jobson & Korkie (1980), Best & Grauer (1991), Chopra & Ziemba (1993), DeMiguel và cộng sự (2007), Brodie và cộng sự (2009), Fan và cộng sự (2012), Chen và cộng sự (2013).

Đối với hướng nghiên cứu kết hợp Học máy và mô hình tối ưu MV, luận án phân loại các công trình quốc tế thành 3 nhóm:

1. Nhóm giảm chiều dữ liệu bằng phân cụm chuỗi thời gian: Ren (2005), Nanda và cộng sự (2010), Marvin & Bhatt (2015), Iorio và cộng sự (2018). Các tác giả sử dụng phân cụm để chọn lọc cổ phiếu đại diện trước khi tối ưu hóa MV.
2. Nhóm tích hợp mô hình dự báo chuỗi thời gian: Ta và cộng sự (2020), Wang và cộng sự (2020), Chen và cộng sự (2021), Fjellström (2022), Zhang và cộng sự (2022), Chaweewanchon & Chaysiri (2022). Nhóm này chứng minh việc đưa giá trị dự báo từ mạng nơ-ron hồi quy (RNN), LSTM hoặc giải thuật di truyền (GA) vào tham số đầu vào của mô hình MV giúp cải thiện tỷ số Sharpe và lợi suất danh mục.
3. Nhóm chính quy hóa (Regularization): Tibshirani (1996), Brodie và cộng sự (2009), DeMiguel & Nogales (2009), Gotoh & Takeda (2011), Carrasco & Noumon (2011), Fernandes và cộng sự (2012), Fan và cộng sự (2012), Kinn (2018), Husmann và cộng sự (2022), Cusiné Jiménez (2022). Việc bổ sung hàm phạt chuẩn $L_1$ (Lasso) giúp tạo ra danh mục thưa (sparse portfolio), giảm số lượng tài sản nắm giữ và kiểm soát hiện tượng quá khớp.

Tại Việt Nam, các nghiên cứu về danh mục tối ưu chủ yếu tập trung vào mô hình MV kết hợp CAPM (Võ Thị Quý & Nguyễn Cao Minh Hoàng, 2011), mô hình Black-Litterman kết hợp ARIMA (Bao & Vuong, 2020), mô hình tối đa hóa khả năng dự báo của Lo & MacKinlay (Tạ Quốc Bảo và cộng sự, 2022), hoặc phương pháp mô phỏng chỉ số ASEAN (Nguyễn Phú Sang & Huỳnh Lưu Đức Toàn, 2019).

Khoảng trống nghiên cứu mà luận án xác định:

• Các nghiên cứu ML-MV quốc tế chủ yếu tập trung vào thị trường phát triển (Mỹ, Nhật Bản) hoặc thị trường mới nổi (Trung Quốc, Thái Lan), thiếu vắng nghiên cứu trên thị trường cận biên như Việt Nam – nơi có đặc thù biến động cao và cấu trúc thiếu ổn định (Satolli, 2024; Truong và cộng sự, 2023).
• Các nghiên cứu trước đây thường so sánh các phương pháp trên cùng một mẫu thời gian tổng thể, chưa phân tích đối sánh đa trạng thái thị trường (bình thường đối chiếu với khủng hoảng và cú sốc kinh tế).
• Thiếu các bằng chứng định lượng chi tiết về sự đánh đổi giữa mức sinh lời và các chỉ số đo lường rủi ro đuôi (VaR, CVaR, luân chuyển danh mục) khi ứng dụng Học máy tại thị trường chứng khoán Việt Nam.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết

Luận án sử dụng nền tảng Lý thuyết danh mục đầu tư hiện đại và bài toán tối ưu Trung bình - phương sai Markowitz (1952).

Lợi suất logarit của tài sản $i$ tại thời điểm $t$ được tính bằng: $$r_{i,t} = \ln\left(\frac{p_{i,t}}{p_{i,t-1}}\right)$$

Bài toán tối ưu hóa Markowitz xác định véc-tơ trọng số $\mathbf{w} = (w_1, \dots, w_N)^T$ nhằm cực tiểu hóa phương sai danh mục với mức lợi suất mục tiêu $r_P$: $$\min_{\mathbf{w}} \frac{1}{2} \mathbf{w}^T \mathbf{\Sigma} \mathbf{w}$$ với các ràng buộc: $$\boldsymbol{\mu}^T \mathbf{w} \geq r_P \quad \text{và} \quad \mathbf{w}^T \mathbf{1}_N = 1$$

Các ràng buộc bổ sung trong không gian tối ưu gồm: ràng buộc không bán khống ($w_i \geq 0$), ràng buộc ngân sách ($\mathbf{1}^T \mathbf{w} = 1$), ràng buộc đa dạng hóa ($l_i \leq w_i \leq u_i$), ràng buộc đòn bẩy ($|\mathbf{w}|_1 \leq L$), ràng buộc số lượng ($|\mathbf{w}|_0 \leq K$) và ràng buộc luân chuyển ($|\mathbf{w} - \mathbf{w}_0|_1 \leq u$).

Phương pháp nghiên cứu và mô hình hóa

Thiết kế nghiên cứu thực hiện kiểm nghiệm định lượng trên dữ liệu thứ cấp, bao gồm 1 mô hình đối chứng và 3 mô hình thực nghiệm Học máy kết hợp MV:

1. Mô hình đối chứng MV tiêu chuẩn: Sử dụng bài toán Markowitz truyền thống ước lượng từ dữ liệu quá khứ.
2. Phương pháp Phân cụm chuỗi thời gian (Multivariate Time Series Clustering - MTS-MV): Sử dụng thuật toán phân cụm phân cấp (Hierarchical Clustering) dựa trên khoảng cách hệ số tương quan Pearson. Mỗi cổ phiếu được đại diện bởi 2 thuộc tính chuỗi thời gian: chuỗi lợi suất và chuỗi độ biến động. Bài toán MV sau đó được giải trên tập hợp các cổ phiếu đại diện của từng cụm nhằm giảm chiều tham số.
3. Phương pháp Mạng nơ-ron Bộ nhớ ngắn - dài hạn (LSTM-MV): Ứng dụng cấu trúc mạng học sâu LSTM để dự báo lợi suất tương lai của các cổ phiếu. Giá trị dự báo kết hợp với chuỗi lịch sử được đưa vào làm tham số đầu vào cho bài toán tối ưu MV.
4. Phương pháp Chính quy hóa Lasso (Lasso-MV): Bổ sung số hạng phạt chuẩn $L_1$ vào hàm mục tiêu tối ưu nhằm rút gọn các trọng số không đáng kể về 0, tạo danh mục đầu tư thưa và hạn chế quá khớp. Tham số phạt được lựa chọn thông qua phương pháp xác thực chéo (cross-validation) bảo đảm thứ tự thời gian.

Kỹ thuật kiểm thử và tiêu chí đánh giá

• Kỹ thuật Cửa sổ cuộn (Rolling Window): Áp dụng cho mô hình MV, MTS-MV và Lasso-MV. Cửa sổ mẫu huấn luyện có độ dài 496 ngày giao dịch (tương đương 2 năm); danh mục tối ưu được giữ cố định trong 21 ngày giao dịch tiếp theo (1 tháng ngoài mẫu) để ghi nhận lợi suất thực tế. Sau mỗi 21 ngày, cửa sổ dịch chuyển tịnh tiến.
• Đối với phương pháp LSTM-MV, do khối lượng tính toán lớn, dữ liệu được chia thành tập huấn luyện và tập kiểm tra, tính toán tối ưu danh mục theo từng ngày ngoài mẫu.
• Hệ thống chỉ số đánh giá hiệu suất danh mục:
  • Lợi suất tích lũy: $r_{cum,t} = r_{cum,t-1} + r_t$
  • Lợi suất trung bình ($m$) và Độ lệch chuẩn ($s$)
  • Tỷ số Sharpe (SR): $SR = \frac{E[r - r_f]}{\sigma}$ (với $r_f$ là lãi suất trái phiếu chính phủ)
  • Tỷ số thông tin (Information Ratio - IR): Đo lường lợi suất vượt trội so với chỉ số tham chiếu VNIndex
  • Chỉ số luân chuyển danh mục (Turnover - TO): Đại diện cho chi phí giao dịch
  • Giá trị rủi ro ($VaR_{5%}$) và Tổn thất kỳ vọng ($CVaR_{5%}$ / Expected Shortfall) tính theo phương pháp lịch sử
  • Kiểm định thống kê so sánh sự khác biệt về lợi suất trung bình và lợi suất tích lũy giữa các danh mục.

Công cụ xử lý

Nghiên cứu được lập trình bằng ngôn ngữ Python, sử dụng thư viện chuyên dụng tối ưu hóa tài chính Riskfolio-Lib và bộ giải bài toán tối ưu lồi MOSEK.

---

Nội dung chính theo từng chương

Chương 1: Cơ sở lý luận và tổng quan nghiên cứu

Chương 1 thiết lập khung lý thuyết về quản trị danh mục đầu tư, làm rõ 4 bước trong quy trình quản trị (xác định mục tiêu; phân tích kinh tế vĩ mô và chứng khoán tiềm năng; phân bổ tài sản - xây dựng danh mục tối ưu; đánh giá thực thi và điều chỉnh). Tác giả so sánh chi tiết giữa trường phái truyền thống và trường phái hiện đại, diễn giải toán học mô hình Markowitz (1952), đồng thời phân tích 2 hạn chế căn bản của mô hình MV: sai số ước lượng tham số đầu vào và vấn đề quá khớp. Chương này cũng phân tích tổng quan các công trình quốc tế và trong nước, xác định 3 khoảng trống nghiên cứu và đề xuất khung nghiên cứu tổng thể tích hợp 3 kỹ thuật Học máy (Phân cụm chuỗi thời gian, LSTM, Lasso) vào mô hình MV.

Chương 2: Phương pháp nghiên cứu

Chương 2 trình bày chi tiết toán học và thuật toán của các phương pháp Học máy được áp dụng. Tác giả mô tả cấu trúc phân cụm phân cấp chuỗi thời gian đa biến dựa trên ma trận khoảng cách Pearson; nguyên lý cổng quên (forget gate), cổng vào (input gate) và cổng ra (output gate) của tế bào LSTM trong việc nắm bắt tính phụ thuộc phi tuyến dài hạn của chuỗi giá chứng khoán; cơ chế tạo tính thưa của nghiệm hồi quy Lasso thông qua chuẩn $L_1$. Chương này cũng quy định chi tiết quy trình thiết kế thực nghiệm: thiết lập cửa sổ cuộn 496/21 ngày, phương pháp xác thực chéo chuỗi thời gian, công thức tính toán 7 chỉ số đo lường hiệu suất tài chính và rủi ro, cùng các kiểm định thống kê so sánh hiệu năng ngoài mẫu.

Chương 3: Phân tích thực nghiệm và kết quả

Chương 3 trình bày các kết quả thực nghiệm trên dữ liệu sàn HOSE qua 3 thời kỳ (2008–2012, 2013–2019, 2020–2022). Kết quả tính toán cho thấy các danh mục Học máy có sự khác biệt rõ nét so với mô hình MV tiêu chuẩn:

Tiêu chí phân tích	Giai đoạn 2008 – 2012 (Khủng hoảng tài chính)	Giai đoạn 2013 – 2019 (Thị trường bình ổn)	Giai đoạn 2020 – 2022 (Covid-19 và cú sốc)
Lợi suất tích lũy cao nhất	Thuộc về nhóm danh mục Học máy (LSTM-MV vượt trội)	Danh mục Học máy (LSTM-MV và MTS-MV) vượt trội so với MV	LSTM-MV duy trì mức vượt trội so với MV
Độ biến động & Rủi ro ($s$, $VaR$, $CVaR$)	Danh mục Học máy có $s$, $VaR$, $CVaR$ cao hơn MV tiêu chuẩn	Danh mục Học máy có mức rủi ro cao hơn MV tiêu chuẩn	Rủi ro của nhóm Học máy tiếp tục cao hơn MV tiêu chuẩn
Hiệu năng MTS-MV	Kém hiệu quả hoặc không khác biệt đáng kể so với MV	Vượt trội rõ rệt về lợi suất so với MV, rủi ro thấp hơn LSTM-MV	Không vượt trội so với MV
Hiệu năng Lasso-MV	Không tạo ra sự vượt trội rõ ràng so với MV	Thể hiện mức độ cải thiện trung bình	Kém cạnh tranh hơn so với mô hình tiêu chuẩn
Hiệu năng LSTM-MV	Vượt trội ổn định về lợi suất sinh lời	Lợi suất cao nhất nhưng đi kèm rủi ro biến động lớn nhất	Duy trì tính ưu việt ổn định về lợi suất sinh lời
Kiểm định thống kê ($p$-value)	Khác biệt về lợi suất giữa danh mục ML cao nhất và MV có ý nghĩa thống kê	Khác biệt lợi suất có ý nghĩa thống kê	Khác biệt lợi suất có ý nghĩa thống kê

Chương này đi đến kết luận: Các phương pháp Học máy mang lại lợi suất tích lũy vượt trội có ý nghĩa thống kê trong dài hạn so với MV tiêu chuẩn trên thị trường chứng khoán Việt Nam, tuy nhiên nhà đầu tư phải đánh đổi bằng mức rủi ro đuôi và độ lệch chuẩn cao hơn trong ngắn hạn.

Chương 4: Kết luận và khuyến nghị

Chương 4 tổng hợp các kết luận rút ra từ thực nghiệm, đối chiếu với 3 giả thuyết nghiên cứu ban đầu, khẳng định các giả thuyết H1, H2 và H3 đều được ủng hộ bởi bằng chứng thực nghiệm tại sàn HOSE. Tác giả đề xuất hệ thống khuyến nghị ứng dụng thực tế cho các tổ chức đầu tư tài chính và các nhà nghiên cứu định lượng, đồng thời chỉ rõ các hạn chế nội tại của luận án về phạm vi dữ liệu và chi phí tính toán.

---

Kết quả và những đóng góp mới

Đóng góp mới về mặt học thuật và lý luận

• Mở rộng không gian nghiên cứu sang thị trường cận biên: Luận án cung cấp bằng chứng thực nghiệm toàn diện đầu tiên về việc kết hợp các phương pháp Học máy (MTS, LSTM, Lasso) với mô hình tối ưu Markowitz tại thị trường chứng khoán Việt Nam – một thị trường cận biên với đặc thù cấu trúc và mức độ biến động khác biệt so với các thị trường phát triển và mới nổi.
• Làm rõ tính đa trạng thái của hiệu năng Học máy: Thay vì đánh giá trên một giai đoạn đơn lẻ, luận án phân tích so sánh hiệu quả của các mô hình qua 3 trạng thái thị trường khác nhau (khủng hoảng toàn cầu, bình ổn, cú sốc dịch bệnh). Kết quả chỉ ra rằng hiệu năng của các phương pháp Học máy không đồng nhất: mô hình dự báo phi tuyến LSTM-MV duy trì sự vượt trội ổn định qua các cuộc khủng hoảng, trong khi mô hình phân cụm MTS-MV chỉ phát huy tối đa ưu thế trong điều kiện thị trường bình ổn.
• Bổ sung bằng chứng về sự đánh đổi lợi nhuận - rủi ro: Luận án chứng minh rằng mức độ cải thiện lợi suất của danh mục Học máy tại thị trường cận biên Việt Nam lớn hơn so với các thị trường phát triển, nhưng đi kèm mức gia tăng rủi ro đuôi ($VaR$, $CVaR$) rõ rệt, bác bỏ giả định rằng Học máy có thể tối ưu hóa đồng thời cả hai chiều lợi nhuận và rủi ro trong mọi tình huống.

Phát hiện thực nghiệm và khuyến nghị ứng dụng

• Khuyến nghị cho nhà đầu tư tổ chức và cá nhân:
  • Nhà đầu tư có khẩu vị chấp nhận rủi ro và tầm nhìn dài hạn nên ưu tiên áp dụng mô hình LSTM-MV để gia tăng lợi suất tích lũy vượt trội so với thị trường.
  • Trong điều kiện thị trường bình thường, phương pháp phân cụm chuỗi thời gian (MTS-MV) là lựa chọn phù hợp giúp cân bằng giữa việc nâng cao lợi suất và kiểm soát độ biến động thấp hơn so với LSTM-MV.
  • Cần cẩn trọng khi áp dụng danh mục Học máy trong ngắn hạn vì giá trị rủi ro ($VaR_{5%}$) và tổn thất kỳ vọng ($CVaR_{5%}$) lớn có thể dẫn đến các khoản sụt giảm vốn sâu trong các giai đoạn đảo chiều bất ngờ.
• Cung cấp công cụ định lượng: Luận án cung cấp quy trình và bộ thông số định lượng cụ thể kết hợp giữa thư viện Riskfolio-Lib và MOSEK trên ngôn ngữ Python, làm cơ sở kỹ thuật cho việc xây dựng hệ thống quản trị danh mục tự động.

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các nội dung văn bản luận án trình bày:

• Phạm vi dữ liệu: Dữ liệu thực nghiệm mới chỉ thu thập trên sàn HOSE, chưa bao gồm các cổ phiếu niêm yết trên sàn HNX và UPCoM.
• Yếu tố cổ tức: Tính toán lợi suất danh mục mới chỉ dựa trên biến động giá đóng cửa, chưa tính đến thu nhập từ cổ tức bằng tiền mặt hoặc cổ phiếu thưởng của các doanh nghiệp.
• Giới hạn kỹ thuật của mô hình LSTM: Do chi phí tính toán của mạng học sâu quá lớn, mô hình LSTM-MV chưa thể thực hiện theo quy trình cửa sổ cuộn tịnh tiến 496/21 ngày như hai phương pháp MTS và Lasso, mà phải áp dụng phân chia tập dữ liệu cố định và tối ưu hàng ngày.
• Số lượng thuộc tính đầu vào: Thuật toán phân cụm chuỗi thời gian mới sử dụng 2 thuộc tính (lợi suất và độ biến động); mô hình LSTM mới chỉ sử dụng chuỗi giá đóng cửa lịch sử mà chưa tích hợp các biến số kinh tế vĩ mô hay chỉ báo phân tích cơ bản.

---

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn cho các đối tượng:

• Nghiên cứu sinh và học viên cao học ngành Toán kinh tế, Tài chính - Ngân hàng, Khoa học dữ liệu: Tham khảo cấu trúc tích hợp giữa thuật toán Học máy hiện đại với bài toán tối ưu hóa lồi cổ điển, cùng quy trình kiểm thử cửa sổ cuộn ngoài mẫu.
• Giảng viên và nhà nghiên cứu: Sử dụng làm tài liệu giảng dạy thực hành các môn học Quản trị danh mục đầu tư, Kinh tế lượng tài chính, và Tài chính định lượng (Quantitative Finance).
• Chuyên viên quản lý quỹ và nhà đầu tư định lượng (Quant Trader): Tham khảo các mã tham số, quy trình sử dụng bộ công cụ mã nguồn mở Python (Riskfolio-Lib, MOSEK) và các bảng đối sánh hiệu năng thực tế để thiết lập chiến lược phân bổ tài sản trên thị trường chứng khoán Việt Nam.

---

Câu hỏi thường gặp

1. Tại sao mô hình Markowitz (MV) tiêu chuẩn lại gặp hạn chế khi số lượng cổ phiếu trên thị trường gia tăng?
Khi số lượng tài sản $N$ lớn, số tham số cần ước lượng tăng lên mức $2N + N(N-1)/2$. Ma trận hiệp phương sai mẫu trở nên rất nhạy cảm với nhiễu dữ liệu. Sai số ước lượng nhỏ trong ma trận hiệp phương sai dẫn đến sự sai lệch lớn trong phân bổ trọng số danh mục. Đồng thời, bài toán MV tương đương với hồi quy OLS không có thành phần kiểm soát độ chệch - phương sai, dẫn tới hiện tượng quá khớp dữ liệu lịch sử và kém hiệu quả ngoài mẫu.

2. Ba phương pháp Học máy được luận án sử dụng giải quyết các nhược điểm của mô hình MV như thế nào?

• Phân cụm chuỗi thời gian (MTS): Giảm chiều dữ liệu bằng cách gom cụm các cổ phiếu có cùng đặc tính lợi suất và biến động, chỉ chọn cổ phiếu đại diện cho mỗi cụm để tối ưu MV, từ đó giảm số tham số cần ước lượng.
• Mạng LSTM: Tận dụng khả năng học phi tuyến để dự báo chuỗi lợi suất tương lai, đưa dữ liệu dự báo kết hợp lịch sử vào tham số đầu vào của mô hình MV nhằm bổ sung thông tin ngoài mẫu.
• Chính quy hóa Lasso: Thêm số hạng phạt chuẩn $L_1$ vào hàm mục tiêu tối ưu nhằm triệt tiêu các trọng số quá nhỏ về 0, tạo danh mục thưa và ngăn ngừa quá khớp.

3. Hiệu quả của các danh mục Học máy thể hiện như thế nào qua các giai đoạn thị trường khác nhau tại Việt Nam?
Trong điều kiện thị trường bình ổn (2013–2019), cả LSTM-MV và MTS-MV đều vượt trội về lợi suất so với MV tiêu chuẩn. Trong hai giai đoạn thị trường có biến động lớn (khủng hoảng 2008–2012 và Covid-19 2020–2022), chỉ có phương pháp LSTM-MV duy trì được sự vượt trội ổn định về lợi suất sinh lời; hai phương pháp MTS-MV và Lasso-MV không cho thấy sự khác biệt đáng kể hoặc kém hơn MV tiêu chuẩn.

4. Tại sao lợi suất của danh mục Học máy vượt trội nhưng nhà đầu tư vẫn cần thận trọng trong ngắn hạn?
Kết quả kiểm định thực nghiệm cho thấy đi kèm với lợi suất tích lũy cao hơn, các danh mục Học máy đều có độ lệch chuẩn ($s$), giá trị rủi ro ($VaR_{5%}$) và tổn thất kỳ vọng ($CVaR_{5%}$) lớn hơn so với danh mục MV tiêu chuẩn. Điều này đồng nghĩa với việc danh mục Học máy có mức độ rủi ro sụt giảm giá trị ngắn hạn cao hơn, đòi hỏi nhà đầu tư phải cân nhắc kỹ lưỡng mức độ chấp nhận rủi ro trước khi ra quyết định đầu tư.

---

Kết luận

Luận án của nghiên cứu sinh Bùi Quốc Hoàn đã giải quyết bài toán quản trị danh mục đầu tư trên thị trường chứng khoán Việt Nam giai đoạn 2008 – 2022 thông qua việc tích hợp 3 kỹ thuật Học máy (Phân cụm chuỗi thời gian, LSTM, Lasso) vào mô hình Trung bình - phương sai của Markowitz. Kết quả thực nghiệm khẳng định các danh mục Học máy, đặc biệt là mô hình kết hợp LSTM-MV, đem lại lợi suất tích lũy vượt trội có ý nghĩa thống kê so với mô hình MV truyền thống qua các trạng thái thị trường khác nhau. Tuy nhiên, sự vượt trội này đi kèm với mức rủi ro đuôi cao hơn, cung cấp cơ sở định lượng quan trọng để các nhà đầu tư đưa ra quyết định phân bổ tài sản phù hợp với mục tiêu sinh lời và khả năng kiểm soát rủi ro.

Trích đoạn nội dung tài liệu

Chương 1 trình bày cơ sở lý thuyết về quản trị danh mục, bao gồm lý thuyết danh mục đầu tư hiện đại và một số chiến lược đầu tư - quản trị danh mục. Chương này cũng giới thiệu tổng quan các nghiên cứu trên thế giới và Việt Nam về quản trị danh mục, trong đó tập trung vào bài toán xây dựng danh mục tối ưu.1 Một số khái niệm trong quản trị danh mục đầu tư Danh mục đầu tư Với sự phát triển nhanh chóng của các nền kinh tế hiện đại, hoạt động phân tích ngày càng đóng vai trò quan trọng trong quá trình đầu tư chứng khoán. Theo Strong (2009), các chuyên gia đầu tư thường mô tả phân tích chứng khoán như một quá trình ba bước. Bước đầu tiên, nhà phân tích xem xét triển vọng cho nền kinh tế, dựa trên giai đoạn của chu kỳ kinh doanh.

Bước thứ hai, nhà phân tích xác định các ngành có khả năng phát triển tốt trong điều kiện kinh tế được dự báo. Bước cuối cùng, nhà phân tích chọn các công ty cụ thể trong các ngành được ưa chuộng. Sau này, quá trình phân tích chứng khoán dần chuyển tới mức độ chuyên nghiệp hơn, đó là quản lý danh mục đầu tư chứng khoán. Bởi vì phân tích chứng khoán liên quan đến việc ước lượng lợi nhuận từ các tài sản đầu tư riêng lẻ trong khi quản lý danh mục đề cập đến việc xây dựng và duy trì một tập hợp các tài sản đầu tư (Strong, 2009).

Vì vậy, hoạt động quản trị danh mục đầu tư dần ở thành một xu hướng trong những năm gần đây. Danh mục đầu tư chứng khoán gồm tập hợp các chứng khoán mà một cá nhân hoặc tổ chức nắm giữ. Một danh mục đầu tư thường gồm nhiều loại tài sản khác nhau, chẳng hạn như cổ phiếu, trái phiếu, hoặc các tài sản tài chính khác. Xây dựng danh mục đầu tư (investment portfolio) là hoạt động phân bổ tiền đầu tư vào nhiều loại tài sản khác nhau nhằm giảm thiểu rủi ro và tăng cường khả năng sinh lời.

Mục tiêu của đầu tư theo danh mục là đa dạng hóa danh mục nhằm hạn chế rủi ro tương ứng với một mức lợi nhuận kỳ vọng. Trong đó, lợi nhuận kỳ vọng của một danh mục đầu tư được đo lường dưới dạng trung bình có trọng số của lợi suất kỳ vọng cho từng khoản đầu tư riêng lẻ trong danh mục, hoặc sự thay đổi tổng thể về giá trị của danh mục ban đầu. Các trọng số được sử dụng trong việc tính trung bình là giá trị thị trường ban đầu tương đối cho mỗi khoản đầu tư. Do đó, nhà đầu tư sẽ đối mặt với sự không chắc chắn liên quan đến các kỳ vọng tương lai của lợi suất danh mục đầu tư, được gọi là rủi ro của danh mục đầu tư.

Có nghĩa là nhà đầu tư sẽ đối mặt với sự không chắc chắn rằng một danh mục đầu tư sẽ đạt được tỷ suất lợi nhuận dự kiến của nó. Vì vậy, 10 các nhà đầu tư kỳ vọng tạo ra một danh mục có rủi ro thấp nhất, đó là rủi ro của thị trường hay rủi ro hệ thống. Kỳ vọng này sẽ có thể thực hiện được bằng việc đầu tư theo danh mục để đa dạng hóa trong quản lý tài chính cũng như giảm thiểu rủi ro và tối đa hóa khả năng sinh lời của khoản đầu tư. Đa dạng hóa danh mục mang lại nhiều lợi ích cho nhà đầu tư (Markowitz, 1952; Tobin, 1958).

Đa dạng hóa có thể được thực hiện bằng cách phân bổ khoản đầu tư vào nhiều loại tài sản khác nhau. Nếu một phần của danh mục gặp rủi ro, các phần còn lại có thể bù đắp hoặc giảm thiểu tác động bất lợi. Khi đó, nhà đầu tư có thể phân tán và giảm thiểu tác động của biến động thị trường đến toàn bộ danh mục đầu tư. Đa dạng hóa mang lại tiềm năng sinh lời bằng cho nhà đầu tư bằng cách tận dụng các cơ hội đầu tư từ nhiều lĩnh vực và kênh đầu tư khác nhau, cũng như giúp họ phân bổ tài sản phù hợp để đảm bảo một cân bằng hợp lý giữa rủi ro và lợi nhuận dự kiến.

Từ đó, danh mục đầu tư đa dạng hóa giúp nhà đầu tư có thể tăng cường khả năng thanh toán và linh hoạt trong việc quản lý tài chính. Quản trị danh mục đầu tư Quản trị danh mục đầu tư chứng khoán là quá trình quản lý và điều chỉnh các khoản đầu tư với mục tiêu tối ưu hóa lợi nhuận và kiểm soát rủi ro. Đây là một hoạt động quan trọng và cần thiết trong lĩnh vực đầu tư và kinh doanh chứng khoán, giúp giảm thiểu rủi ro và tối đa hóa lợi nhuận cho nhà đầu tư. Do giá chứng khoán thường xuyên biến động, việc quản trị danh mục đầu tư trở thành một yếu tố then chốt giúp nhà đầu tư phản ứng kịp thời với những thay đổi của thị trường, đồng thời duy trì và nâng cao giá trị của danh mục đầu tư.

Các chiến lược quản lý danh mục đầu tư phổ biến bao gồm chiến lược chủ động (Active Strategy), chiến lược thụ động (Passive Strategy), và chiến lược kết hợp (Mix- Strategy). Chiến lược quản lý chủ động tập trung vào việc phân tích các yếu tố kinh tế và tài chính, sử dụng các công cụ dự báo thị trường và định giá chứng khoán. Nhà đầu tư theo chiến lược này sẽ thực hiện mua bán chứng khoán một cách chủ động, nhằm tìm kiếm lợi nhuận cao hơn so với việc chỉ nắm giữ chứng khoán. Các quyết định đầu tư dựa trên phân tích kỹ thuật, phân tích cơ bản, và các thông tin thị trường để xác định thời điểm mua bán tối ưu.

Ngược lại, chiến lược quản lý thụ động chú trọng vào việc mua và nắm giữ chứng khoán trong một khoảng thời gian dài, với ít hoặc không có sự điều chỉnh danh mục đầu tư. Chiến lược này thường được thực hiện bằng cách theo dõi một chỉ số thị trường cụ thể (benchmark), chẳng hạn như chỉ số VN30. Nhà đầu tư sẽ xây dựng danh mục đầu tư phản ánh cơ cấu của chỉ số này, nghĩa là mua và giữ các chứng khoán có trong chỉ số với tỷ trọng tương ứng. Tốc độ tăng hoặc giảm của lợi nhuận danh mục đầu tư sẽ tương ứng với tốc độ tăng hoặc giảm của chỉ số được chọn 11 làm tiêu chuẩn.

Chiến lược thụ động này giúp giảm thiểu chi phí giao dịch và giảm thiểu rủi ro từ việc quyết định không chính xác thời điểm mua bán. Chiến lược kết hợp (Mix- Strategy) là sự pha trộn giữa hai phương pháp trên, trong đó nhà đầu tư có thể áp dụng chiến lược chủ động cho một phần của danh mục đầu tư, trong khi phần còn lại được quản lý theo cách thụ động. Cách tiếp cận này cho phép nhà đầu tư tận dụng những cơ hội sinh lợi từ các phân tích và dự báo, đồng thời vẫn duy trì một phần danh mục an toàn, ổn định theo chỉ số thị trường. Quá trình quản trị danh mục đầu tư thường được thực hiện qua một số bước: Thiết lập mục tiêu và chiến thuật đầu tư 1.

Mục tiêu và nhu cầu ngắn hạn, dài hạn của nhà đầu tư 2. Kỳ vọng lợi nhuận, rủi ro tương ứng Xác định tài sản tiềm năng 1. Phân tích điều kiện nền kinh tế, thị trường tài chính 2. Phân tích ngành và chứng khoán tiềm năng.

Phân bổ tài sản – xây dựng danh mục tối ưu 1. Xây dựng danh mục đáp ứng tiêu chí tối thiểu hóa rủi ro Đánh giá thực thi và Điều chỉnh danh mục 1. Đánh giá hiệu suất thực thi danh mục. Theo dõi biến động thị trường và cập nhật mục tiêu đầu tư Hình 1.1 Quá trình quản trị danh mục đầu tư Nguồn: Reilly và Brown (2011) (1) Theo quá trình quản lý danh mục được thể hiện trong Hình 1.1, bước đầu tiên trong quá trình là nhà đầu tư thiết lập một tuyên bố chính sách về mục tiêu và chiến thuật đầu tư.

Trong đó, nhà đầu tư chỉ định các loại rủi ro mà họ sẵn lòng chấp nhận, mục tiêu đầu tư trong ngắn hạn - dài hạn và ràng buộc của họ. Tất cả các quyết định đầu tư dựa trên tuyên bố chính sách để đảm bảo chúng phù hợp với nhà đầu tư. 12 (2) Trong bước thứ hai, người quản lý danh mục đầu tư nên nghiên cứu các điều kiện kinh tế vĩ mô của quốc gia, biến động của thị trường tài chính hiện tại và dự báo xu hướng tương lai. Dựa trên nhu cầu của nhà đầu tư, được phản ánh trong tuyên bố chính sách, người quản lý danh mục đầu tư sẽ xác định chiến lược đầu tư vào các ngành và các chứng khoán cụ thể.

Quá trình phân tích dựa trên các nhóm yếu tố như thông tin liên quan giao dịch đến chứng khoán, thông tin về doanh nghiệp phát hành, ngành hoạt động, môi trường vĩ mô và xu hướng thị trường liên quan đến chứng khoán. Kết quả của quá trình này là thông tin về lợi thế và lợi nhuận kỳ vọng mang lại cũng như rủi ro của tài sản đầu tư. (3) Bước thứ ba của quá trình quản lý danh mục là xây dựng danh mục đầu tư tối ưu. Dựa trên mục tiêu của nhà đầu tư và dự báo thị trường tài chính làm đầu vào, các nhà quản lý danh mục xác định triển khai chiến lược đầu tư và xác định tỷ trọng phân bổ quỹ vào từng loại tài sản và chứng khoán khác nhau.

Điều này liên quan đến việc xây dựng một danh mục sẽ làm giảm rủi ro của nhà đầu tư trong khi đáp ứng các nhu cầu và mục tiêu đề ra. (4) Bước cuối cùng trong quá trình quản lý danh mục là việc theo dõi liên tục nhu cầu của nhà đầu tư và điều kiện thị trường vốn và, khi cần thiết, cập nhật mục tiêu đầu tư. Một phần của quá trình giám sát là đánh giá hiệu suất của danh mục và so sánh kết quả tương đối với các kỳ vọng và yêu cầu của nhà đầu tư. Việc đánh giá hiệu suất và theo dõi danh mục được thực hiện một cách liên tục.

Vì nhu cầu của nhà đầu tư và giá chứng khoán thay đổi liên tục theo thời gian, nên danh mục đầu tư cần được theo dõi và điều chỉnh định kỳ. Quản trị danh mục đầu tư có vai trò quan trọng đối với các nhà đầu tư trên TTCK. Quá trình này giúp nhà đầu tư theo đuổi mục tiêu giảm thiểu rủi ro mà vẫn đảm bảo yêu cầu lợi suất kỳ vọng.