Tổng quan về luận án

Quản trị danh mục đầu tư hiện đại đang đứng trước bước ngoặt chuyển dịch mang tính cấu trúc khi thị trường tài chính toàn cầu ngày càng gia tăng tính bất định, tính phi tuyến và quy mô dữ liệu đa chiều. Luận án tiến sĩ chuyên ngành Toán kinh tế (mã số: 9310101) với đề tài "Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam" do nghiên cứu sinh Bùi Quốc Hoàn thực hiện tại Trường Đại học Kinh tế Quốc dân (2024), dưới sự hướng dẫn khoa học của TS. Nguyễn Mạnh Thế và TS. Vương Mai Phương, đại diện cho công trình tiên phong giải quyết các khiếm khuyết nội tại của lý thuyết tài chính cổ điển tại thị trường cận biên.

Khoảng trống nghiên cứu then chốt xuất phát từ sự thất bại của mô hình Trung bình - phương sai (Mean - Variance: MV) kinh điển do Harry Markowitz khởi xướng năm 1952 khi triển khai trên thực địa. Cụ thể, khi không gian tài sản mở rộng lên hàng trăm mã chứng khoán, việc ước lượng ma trận hiệp phương sai kích thước lớn $\boldsymbol{\Sigma}$ và vectơ lợi suất kỳ vọng $\boldsymbol{\mu}$ đòi hỏi tối đa hóa $2N + N(N - 1)/2$ tham số. Theo các nghiên cứu nền tảng, "ước lượng của ma trận hiệp phương sai, nhất là trong điều kiện số tài sản lớn, là khá nhạy cảm với nhiễu" (Jobson & Korkie, 1980; Best & Grauer, 1991), dẫn tới hiện tượng sai số tích lũy nghiêm trọng và giải thuật tối ưu hóa bị rơi vào bẫy quá khớp ngoài mẫu (out-of-sample overfitting). Hơn nữa, "cách tiếp cận theo mô hình MV tiêu chuẩn tương đương với giải bài toán hồi quy tuyến tính bằng phương pháp bình phương tối thiểu (Ordinary Least Squares - OLS)... không cho phép đánh đổi giữa độ chệch và phương sai của ước lượng" (Kinn, 2018).

Luận án tập trung giải quyết 3 câu hỏi nghiên cứu cốt lõi:

  1. Danh mục đề xuất bởi các phương pháp Học máy (Machine Learning - ML) có vượt trội hơn danh mục MV tiêu chuẩn và danh mục thị trường trong điều kiện bình thường hay không?
  2. Tính hiệu quả của các cấu trúc ML-MV duy trì như thế nào trước các cú sốc và biến động vĩ mô tiêu cực?
  3. Sự khác biệt về hiệu suất phân bổ giữa các nhóm thuật toán ML (giảm chiều dữ liệu, dự báo phi tuyến, chính quy hóa) biến thiên ra sao giữa các trạng thái thị trường?

Ba giả thuyết khoa học được kiểm định tương ứng:

  • H1: Tích hợp các thuật toán Học máy vào bài toán tối ưu MV giúp cải thiện vượt bậc hiệu quả đầu tư so với mô hình MV truyền thống.
  • H2: Mức độ vượt trội của danh mục kết hợp ML-MV so với MV phụ thuộc chặt chẽ vào chế độ thị trường (market regime), thể hiện sự phân hóa rõ rệt giữa giai đoạn bình ổn và giai đoạn khủng hoảng.
  • H3: Mô hình mạng nơ-ron hồi quy Bộ nhớ ngắn - dài hạn (LSTM-MV) với khả năng trích xuất phi tuyến và tính tự học vượt trội sẽ đem lại hiệu suất tối ưu hơn các phương pháp ML còn lại.

Nghiên cứu được neo giữ trên khung lý thuyết danh mục đầu tư hiện đại (Modern Portfolio Theory - MPT) kết hợp với các trường phái Trí tuệ nhân tạo và Tối ưu hóa lồi. Về phạm vi, luận án sử dụng toàn bộ chuỗi dữ liệu giá đóng cửa hàng ngày của các cổ phiếu niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) xuyên suốt 15 năm (2008 – 2022), phân tách thành 3 giai đoạn mang tính lịch sử: 2008 – 2012 (Khủng hoảng tài chính toàn cầu), 2013 – 2019 (Phục hồi và tăng trưởng ổn định), và 2020 – 2022 (Đại dịch Covid-19 và biến động tài chính phức tạp).

Literature Review và Positioning

Cơ sở lý luận về phân bổ tài sản trải qua sự tiến hóa mạnh mẽ từ lý thuyết danh mục truyền thống (Traditional Portfolio Theory - TPT) dựa trên đánh giá cơ bản định tính và đa dạng hóa ngây thơ (naive diversification) sang Lý thuyết danh mục đầu tư hiện đại (MPT) định lượng hóa đánh đổi giữa lợi nhuận và phương sai rủi ro (Markowitz, 1952; Tobin, 1958). Nền tảng MPT tiếp tục được mở rộng thông qua Mô hình Định giá Tài sản Vốn CAPM (Sharpe, 1963, 1964; Lintner, 1965; Treynor, 1962), Lý thuyết Định giá Chênh lệch giá APT (Ross, 1976), Mô hình ba nhân tố Fama - French (1993) và Mô hình Bayesian Black - Litterman (1992).

Tuy nhiên, giới học thuật quốc tế đã chứng kiến một cuộc tranh biện kéo dài về hiệu quả thực tế của mô hình MV thuần túy. Một trường phái phê phán chỉ ra rằng danh mục MV ngoài mẫu thường xuyên bị đánh bại bởi danh mục ngây thơ $1/N$ do sai số ước lượng tham số lịch sử quá lớn (DeMiguel et al., 2007, 2009; Merton, 1980). Phản hồi lại thách thức này, làn sóng nghiên cứu giao thoa giữa Khoa học máy tính và Kinh tế tài chính lượng đã đề xuất 3 nhánh giải pháp ML chính:

  1. Nhánh giảm chiều dữ liệu (Dimensionality Reduction): Ứng dụng kỹ thuật phân cụm chuỗi thời gian (Hierarchical Clustering) để gom nhóm các tài sản có tương quan cao, thu hẹp không gian tìm kiếm trước khi tối ưu hóa (Nanda et al., 2010; Iorio et al., 2018; Marvin & Bhatt, 2015; Ren, 2005).
  2. Nhánh dự báo phi tuyến chuỗi thời gian (Deep Predictive Models): Thay thế lợi suất kỳ vọng tĩnh bằng giá trị dự báo từ mạng nơ-ron học sâu LSTM và mạng nơ-ron tích chập CNN (Ta et al., 2020; Wang et al., 2020; Zhang et al., 2022; Chaweewanchon & Chaysiri, 2022; Chen et al., 2021).
  3. Nhánh phạt chính quy hóa (Regularization Techniques): Đưa chuẩn $L_1$ (Lasso) hoặc $L_2$ (Ridge) vào hàm mục tiêu tối ưu để kiểm soát độ chệch - phương sai, triệt tiêu các trọng số nhiễu và thiết lập danh mục thưa (Brodie et al., 2009; Fan et al., 2012; Gotoh & Takeda, 2011; Carrasco & Noumon, 2011; Fernandes et al., 2012; Husmann et al., 2022; Kinn, 2018).

Về mặt định vị khoa học, luận án đã lấp đầy khoảng trống lớn khi các công trình quốc tế chủ yếu tập trung vào các thị trường phát triển như Mỹ, Nhật Bản (Brodie et al., 2009; Gotoh & Takeda, 2011) hoặc thị trường mới nổi như Trung Quốc, Thái Lan (Chen et al., 2021; Chaweewanchon & Chaysiri, 2022). Tại thị trường cận biên như Việt Nam – nơi có cơ sở pháp lý và hạ tầng đang hoàn thiện, tính bất cân xứng thông tin cao, độ biến động lớn và rào cản bán khống nghiêm ngặt (Satolli, 2024; Truong et al., 2023) – việc thực nghiệm so sánh đồng thời cả 3 trường phái ML kết hợp MV qua các chu kỳ kinh tế đối nghịch chưa từng được thực hiện một cách có hệ thống.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra sự đóng góp mở rộng đáng kể đối với Lý thuyết Danh mục đầu tư Hiện đại của Markowitz (1952) bằng cách tái định hình lại không gian tham số đầu vào. Bằng việc tích hợp các kỹ thuật học máy tiên tiến, nghiên cứu giải quyết trực diện điểm nghẽn "tối ưu hóa sai số" (error maximization) vốn bị phê phán suốt nửa thế kỷ qua.

Mô hình hóa lý thuyết của luận án thiết lập 3 bước chuyển đổi mô thức:

  • Chuyển dịch từ cấu trúc tĩnh sang cấu trúc động thích ứng: Mạng LSTM phá vỡ giả định chuỗi lợi suất độc lập phân phối chuẩn ($i.i.d$), cho phép mô hình hóa phi tuyến tính các tương quan phụ thuộc thời gian (temporal dependencies).
  • Chuyển dịch từ ước lượng không chệch OLS sang tối ưu hóa đánh đổi Bias-Variance: Thông qua chính quy hóa Lasso $L_1$, hàm mục tiêu chấp nhận một lượng chệch nhỏ trong mẫu để giảm thiểu căn bản phương sai ước lượng ngoài mẫu.
  • Tối ưu hóa không gian cấu trúc phân cấp: Kỹ thuật Hierarchical Clustering bảo toàn cấu trúc liên kết nội tại của thị trường cổ phiếu, loại bỏ hiện tượng ma trận hiệp phương sai rơi vào trạng thái suy biến (ill-conditioned matrix).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đồng thời 3 trường phái lý thuyết: Lý thuyết tối ưu hóa lồi, Lý thuyết chuỗi thời gian phi tuyến và Lý thuyết thông tin. Quy trình vận hành giải thuật gồm 2 tầng (Two-stage Framework):

Tầng 1 (Machine Learning Input Engineering):
Tầng 2 (Constrained Mean-Variance Optimization):
   Minimization: 0.5 * w^T * \Sigma * w (+ \lambda ||w||_1 đối với Lasso)
   Subject to:   w^T * \mu >= r_P
                 w^T * 1_N = 1
                 w_i >= 0 (Ràng buộc cấm bán khống tuyệt đối tại Việt Nam)

Điều kiện biên (Boundary conditions) được xác định rõ ràng: Thị trường cận biên không cho phép bán khống ($w_i \ge 0$), hạn chế đòn bẩy tài chính, và chi phí tái cân bằng danh mục được giám sát chặt chẽ qua chỉ số luân chuyển danh mục ($TO$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ triệt để thế giới quan thực chứng (Positivism) và chủ nghĩa kinh nghiệm định lượng, sử dụng thiết kế thí nghiệm thực nghiệm trên chuỗi dữ liệu thứ cấp quy mô lớn. Phương pháp nghiên cứu bàn (desk/secondary research) kết hợp kiểm định thống kê đa chiều đảm bảo tính khách quan và khả năng tái lập hoàn toàn.

Mô hình thiết kế đa cấp độ (Multi-level design) được triển khai trên 3 phân kỳ kinh tế độc lập:

  1. Giai đoạn Khủng hoảng (2008 – 2012): Đo lường khả năng chống chịu trước các cú sốc thanh khoản và sụt giảm thị trường diện rộng.
  2. Giai đoạn Bình ổn (2013 – 2019): Đánh giá năng lực sinh lời vượt trội (alpha generation) khi xu hướng vĩ mô ổn định.
  3. Giai đoạn Bất định Ngoại sinh (2020 – 2022): Thử nghiệm phản ứng thích ứng nhanh trước sự bùng phát của đại dịch toàn cầu và biến động lãi suất.

Quy trình nghiên cứu rigorous

Nhằm mô phỏng chân thực hoạt động đầu tư thực tế và triệt tiêu hoàn toàn sai lệch nhìn trước (look-ahead bias), luận án thiết kế giao thức kiểm tra cửa sổ cuộn tịnh tiến (Rolling Window Framework):

  • "Việc lựa chọn độ dài dữ liệu lịch sử và thời gian giữ nguyên danh mục... cửa sổ mẫu gồm dữ liệu giao dịch của 496 ngày lịch sử (tương ứng với 2 năm giao dịch trên thị trường)... giữ không đổi cho 21 ngày giao dịch tiếp theo (tương ứng với 1 tháng giao dịch trên thị trường)" (tham khảo chuẩn mực quốc tế từ Fastrich et al., 2015; Husmann et al., 2022; Kaczmarek & Perez, 2022).
  • Sau mỗi 21 ngày kiểm tra ngoài mẫu, cửa sổ trượt tịnh tiến 21 ngày: tích hợp 21 ngày mới nhất vào tập huấn luyện và loại bỏ 21 ngày cũ nhất, liên tục cập nhật trọng số $\mathbf{w}$ cho chu kỳ kế tiếp.

Công cụ phân tích và giải thuật được xây dựng bằng ngôn ngữ lập trình Python, tận dụng thư viện định lượng tài chính chuyên sâu Riskfolio-Lib và bộ giải tối ưu hóa toán học thương mại chuẩn công nghiệp MOSEK.

Data và phân tích

Mẫu nghiên cứu bao trùm các cổ phiếu niêm yết có tính thanh khoản cao trên sàn HOSE (đến tháng 5/2023, toàn thị trường có 515 mã tại HOSE và 359 mã tại HNX). Lãi suất trái phiếu chính phủ Việt Nam kỳ hạn tương ứng được sử dụng làm lãi suất phi rủi ro ($r_f$).

Bộ chỉ tiêu đánh giá toàn diện gồm 7 thước đo định lượng:

  1. Lợi suất logarit tích lũy ($r_{cum}$): Đo lường tổng giá trị gia tăng tài sản theo thời gian.
  2. Lợi suất trung bình ngày ($m$): Thước đo lợi nhuận kỳ vọng trung bình.
  3. Độ lệch chuẩn ($s$): Thước đo tổng rủi ro và độ biến động.
  4. Tỷ số Sharpe ($SR$): Thước đo hiệu quả sinh lời trên một đơn vị rủi ro tổng thể ($SR = \frac{E[r - r_f]}{\sigma}$).
  5. Tỷ số thông tin ($IR$): Đo lường năng lực tạo alpha vượt trội so với chỉ số tham chiếu VN-Index ($IR = \frac{\bar{D}}{\sigma_D}$).
  6. Chỉ số luân chuyển danh mục ($TO$): Thước đo chi phí giao dịch tiềm năng và độ ổn định của trọng số danh mục ($TO = \frac{1}{F}\sum_{t=2}^F \sum_{i=1}^N |w_{i,t} - w_{i,t-1}|$).
  7. Giá trị chịu rủi ro ($VaR_{5%}$) và Tổn thất kỳ vọng ($CVaR_{5%}$): Thước đo rủi ro đuôi phi phân phối chuẩn dựa trên phương pháp mô phỏng lịch sử (Historical Simulation Method).

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm trên TTCK Việt Nam cung cấp 4 phát hiện đột phá mang tính lịch sử:

Tiêu chí Đánh giá Giai đoạn 2008 - 2012 (Khủng hoảng) Giai đoạn 2013 - 2019 (Bình ổn) Giai đoạn 2020 - 2022 (Covid-19 / Sốc)
Mô hình vượt trội nhất LSTM-MV LSTM-MV & MTS-MV LSTM-MV
Lợi suất tích lũy ($r_{cum}$) ML-MV vượt trội có ý nghĩa thống kê so với MV Cả 3 mô hình ML vượt xa MV truyền thống LSTM-MV duy trì mức sinh lời dương vượt bậc
Độ rủi ro biến động ($s$) $s(\text{LSTM-MV}) > s(\text{MV})$ $s(\text{LSTM-MV}) > s(\text{MTS-MV}) \approx s(\text{MV})$ $s(\text{LSTM-MV}) > s(\text{Lasso}) \approx s(\text{MV})$
Rủi ro đuôi ($VaR_{5%}, CVaR_{5%}$) Danh mục ML có mức tổn thất cực đại lớn hơn Danh mục ML có $VaR, CVaR$ cao hơn biên độ nhỏ LSTM-MV chịu đuôi rủi ro dày hơn
Đặc tính luân chuyển ($TO$) Lasso tối ưu hóa độ thưa, $TO$ thấp nhất MTS-MV ổn định trọng số giữa các ngành LSTM-MV tái cân bằng liên tục theo dự báo
  1. Hiệu ứng Alpha vượt trội tại thị trường cận biên: Trong cả 3 giai đoạn nghiên cứu, danh mục ML-MV đạt lợi suất tích lũy cao nhất luôn đánh bại danh mục MV tiêu chuẩn với mức ý nghĩa thống kê cao. Đáng chú ý, biên độ vượt trội về lợi nhuận của các phương pháp ML tại Việt Nam cao hơn đáng kể so với các kết quả được ghi nhận tại các thị trường phát triển như Mỹ (Brodie et al., 2009) hay Nhật Bản (Gotoh & Takeda, 2011).
  2. Sự đánh đổi cấu trúc: Lợi nhuận cao đi kèm rủi ro đuôi lớn: Ngược lại với các giả định lạc quan, rủi ro biến động ($s$), giá trị rủi ro ($VaR_{5%}$) và tổn thất kỳ vọng ($CVaR_{5%}$) của các danh mục ML đều cao hơn danh mục MV tiêu chuẩn. Điều này chứng minh rằng ML tối ưu hóa bằng cách chấp nhận khai thác các phần bù rủi ro biến động (volatility risk premium) thay vì triệt tiêu rủi ro tuyệt đối.
  3. Sự thống trị ổn định của mạng LSTM qua các chu kỳ khủng hoảng: Trong khi phương pháp Phân cụm chuỗi thời gian (MTS-MV) và Chính quy hóa Lasso chỉ phát huy tối đa ưu thế trong giai đoạn thị trường bình ổn (2013 – 2019) và suy giảm hiệu quả khi gặp cú sốc lớn (2008 – 2012, 2020 – 2022), mô hình LSTM-MV thể hiện sự vượt trội bền bỉ xuyên suốt mọi chu kỳ nhờ khả năng trích xuất phi tuyến và nắm bắt đảo chiều xu hướng.
  4. Sự phân hóa về chi phí giao dịch: Phương pháp Lasso tạo ra các danh mục thưa có chỉ số luân chuyển ($TO$) thấp nhất, giúp tiết kiệm chi phí giao dịch; trong khi LSTM đòi hỏi tái cân bằng thường xuyên hơn do cập nhật liên tục kỳ vọng lợi suất ngắn hạn.

Implications đa chiều

  • Về mặt học thuật: Cung cấp bằng chứng thực nghiệm đầu tiên khẳng định tính tương thích vượt trội của mô hình học sâu (Deep Learning) kết hợp tối ưu hóa danh mục trên thị trường tài chính cận biên; bổ sung cơ sở dữ liệu quan trọng cho lý thuyết tài chính hành vi và cấu trúc vi mô thị trường.
  • Về mặt phương pháp luận: Chuẩn hóa quy trình 2 tầng (Two-stage ML-MV Framework) với kiểm định Rolling Window 496/21 ngày, có thể nhân rộng để phân tích các lớp tài sản khác như trái phiếu doanh nghiệp, phái sinh và tiền mã hóa.
  • Về mặt thực tiễn quản lý quỹ: Cung cấp giải pháp định lượng cụ thể để các nhà quản lý quỹ đầu tư chuyên nghiệp, quỹ ETF tái cơ cấu danh mục, thiết lập các chiến lược Smart Beta tự động hóa thích ứng theo trạng thái thị trường.
  • Về mặt chính sách vĩ mô: Cung cấp cơ sở khoa học cho Ủy ban Chứng khoán Nhà nước và các cơ quan quản lý trong việc đánh giá mức độ biến động hệ thống khi dòng vốn giao dịch thuật toán (algorithmic trading) gia tăng; đẩy nhanh lộ trình nâng hạng thị trường từ cận biên lên mới nổi (Emerging Market).

Limitations và Future Research

Luận án thừa nhận một số giới hạn nghiên cứu khách quan:

  1. Rào cản bán khống: Nghiên cứu áp dụng ràng buộc tỷ trọng không âm ($w_i \ge 0$) do quy định pháp lý của thị trường chứng khoán Việt Nam chưa cho phép bán khống cổ phiếu cơ sở đại trà, làm thu hẹp không gian tối ưu hóa lý thuyết.
  2. Loại trừ chi phí giao dịch và tác động thị trường (Market Impact): Phân tích chưa trừ trực tiếp thuế chuyển nhượng, phí môi giới và chi phí trượt giá (slippage) khi thực hiện tái cân bằng danh mục quy mô lớn.
  3. Bỏ qua cổ tức tiền mặt: Nghiên cứu tập trung thuần túy vào biến động giá đóng cửa điều chỉnh mà chưa tái đầu tư dòng tiền cổ tức vào danh mục.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Mở rộng không gian thuật toán sang Học tăng cường sâu (Deep Reinforcement Learning - DRL) để đưa ra quyết định phân bổ liên tục theo thời gian thực (real-time dynamic allocation).
  • Tích hợp thêm các nguồn dữ liệu phi cấu trúc (Alternative Data) như tin tức tài chính, chỉ số tâm lý mạng xã hội thông qua Xử lý ngôn ngữ tự nhiên (NLP) và mô hình ngôn ngữ lớn (LLM).
  • Ứng dụng các hàm mục tiêu rủi ro phi đối xứng hiện đại như Tối ưu hóa CVaR trực tiếp hoặc Chỉ số Omega thay cho phương sai cổ điển.

Tác động và ảnh hưởng

Nghiên cứu mang lại tiềm năng tác động sâu rộng trên nhiều bình diện:

  • Học thuật: Mở đường cho chuỗi các công bố quốc tế về ứng dụng AI trong tài chính định lượng (Quantitative Finance) tại khu vực Đông Nam Á, dự kiến trở thành tài liệu tham khảo chuẩn mực trong các chương trình đào tạo sau đại học ngành Toán kinh tế, Kinh tế học tài chính và Khoa học dữ liệu.
  • Công nghiệp quản lý quỹ: Thúc đẩy quá trình chuyển đổi số từ quản trị danh mục định tính truyền thống sang các quỹ định lượng (Quant Funds) và dịch vụ tư vấn đầu tư tự động (Robo-advisors) tại các công ty chứng khoán hàng đầu (SSI, VNDIRECT, HSC, VCSC).
  • Phát triển thị trường: Hỗ trợ gia tăng tính thanh khoản thị trường, nâng cao hiệu quả phân bổ vốn của nền kinh tế Việt Nam và tiệm cận với các tiêu chuẩn phân bổ tài sản quốc tế.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung phân tích kết hợp ML-MV chặt chẽ, mở ra các hướng nghiên cứu mới về mô hình hóa chuỗi thời gian phi tuyến và tối ưu hóa lồi nâng cao.
  • Nhà quản trị danh mục và Quỹ đầu tư: Sở hữu giải pháp định lượng thực chứng với đầy đủ thông số đánh đổi giữa lợi nhuận ($m$), rủi ro biến động ($s$), rủi ro đuôi ($VaR, CVaR$) và chỉ số luân chuyển ($TO$) để cấu trúc sản phẩm đầu tư phù hợp cho từng phân khúc khách hàng.
  • Cơ quan quản lý thị trường: Có thêm công cụ đo lường mức độ lan truyền rủi ro hệ thống và tác động của công nghệ tài chính (Fintech) lên sự ổn định của thị trường vốn.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?

Đóng góp độc đáo nhất là việc chứng minh sự thích ứng vượt bậc của mạng nơ-ron học sâu LSTM trong việc tái định hình vectơ lợi suất kỳ vọng $\boldsymbol{\mu}$ cho Mô hình Trung bình - phương sai của Markowitz (1952) tại một thị trường tài chính cận biên, khắc phục căn bản sự thất bại của các ước lượng tham số tĩnh lịch sử.

2. Đột phá phương pháp luận so với các nghiên cứu tiền nhiệm quốc tế?

So với các nghiên cứu đơn lẻ như Chaweewanchon & Chaysiri (2022) trên sàn SET50 Thái Lan hay Brodie et al. (2009) trên dữ liệu Fama-French thị trường Mỹ, luận án đã triển khai đồng thời cả 3 trường phái ML (Clustering, LSTM, Lasso) trên một quy trình kiểm định cửa sổ cuộn khắt khe (496 ngày huấn luyện / 21 ngày kiểm tra ngoài mẫu) xuyên suốt 15 năm bao trùm cả khủng hoảng tài chính toàn cầu và cú sốc đại dịch Covid-19.

3. Phát hiện nào gây bất ngờ và đi ngược lại trực giác thông thường nhất?

Phát hiện bất ngờ nhất là danh mục tối ưu bằng Học máy không làm giảm rủi ro tổng thể như lý thuyết kỳ vọng thông thường, mà ngược lại luôn tạo ra độ lệch chuẩn ($s$), $VaR$ và $CVaR$ cao hơn danh mục MV truyền thống. Sự vượt trội về tỷ số Sharpe thực chất được thúc đẩy bởi sự tăng trưởng vượt bậc của lợi suất ($m$) lấn át sự gia tăng của phương sai rủi ro.

4. Luận án có cung cấp đầy đủ giao thức tái lập (Replication Protocol) không?

Có. Toàn bộ kiến trúc thực nghiệm được lập trình chi tiết bằng Python, tích hợp các thư viện chuẩn mở như Riskfolio-Lib và bộ giải MOSEK, với các siêu tham số, hàm khoảng cách Pearson, số lớp nơ-ron LSTM và phương pháp xác thực chéo (Time-series Cross Validation) được mô tả minh bạch.

5. Định hướng nghiên cứu 10 năm tới được phác thảo ra sao?

Luận án vạch ra lộ trình tích hợp Học tăng cường sâu đa tác tử (Multi-agent Deep Reinforcement Learning) với dữ liệu phi tài chính tần suất cao (High-frequency Alternative Data) nhằm thiết lập hệ thống tự động giao dịch liên tục thích ứng với cấu trúc vi mô thị trường trong kỷ nguyên AI thế hệ mới.

Kết luận

Công trình nghiên cứu tiến sĩ của tác giả Bùi Quốc Hoàn tạo nên dấu ấn học thuật quan trọng với 5 đóng góp cốt lõi:

  1. Hệ thống hóa toàn diện cơ sở lý luận và xây dựng khung phân tích định lượng chuẩn mực kết hợp giữa Học máy hiện đại và Lý thuyết Danh mục đầu tư Trung bình - phương sai.
  2. Khẳng định bằng thực nghiệm định lượng tính ưu việt vượt trội về lợi suất tích lũy của các danh mục ML-MV so với danh mục Markowitz truyền thống trên thị trường chứng khoán Việt Nam giai đoạn 2008 – 2022.
  3. Chứng minh sự ổn định bền bỉ của mô hình LSTM-MV trong việc tạo ra hiệu suất vượt trội xuyên suốt các cuộc khủng hoảng tài chính vĩ mô và biến động ngoại sinh.
  4. Phát hiện quy luật đánh đổi cấu trúc giữa khả năng tạo tỷ suất sinh lời cao và sự gia tăng của rủi ro đuôi ($VaR, CVaR$) trong các thuật toán học máy.
  5. Đề xuất hệ thống khuyến nghị thực thi chi tiết cho các định chế tài chính, nhà quản lý quỹ và cơ quan hoạch định chính sách, đóng góp tích cực vào tiến trình phát triển và nâng hạng thị trường vốn Việt Nam.