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.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN --------------------------------- BÙI QUỐC HOÀN TIẾP CẬN MACHINE LEARNING TRONG QUẢN TRỊ DANH MỤC TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM LUẬN ÁN TIẾN SĨ NGÀNH KINH TẾ HỌC HÀ NỘI - 2024 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN --------------------------------- BÙI QUỐC HOÀN TIẾP CẬN MACHINE LEARNING TRONG QUẢN TRỊ DANH MỤC TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM Chuyên ngành: Toán kinh tế Mã số: 9310101 LUẬN ÁN TIẾN SĨ Người hướng dẫn khoa học: 1. Nguyễn Mạnh Thế 2. Vương Mai Phương HÀ NỘI - 2024 i LỜI CAM ĐOAN Tôi đã đọc và hiểu về các hành vi vi phạm sự trung thực trong học thuật. Tôi cam kết bằng danh dự cá nhân rằng, luận án: “Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam” là do tôi tự thực hiện và không vi phạm yêu cầu về sự trung thực trong học thuật. Hà Nội, ngày 02 tháng 7 năm 2024 Nghiên cứu sinh Bùi Quốc Hoàn ii LỜI CẢM ƠN Tác giả xin bày tỏ sự biết ơn chân thành đến TS. Nguyễn Mạnh Thế và TS. Vương Mai Phương, những người hướng dẫn khoa học, đã tận tình hướng dẫn tác giả trong suốt thời gian học tập, nghiên cứu và thực hiện luận án. Tác giả xin chân thành cảm ơn các quý thầy cô giáo trong Khoa Toán kinh tế và các đồng nghiệp thuộc Bộ môn Toán cơ bản - Trường Đại học Kinh tế Quốc dân đã tạo mọi điều kiện và giúp đỡ tác giả trong suốt thời gian học tập và nghiên cứu. Tác giả xin chân thành cảm ơn các nhà khoa học, các thầy cô giáo công tác trong và ngoài trường Đại học Kinh tế Quốc dân đã đóng góp nhiều ý kiến quý báu để tác giả hoàn thiện luận án. Tác giả xin trân trọng cảm ơn các quý thầy cô giáo và cán bộ Viện Đào tạo Sau đại học - Trường Đại học Kinh tế Quốc dân đã tạo điều kiện giúp đỡ tác giả trong quá trình học tập tại trường. Cuối cùng, tác giả xin được gửi lời cảm ơn sâu sắc đến những người thân trong gia đình đã tạo điều kiện, động viên và khích lệ tác giả trong suốt quá trình học tập, nghiên cứu và hoàn thành luận án. Bùi Quốc Hoàn iii MỤC LỤC LỜI CAM ĐOAN . ii MỤC LỤC . iii DANH MỤC CHỮ VIẾT TẮT .v DANH MỤC BẢNG BIỂU . vi DANH MỤC HÌNH VẼ . vii LỜI MỞ ĐẦU . CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN NGHIÊN CỨU .1 Một số khái niệm trong quản trị danh mục đầu tư .2 Cơ sở lý thuyết của Quản trị danh mục đầu tư .3 Mô hình Trung bình - phương sai của Markowitz .2 Tổng quan nghiên cứu .1 Các nghiên cứu trên thế giới .2 Các nghiên cứu trong nước .3 Khoảng trống và khung nghiên cứu .1 Khoảng trống nghiên cứu .2 Khung nghiên cứu . PHƯƠNG PHÁP NGHIÊN CỨU .1 Các phương pháp Học máy ứng dụng trong quản trị danh mục.1 Giới thiệu về Học máy .2 Phương pháp phân cụm chuỗi thời gian.3 Phương pháp Bộ nhớ ngắn – dài hạn (Long Short - Term Memory) .4 Phương pháp chính quy hóa .2 Học máy kết hợp với mô hình MV trong xây dựng danh mục tối ưu .1 Phương pháp phân cụm chuỗi thời gian kết hợp với mô hình MV .2 Phương pháp LSTM kết hợp với mô hình MV .3 Phương pháp chính quy hóa kết hợp với mô hình MV . PHÂN TÍCH THỰC NGHIỆM VÀ KẾT QUẢ .1 Thực trạng TTCK Việt Nam giai đoạn 2008 - 2022 .2 Kết quả thực nghiệm .1 Kết quả thực nghiệm của phương pháp phân cụm chuỗi thời gian .2 Kết quả thực nghiệm của phương pháp LSTM .3 Kết quả thực nghiệm của phương pháp Lasso .3 Phân tích so sánh .1 Phân tích so sánh các danh mục Học máy với danh mục MV tiêu chuẩn .2 So sánh các danh mục Học máy .4 Kết luận chương. KẾT LUẬN VÀ KHUYẾN NGHỊ .1 Kết luận của luận án.2 Một số khuyến nghị .3 Một số hạn chế của luận án . 115 TÀI LIỆU THAM KHẢO . 117 v DANH MỤC CHỮ VIẾT TẮT Chữ viết tắt Giải thích Tiếng Anh Giải thích Tiếng Việt ETF Exchange Traded Fund Quỹ đầu tư Global Mean - Variance Danh mục Trung bình - phương sai GMVP Portfolio toàn cục IR Information Ratio Tỷ số thông tin Least Absolute Shrinkage Toán tử lựa chọn và rút gọn tuyệt Lasso and Selection Operator đối tối thiểu LSTM Long Short-Term Memory Bộ nhớ ngắn - dài hạn ML Machine Learning Học máy (Máy học) MPT Modern Portfolio Theory Lý thuyết danh mục đầu tư hiện đại MV Mean - Variance Trung bình - phương sai OLS Ordinary Least Squares Phương pháp bình phương tối thiểu RNN Recurrent Neutral Network Mạng nơ ron hồi quy SR Sharpe Ratio Tỷ số Sharpe TO Turnover Portfolio Chỉ số luân chuyển danh mục TTCK Thị trường chứng khoán TTGDCK Trung tâm giao dịch chứng khoán vi DANH MỤC BẢNG BIỂU Bảng 2. Thông tin về các tập dữ liệu trong các giai đoạn . Thống kê cơ bản về lợi suất của chỉ số VNIndex (2008 - 2012) . Thống kê cơ bản về lợi suất của chỉ số VNIndex (2013 - 2019) . Thống kê cơ bản về lợi suất của chỉ số VNIndex (2020 - 2022) . Các chỉ số đánh giá danh mục (giai đoạn 2008 - 2012) . Các chỉ số đánh giá danh mục (giai đoạn 2013 - 2019) . Các chỉ số đánh giá danh mục (giai đoạn 2020 - 2022) . Các chỉ số đánh giá danh mục (giai đoạn 2008 - 2012) . Các chỉ số đánh giá danh mục (giai đoạn 2013 - 2019) . Các chỉ số đánh giá danh mục (giai đoạn 2020 - 2022) . Các chỉ số đánh giá danh mục (giai đoạn 2008 - 2012) . Các chỉ số đánh giá danh mục (giai đoạn 2013 - 2019) . Các chỉ số đánh giá danh mục (giai đoạn 2020 - 2022) . So sánh danh mục MTS và MV giai đoạn 2008 - 2012 . So sánh danh mục Lasso và MV giai đoạn 2008 - 2012 . So sánh danh mục LSTM-MV và MV giai đoạn 2008 - 2012. Kiểm định sự khác nhau trong giai đoạn 2008 - 2012 . So sánh danh mục MTS-MV và MV giai đoạn 2013 - 2019 . So sánh danh mục Lasso và MV giai đoạn 2013 - 2019 . So sánh danh mục LSTM-MV và MV giai đoạn 2013 - 2019. Kiểm định sự khác nhau trong giai đoạn 2013 - 2019 . So sánh danh mục MTS-MV và MV giai đoạn 2020 – 2022 . So sánh danh mục Lasso và MV giai đoạn 2020 – 2022 . So sánh danh mục LSTM-MV và MV giai đoạn 2020 – 2022 . Kiểm định sự khác nhau trong giai đoạn 2020 - 2022 . So sánh ba phương pháp Học máy . Kiểm định sự khác biệt của 3 phương pháp với MV theo lợi suất . Kiểm định sự khác biệt của 3 phương pháp với MV theo lợi suất tích lũy 107 vii DANH MỤC HÌNH VẼ Hình 1.1 Quá trình quản trị danh mục đầu tư . Minh họa đường biên hiệu quả xây dựng theo mô hình MV . Khung nghiên cứu của luận án . Minh họa giá trị VaR và CVaR . Minh họa phương pháp cửa sổ cuộn (rolling window) . Minh họa phương pháp cửa sổ cuộn cho giai đoạn 2008 - 2012 . Một đơn vị cơ bản của LSTM . Diễn giải về tính thưa của nghiệm bài toán hồi quy Lasso . Phương pháp xây dựng danh mục dựa trên kỹ thuật phân cụm . Minh họa phương pháp xác thực chéo . Phương pháp xác thực chéo trong tập huấn luyện. Một số chỉ tiêu vĩ mô của Việt Nam giai đoạn 2008 – 2022 .2 Chỉ số VNIndex giai đoạn 2008 - 2012 . Vốn hóa thị trường trên thị trường chứng khoán Việt Nam . Số lượng mã chứng khoán niêm yết tại Việt Nam . Số lượng trái phiếu giao dịch trên thị trường chứng khoán . Số lượng quỹ ETF giao dịch trên thị trường chứng khoán. Chỉ số VNIndex trong giai đoạn 2013 – 2019 . Chỉ số VNIndex trong giai đoạn 2020 - 2022 . Số lượng quỹ đầu tư trên thị trường chứng khoán Việt Nam . Lợi suất tích lũy (giai đoạn 2008 - 2012) . Tỷ số IR tại các thời điểm (giai đoạn 2008 - 2012) . Chuỗi lợi suất tích lũy (giai đoạn 2013 - 2019). Tỷ số IR tại các thời điểm (giai đoạn 2013 - 2019). Lợi suất tích lũy (giai đoạn 2020 - 2022) . Tỷ số IR tại các thời điểm (giai đoạn 2020 - 2022). Lợi suất tích lũy (giai đoạn 2008 - 2012) . Tỷ số IR tại các thời điểm (giai đoạn 2008 - 2012). Lợi suất tích lũy (giai đoạn 2013 - 2019) . Tỷ số IR tại các thời điểm (giai đoạn 2013 - 2019). Lợi suất tích lũy (giai đoạn 2020 - 2022) . Tỷ số IR tại các thời điểm (giai đoạn 2020 - 2022). Lợi suất tích lũy (giai đoạn 2008 - 2012) . Tỷ số IR tại các thời điểm (giai đoạn 2008 - 2012). Lợi suất tích lũy (giai đoạn 2013 - 2019) . Tỷ số IR tại các thời điểm (giai đoạn 2013 - 2019). Lợi suất tích lũy (giai đoạn 2020 - 2022) . Tỷ số IR tại các thời điểm (giai đoạn 2020 - 2022). Xác định danh mục theo thời gian .2 Quy trình xác định danh mục . 114 1 LỜI MỞ ĐẦU 1. Lý do lựa chọn đề tài Quản trị danh mục đầu tư trên thị trường chứng khoán là một nhiệm vụ khó khăn do thị trường luôn biến động phức tạp. Việc quản trị danh mục đầu tư gồm các bước tích hợp, bao gồm: xác định mục tiêu và kế hoạch đầu tư; xây dựng danh mục đầu tư; và đánh giá danh mục và thực hiện các điều chỉnh cần thiết. Các bước này được thực hiện một cách nhất quán để tạo ra và duy trì một danh mục đầu tư (sự kết hợp giữa các tài sản) phù hợp, đáp ứng các mục tiêu đề ra. Trong các bước này, việc xây dựng danh mục đầu tư là một khâu quan trọng. Các quan điểm và phương pháp lựa chọn danh mục đã được phát triển qua các giai đoạn lịch sử. Trong đó, sự đa dạng hóa của danh mục đầu tư nhận được sự quan tâm từ phía các nhà nghiên cứu và cả các nhà đầu tư. Quan điểm đa dạng hóa danh mục đầu tư được bắt nguồn từ công trình của Harry Markowitz (Markowitz, 1952). Markowitz và các nhà nghiên cứu tiếp theo, như Jack Treynor và William Sharpe, đã xây dựng lý thuyết danh mục đầu tư hiện đại (Modern Portfolio Theory - MPT) - phân tích các lựa chọn danh mục đầu tư hợp lý dựa trên việc sử dụng rủi ro một cách hiệu quả. Lý thuyết danh mục đầu tư hiện đại đã cách mạng hóa việc quản lý đầu tư.