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

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.