Tổng quan luận án

Luận án tiến sĩ kinh tế của tác giả Lê Đạt Chí với đề tài "Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam", thuộc chuyên ngành Kinh tế Tài chính – Ngân hàng (mã số 62.01), được thực hiện tại Trường Đại học Kinh tế Thành phố Hồ Chí Minh dưới sự hướng dẫn khoa học của GS. Trần Ngọc Thơ vào năm 2011.

Về tính cấp thiết, việc phân tích và dự báo chuỗi thời gian kinh tế - tài chính có lịch sử lâu đời với hai hướng tiếp cận chính: các mô hình tuyến tính (kỹ thuật Box - Jenkins, bộ lọc Kalman, lý thuyết san bằng hàm mũ của Brown, hồi quy mẫu nhỏ) và các mô hình phi tuyến (phương trình Mackey-Glass, mô hình GARCH của Bollerslev năm 1986). Mặc dù các kỹ thuật này có ý nghĩa thống kê, tỷ lệ thành công của chúng khi áp dụng vào thị trường tài chính thường thấp. Thị trường tài chính và nền kinh tế vận động phi tuyến do chịu tác động phức tạp từ các biến cố chính trị, điều kiện kinh tế chung và kỳ vọng của nhà đầu tư. Các mô hình hồi quy tuyến tính cổ điển dựa trên giả định phân phối chuẩn thường không nắm bắt được các biến động có độ dốc lớn hoặc các mối liên hệ phi tuyến. Trong khi đó, mô hình mạng thần kinh nhân tạo (Artificial Neural Network - ANN) là một công cụ của tài chính định lượng có khả năng tìm kiếm mối quan hệ hàm, nhận dạng mẫu hình, phân loại và dự báo mà không cần đặt nặng các giả định phân phối tĩnh.

Khoảng trống nghiên cứu được tác giả xác định là: Tại Việt Nam, việc nghiên cứu nguyên lý hoạt động của ANN cũng như ứng dụng công cụ này vào phân tích, dự báo kinh tế và tài chính vẫn chưa nhận được nhiều sự quan tâm. Chưa có công trình kiểm nghiệm toàn diện xem cấu trúc mạng ANN nào phù hợp với thị trường chứng khoán Việt Nam, liệu ANN có thực sự vượt trội hơn mô hình hồi quy tuyến tính truyền thống, và nhóm biến giải thích nào tác động mạnh nhất đến sự biến động của giá chứng khoán.

Mục tiêu nghiên cứu của luận án gồm 4 mục tiêu cụ thể:

  1. Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam.
  2. Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khoán.
  3. Hiệu quả ứng dụng mô hình ANN tốt hơn mô hình hồi quy tuyến tính.
  4. Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam qua đó gợi ý một số chính sách liên quan.

Để đạt được các mục tiêu trên, luận án tập trung giải quyết 6 câu hỏi nghiên cứu: (1) Mô hình mạng ANN là gì và cơ chế vận hành của nó như thế nào trong thị trường tài chính? (2) Những quan điểm và bằng chứng thực nghiệm trong việc ứng dụng mô hình ANN trong phân tích và dự báo trên thị trường tài chính? (3) Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam? (4) Cấu trúc mạng ANN nào sẽ thích hợp để dự báo giá chứng khoán? (5) Liệu khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam có tính hiệu quả hơn mô hình hồi quy tuyến tính truyền thống? (6) Nếu mô hình ANN tốt hơn thì những biến giải thích nào sẽ giúp cho chúng ta sử dụng để phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam?

Đối tượng nghiên cứu của luận án là việc ứng dụng mô hình mạng thần kinh nhân tạo trong việc phân tích và dự báo chỉ số giá chứng khoán (VN-Index) dưới tác động của các nhóm biến số kinh tế vĩ mô, biến số tài chính doanh nghiệp, chỉ số thị trường thế giới và các chỉ báo kỹ thuật/tâm lý thị trường.

Phạm vi nghiên cứu về không gian là thị trường chứng khoán Việt Nam, tập trung vào Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HSX) và đối chiếu với Sở Giao dịch Chứng khoán Hà Nội (HNX). Phạm vi thời gian thu thập dữ liệu vĩ mô theo tháng kéo dài từ năm 2002 đến hết tháng 9/2010 (gồm 104 quan sát); dữ liệu tỷ suất sinh lợi theo tuần từ tháng 1/2005 đến tháng 9/2010; dữ liệu theo ngày từ ngày 02/01/2008 đến ngày 22/09/2010; dữ liệu kiểm định ngoài mẫu và thống kê vốn doanh nghiệp được cập nhật đến năm 2010.

Tổng quan tài liệu và vị trí của luận án

Luận án phân tích sự đối lập triết học giữa quan điểm của Aristotle (thế giới tĩnh tại, độc lập, ranh giới rõ ràng, làm nền tảng cho phân phối chuẩn và giả thuyết thị trường hiệu quả) và Heraclitus (thế giới luôn vận động, các yếu tố kết nối và phụ thuộc lẫn nhau, tương ứng với lý thuyết hỗn loạn). Tác giả dẫn chứng quan điểm của Bill William (1995) về "bản đồ logic văn hóa" và ba phát hiện của khoa học thế kỷ 20: thuyết tương đối của Einstein, cơ học lượng tử (với khái niệm "sự không xác định của nguyên nhân" của John Stuart Bell năm 1964) và khoa học hỗn loạn (chaos science). Nghiên cứu của Benoit Mandelbrot (1987) chỉ ra tính phụ thuộc chuỗi và hiệu ứng ghi nhớ của giá tài sản. Nassim Nicholas Taleb (2007) và George Cooper (2008) phản bác việc ứng dụng đường cong Gauss trong tài chính khi minh chứng các cuộc khủng hoảng xảy ra thường xuyên hơn xác suất lý thuyết (điển hình là sự sụp đổ của quỹ Long-Term Capital Management năm 1999 của Myron Scholes và Robert C. Merton). Thomas Sargent (1997, 1999) nhấn mạnh giả định "sự hợp lý có chừng mực" (bounded rationality) của các chủ thể kinh tế thay vì sự duy lý hoàn hảo.

Về nguồn gốc và phát triển của ANN, tác giả điểm lại các nghiên cứu khởi thủy của McCulloch và Pitts (những năm 1940), Frank Rosenblatt (1958), cho đến các ứng dụng nhận dạng mẫu hình của Sejnowski và Rosenberg (1986), Tesauro (1989), LeCun (1990), Brecht và Aiken (1995), Armstrong và Gross (1998). Về mặt lý thuyết xấp xỉ hàm, Hornik, Stinchcombe và White (1989) cùng Dayhoff và Deleo (2001) đã chứng minh định lý mạng truyền thẳng đa lớp có thể ước lượng xấp xỉ bất kỳ hàm phi tuyến nào. Beresteanu (2003) xem ANN như một cỗ máy sàng lọc; Rustichini và cộng sự (2002) đưa ra nguyên lý tách biệt và hợp tác chức năng của não bộ.

Luận án tổng hợp các công trình thực nghiệm quốc tế ứng dụng ANN trong dự báo kinh tế - tài chính:

  • Dự báo chỉ số chứng khoán: Jozef Barunik (2007) dự báo tỷ suất sinh lợi tại Phần Lan, Hungary, Czech và Đức (chỉ số PX-50, BUX, DAX giai đoạn 2000–2006 đạt độ chính xác 60%); Reza G. Ahagar và Mahood Yahyazadehfar (2010) dự báo chỉ số thị trường Tehran (Iran) bằng mạng GRNN; Qing Cao, Mark và Karyl (2009) tại TTCK Thượng Hải; Renu và Abhijeet (2010) dự báo chỉ số Nifty (Ấn Độ) với mạng truyền thẳng 3 lớp ẩn; Mark, An-Sing và Hazem (2001) dùng mạng xác suất (PNN) tại Đài Loan; JingTao, Chew và Hean (1996) dùng chỉ báo kỹ thuật dự báo chỉ số KLCI (Malaysia) so với ARIMA; Heping Pan, Chandima và John (2005) dự báo chỉ số AORD (Úc) đạt độ chính xác 80% xu hướng với mạng truyền thẳng 1 lớp ẩn 2 neuron; Yochanan và Dorota (2000) so sánh các thị trường G7 (Canada, Pháp, Đức, Nhật, Anh, Mỹ) và kết luận mạng truyền thẳng 1 lớp ẩn 5 neuron cho kết quả tốt hơn mô hình 2 neuron.
  • Dự báo hàng hóa: Komsan Suriya (2006) dùng mạng 200 neuron ẩn dự báo giá dầu thô với MAPE đạt 1,89%; Siddhivinayak và Imad (2009) kết hợp giá kỳ hạn dầu thô; Antonino, Franco và David (2008) dự báo giá vàng qua sai phân giá quá khứ và chỉ số Dow Jones Average.
  • Mô hình kết hợp AI: George và Kimon (2009) kết hợp ANN với logic mờ (Fuzzy-logic); Yung-Keun và Byung-Ro (2007) kết hợp ANN với thuật toán di truyền trên sàn NYSE và NASDAQ.
  • Dự báo biến số kinh tế vĩ mô: Jingtao (1995) dự báo tỷ giá GBP, JPY, AUD, CHF; Nikola Gradojevic và Jing Yang (2000) dự báo tỷ giá CAD/USD; Ashok và Amit (2002) dự báo tỷ giá DEM/USD; Greg Tkacz (2001) dự báo tăng trưởng sản lượng Canada; Saeed, Denise và Birchenhall (2004) dự báo sản lượng công nghiệp Anh, Đức, Pháp; Recep Duzgun (2010) dự báo CPI Thổ Nhĩ Kỳ bằng GRNN so với ARIMA; Paul và Peter (2004) mô hình hóa đường cong Phillips phi tuyến châu Âu bằng phương pháp "thick model"; Adnan và Muhammad Nadeem (2007) dự báo lạm phát Pakistan bằng mạng truyền thẳng 12 lớp ẩn Backpropagation.

Khoảng trống nghiên cứu được luận án giải quyết là đưa mô hình ANN vào kiểm định thực chứng trên thị trường chứng khoán Việt Nam – một thị trường mới nổi có độ biến động cao và tính phi tuyến rõ nét; so sánh hiệu quả dự báo ngoài mẫu giữa mạng truyền thẳng (MFF), mạng khái quát hóa (GRNN), mạng tuyến tính và mô hình hồi quy OLS; đồng thời phân tích cụ thể vai trò của các biến số kinh tế vĩ mô và tài chính doanh nghiệp trong việc giải thích giá chứng khoán.

Cơ sở lý thuyết và phương pháp nghiên cứu

Về mặt lý thuyết, mô hình ANN hoạt động dựa trên sự mô phỏng sinh học của hệ thần kinh gồm các nút mạng (neuron) và các liên kết có trọng số (synapse). Mỗi neuron nhận tín hiệu đầu vào $x_i$, nhân với trọng số $w_{k,i}$, cộng với hệ số hiệu chỉnh $b_k$, sau đó chuyển đổi qua một hàm kích hoạt phi tuyến (như hàm logistic hoặc logsigmoid) để tạo tín hiệu đầu ra $y_k$. Quá trình học của mạng là việc điều chỉnh các trọng số synapse nhằm tối thiểu hóa sai số giữa giá trị đầu ra thực tế của mạng ($Y_t$) và giá trị mong muốn ($T_t$). Sai số được xác định qua công thức $e_t = T_t - Y_t$.

Thuật toán học chủ yếu được luận án sử dụng là thuật toán truyền ngược (Backpropagation - BP) theo nguyên tắc giảm độ dốc gradient, gồm giai đoạn truyền tiến tín hiệu để tính sai số và giai đoạn truyền lùi để cập nhật trọng số. Các cấu trúc mạng được phân tích gồm:

  • Mạng truyền thẳng (Feedforward Networks - MFF).
  • Mạng truyền thẳng đa lớp (Multilayer Feedforward Networks - MLF/MLN).
  • Mạng lặp lại (Recurrent Networks) theo mô hình Elman bổ sung toán tử trễ để lưu giữ "trí nhớ" thị trường.
  • Mạng thần kinh được khái quát hóa (Generalized Regression Neural Network - GRNN / GNN).

Các thước đo đánh giá sai số và độ phù hợp gồm: sai số bình phương trung bình (MSE), sai số tuyệt đối trung bình (MAE), sai số phần trăm tuyệt đối trung bình (MAPE), sai số bình phương trung bình chuẩn hóa (NMSE) và hệ số tương quan giữa giá trị dự báo và thực tế ($R^2$ hay R-Square).

Quy trình thiết kế mô hình phân tích và dự báo ANN trong luận án được tiến hành theo khung 8 bước chuẩn mực tổng hợp từ Deboeck, Masters, Blum và Nelson, Illingworth:

Bước Nội dung công việc thực hiện
Bước 1 Lựa chọn biến số đầu vào và đầu ra
Bước 2 Thu thập dữ liệu nghiên cứu
Bước 3 Xử lý dữ liệu (chuẩn hóa sai phân, logarit, lọc nhiễu)
Bước 4 Thiết lập dữ liệu huấn luyện (Training), thử nghiệm/xác nhận (Cross Validation), và kiểm tra ngoài mẫu (Testing)
Bước 5 Xây dựng cấu trúc ANN (số lớp ẩn, số neuron PE, số neuron đầu ra, hàm truyền)
Bước 6 Xác định các tiêu chuẩn đánh giá kết quả ($MSE$, $MAE$, $R^2$)
Bước 7 Huấn luyện ANN (số vòng lặp epoch, thiết lập hệ số Learning rate và Momentum)
Bước 8 Ứng dụng mô hình ANN vào thực tiễn dự báo

Phương pháp nghiên cứu thực tế là phương pháp định lượng. Tác giả sử dụng phần mềm chuyên dụng có bản quyền NeuralSolution phiên bản 5 (NeuralSolutions 5) để thiết kế, huấn luyện và kiểm định các mạng thần kinh. Dữ liệu thu thập được phân chia thành ba tập hợp riêng biệt: tập huấn luyện (training set - chiếm tỷ trọng lớn nhất để mạng học mẫu hình), tập xác nhận hiệu quả (cross-validation set - để kiểm soát quá trình dừng huấn luyện, tránh khít quá mức) và tập kiểm định ngoài mẫu (testing set - đánh giá khả năng dự báo độc lập).

Nguồn dữ liệu của luận án được tổng hợp từ các cơ quan chính thức:

  • Tổng cục Thống kê: Chỉ số giá tiêu dùng (CPI), Sản lượng công nghiệp (IP), Cán cân thương mại (TB).
  • Ngân hàng Nhà nước Việt Nam: Lãi suất (LR), Cung tiền M2 (M2), Tăng trưởng tín dụng (CR).
  • Quỹ Tiền tệ Quốc tế (IMF) và Bloomberg: Tỷ giá hối đoái USD/VND (USD), Lãi suất, Cung tiền M2, Tín dụng.
  • Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HSX): Chỉ số VN-Index (VNI) và dữ liệu giao dịch cổ phiếu.
  • Báo cáo tài chính của các doanh nghiệp niêm yết trên hai sở HSX và HNX.

Nội dung chính theo từng chương

Chương 1: Quan điểm và bằng chứng thực nghiệm việc ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo

Chương 1 thiết lập khung lý luận phê phán mô hình kinh tế truyền thống dựa trên phân phối chuẩn của Gauss và học thuyết thị trường hiệu quả (EMH). Tác giả chỉ ra rằng phân phối hình chuông giả định các quan sát độc lập ngẫu nhiên và xem nhẹ các biến cố cực đoan. Trong thực tế, các quyết định tài chính bắt nguồn từ hành vi của con người với tâm lý bầy đàn, tham lam và sợ hãi (bộ não phải mang tính cảm xúc và phi tuyến), dẫn đến các chuỗi biến động giá có cấu trúc hỗn loạn và tính ghi nhớ chứ không hoàn toàn ngẫu nhiên. Do đó, giả định "sự hợp lý có chừng mực" của Thomas Sargent phù hợp với bản chất thị trường hơn giả định tối ưu hóa duy lý.

Chương này trình bày chi tiết cấu tạo toán học của một neuron phi tuyến, vai trò của các trọng số synapse, cơ chế lan truyền ngược Backpropagation và phương pháp hạ độ dốc gradient. Tác giả so sánh chi tiết ba kiến trúc mạng: mạng truyền thẳng một lớp ẩn, mạng truyền thẳng đa lớp và mạng lặp lại Elman. Đối với mạng truyền thẳng hai lớp ẩn, tác giả chứng minh khi thêm một lớp ẩn thứ hai với $l^$ neuron, số hệ số cần ước lượng sẽ tăng thêm một lượng bằng $(k^ + 1)(l^* - 1) + (l^* + 1)$, làm tăng độ phức tạp tính toán và nguy cơ rơi vào cực tiểu cục bộ (local minimum). Đồng thời, chương 1 hệ thống hóa bằng chứng thực nghiệm từ các công trình quốc tế về dự báo chứng khoán, hàng hóa, tỷ giá và lạm phát, làm cơ sở để tác giả đề xuất quy trình thiết kế ANN 8 bước làm chuẩn mực cho nghiên cứu thực nghiệm ở chương tiếp theo.

Chương 2: Thiết kế và ứng dụng mạng thần kinh nhân tạo để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam

Chương 2 là trọng tâm thực nghiệm của luận án, triển khai ứng dụng mô hình ANN vào chuỗi số liệu của thị trường chứng khoán Việt Nam qua các nhóm biến giải thích khác nhau:

Đầu tiên, tác giả khảo sát nhóm 7 biến số kinh tế vĩ mô tác động đến chỉ số VN-Index với 104 quan sát giai đoạn 2002 - tháng 9/2010:

STT Biến số Ký hiệu Miêu tả dữ liệu Nguồn thu thập
1 Lạm phát CPI Tốc độ thay đổi chỉ số giá tiêu dùng qua các tháng Tổng cục Thống kê
2 Tỷ giá USD Biến động tỷ giá thị trường tự do cuối mỗi tháng IMF, Bloomberg
3 Lãi suất LR Thay đổi lãi suất kỳ hạn 12 tháng qua các tháng IMF, Ngân hàng Nhà nước
4 Sản lượng công nghiệp IP Thay đổi tăng trưởng sản lượng công nghiệp tháng Tổng cục Thống kê
5 Cán cân thương mại TB Thay đổi giá trị cán cân thương mại qua các tháng Tổng cục Thống kê
6 Cung tiền M2 M2 Tốc độ thay đổi cung tiền M2 qua các tháng Ngân hàng Nhà nước, IMF
7 Tăng trưởng tín dụng CR Tốc độ tăng trưởng tín dụng qua các tháng Ngân hàng Nhà nước, IMF
8 VN-Index VNI Thay đổi chỉ số VN-Index theo giá đóng cửa tháng Sở Giao dịch Chứng khoán TP.HCM

Dữ liệu thô được tiền xử lý bằng cách lấy sai phân bậc nhất giữa hai thời điểm $(t; t-1)$ để loại bỏ xu hướng tuyến tính và lấy logarit tự nhiên nhằm san bằng các phân phối lệch phải. Qua quá trình thử nghiệm và loại bỏ biến số, tác giả tìm ra hai mô hình tối ưu nhất với 3 neuron trong lớp ẩn (3 PE):

Mô hình Biến đầu vào (INPUT) Biến loại bỏ Số PE MSE (Huấn luyện) MSE (Xác nhận - CV)
Mô hình 1 CPI, IP, M2, CR USD, LR, TB 3 0,013783 0,131202
Mô hình 2 LR, IP, TB, CR CPI, USD, M2 3 0,019331 0,073505

Tiếp theo, luận án kiểm tra các cấu trúc mạng khác nhau:

  • Mạng thần kinh khái quát hóa (GRNN): thử nghiệm các cấu trúc GNN-14PE, GNN-4PE, GNN-5PE, GNN 9-5-1, GNN 9-6-1.
  • Mạng truyền thẳng đa lớp (MFF/MLF/MLN): thử nghiệm MFF-2PE, MFF-3PE, MFF-4PE, MFF-5PE, MLN 9-3-1, MLN 9-4-1, MLN 9-5-1, MLN 9-6-1, MLF 3-5-3-1, MLF 5-3-1, MLF 5-4-3-1, MLF 5-4-3-2-1.
  • So sánh với mô hình tuyến tính: Tác giả xây dựng mạng ANN tuyến tính và mô hình hồi quy tuyến tính cổ điển (OLS ở Phụ lục 3). Kết quả kiểm định ngoài mẫu khẳng định các cấu trúc ANN phi tuyến (đặc biệt là mạng truyền thẳng đa lớp MLF) đạt sai số MSE thấp hơn và hệ số tương quan $R^2$ cao hơn rõ rệt so với mô hình hồi quy tuyến tính. Khi sử dụng mô hình hồi quy OLS, các biến vĩ mô và tài chính hầu như không thể hiện mối quan hệ có ý nghĩa thống kê với VN-Index; nhưng dưới cấu trúc mạng ANN phi tuyến, tác động của các biến vĩ mô và biến tài chính doanh nghiệp được nhận diện rõ nét.

Ngoài dữ liệu vĩ mô theo tháng, chương 2 còn mở rộng phân tích trên:

  • Chuỗi tỷ suất sinh lợi VN-Index theo tuần (từ tháng 1/2005 đến tháng 9/2010), thử nghiệm thành công với cấu trúc MLF 3-5-3-1 và GNN 3-5-3-1.
  • Chuỗi tỷ suất sinh lợi VN-Index theo ngày trong năm 2010 với cấu trúc MLF 5-3-1, MLF 5-4-3-1, GNN 5-4-3-1.
  • Chuỗi giá trị $\ln(VNI)$ theo ngày từ 02/01/2008 đến 22/09/2010.
  • Khảo sát tác động của thị trường chứng khoán thế giới, các biến số tài chính của doanh nghiệp niêm yết và các chỉ báo kỹ thuật/tâm lý thị trường (gồm đường trung bình di động, oscillators, bộ lọc dao động) làm đầu vào cho mô hình mạng.

Chương 3: Một số đề xuất từ quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam

Dựa trên kết quả thực nghiệm chỉ ra rằng thị trường chứng khoán Việt Nam mang tính phi tuyến cao và chịu tác động mạnh bởi hành vi tâm lý của nhà đầu tư, chương 3 đề xuất 4 nhóm giải pháp chính sách nhằm hoàn thiện thị trường:

  1. Gia tăng điều kiện phát hành chứng khoán nhằm kiểm soát hoạt động huy động vốn của các doanh nghiệp: Tác giả đưa ra số liệu thống kê việc phát hành cổ phiếu ồ ạt qua các năm và cơ cấu vốn huy động năm 2010, cho thấy việc tăng vốn điều lệ không đi kèm với năng lực quản trị dự án làm pha loãng cổ phiếu, tạo áp lực cung vượt cầu và tác động tiêu cực đến chỉ số thị trường.
  2. Sớm thay đổi các quy định về tín dụng đầu tư chứng khoán hiện nay của Ngân hàng Nhà nước: Luận án phân tích quy trình cấp tín dụng đầu tư kinh doanh chứng khoán của các ngân hàng thương mại, chỉ ra dòng vốn tín dụng chảy vào thị trường thiếu kiểm soát đã khuếch đại tính bầy đàn và làm tăng độ biến động phi mã của VN-Index. Cần ban hành các quy định chặt chẽ hơn về trần tín dụng và tỷ lệ ký quỹ.
  3. Gia tăng điều kiện niêm yết trên các sàn giao dịch chứng khoán ở Việt Nam để tạo ra sự khác biệt thực sự giữa các thị trường: Qua số liệu so sánh điều kiện niêm yết và quy mô vốn của các công ty niêm yết trên HSX và HNX tại thời điểm kết thúc quý 3/2010, tác giả chỉ ra tiêu chuẩn niêm yết giữa hai sàn còn tương đồng, chưa phản ánh đúng mức độ phân hóa chất lượng doanh nghiệp. Cần nâng cao tiêu chuẩn về vốn, thời gian hoạt động có lãi và tính thanh khoản trên sàn HSX.
  4. Tăng tính chủ động cho Ủy ban Chứng khoán Nhà nước tiến tới sự độc lập trong hoạt động dưới sự quản lý của Chính phủ: Đề xuất tăng thẩm quyền thanh tra, giám sát giao dịch và xử phạt thao túng thị trường để cơ quan quản lý phản ứng kịp thời với các rủi ro hệ thống.

Kết quả và những đóng góp mới

Luận án tự xác định các đóng góp mới về mặt lý luận và thực tiễn như sau:

Về mặt lý luận:

  • Luận án hệ thống hóa nền tảng triết học và cơ sở toán học của mô hình mạng thần kinh nhân tạo (ANN), giải thích cơ chế mô phỏng bộ não người trong việc xử lý các mối liên hệ kinh tế phi tuyến dựa trên giả định "sự hợp lý có chừng mực" của nhà đầu tư, thay thế cho giả thuyết thị trường hiệu quả và phân phối chuẩn cổ điển.
  • Chứng minh về mặt thực nghiệm rằng cấu trúc mạng thần kinh truyền thẳng đa lớp với hàm kích hoạt phi tuyến cho kết quả dự báo ngoài mẫu vượt trội so với mô hình mạng tuyến tính và mô hình hồi quy tuyến tính cổ điển, khẳng định mối quan hệ giữa các biến giải thích và giá chứng khoán tại Việt Nam mang bản chất phi tuyến tính.

Về mặt thực tiễn:

  • Khẳng định tính khả thi của việc ứng dụng mô hình ANN vào dự báo giá chứng khoán (VN-Index) trên thị trường chứng khoán Việt Nam.
  • Thiết lập quy trình chuẩn 8 bước cho việc thiết kế, tiền xử lý dữ liệu và huấn luyện mô hình ANN trên phần mềm NeuralSolutions 5 phục vụ dự báo tài chính.
  • Phát hiện và lượng hóa tác động phi tuyến của nhóm biến kinh tế vĩ mô (lạm phát CPI, sản lượng công nghiệp IP, cung tiền M2, tăng trưởng tín dụng CR, lãi suất LR, cán cân thương mại TB) và nhóm biến tài chính doanh nghiệp lên chỉ số VN-Index, trong khi mô hình hồi quy tuyến tính truyền thống hoàn toàn không tìm thấy các mối quan hệ này.
  • Đưa ra 4 khuyến nghị chính sách cụ thể đối với Ngân hàng Nhà nước, Ủy ban Chứng khoán Nhà nước và các Sở Giao dịch Chứng khoán nhằm kiểm soát dòng vốn tín dụng, thắt chặt điều kiện phát hành và niêm yết để giảm thiểu tác động tiêu cực từ hành vi bầy đàn của nhà đầu tư.

Hạn chế và hướng nghiên cứu tiếp

Về hạn chế, luận án nêu rõ các vấn đề thực tiễn gặp phải trong quá trình nghiên cứu:

  • Tính sẵn có và độ trễ của thông tin: Số liệu kinh tế vĩ mô tại Việt Nam thường được công bố chậm trễ (ví dụ chỉ số CPI thường công bố từ ngày 22 đến 25 hàng tháng), buộc mô hình phải sử dụng các biến có độ trễ thời gian, dẫn đến sai lệch nhất định giữa phản ứng tức thời của thị trường và dữ liệu ghi nhận.
  • Hạn chế cố hữu của thuật toán ANN: Mô hình có nguy cơ rơi vào điểm tối ưu cục bộ (local minimum) thay vì tối ưu toàn cục (global minimum), đòi hỏi phải lặp lại quá trình ước lượng hàng trăm đến hàng nghìn lần với các trọng số ban đầu khác nhau.
  • Yêu cầu cỡ mẫu lớn: Mô hình ANN cần số lượng trọng số lớn; nếu mẫu quan sát quá nhỏ sẽ dễ rơi vào hiện tượng "khít quá mức" (overfitting) do phải chia bộ dữ liệu thành ba tập hợp riêng biệt.
  • Vấn đề "hộp đen" (black-box): Cấu trúc liên kết phức tạp giữa các neuron ở lớp ẩn khiến việc phân tích độ nhạy riêng lẻ của từng biến số gặp nhiều trở ngại so với các hệ số trong mô hình hồi quy truyền thống.

Về hướng nghiên cứu tiếp, tác giả gợi mở:

  • Mở rộng ứng dụng mô hình ANN sang các chỉ tiêu kinh tế vĩ mô khác như dự báo lạm phát, tỷ giá hối đoái và tăng trưởng kinh tế tại Việt Nam.
  • Kết hợp mô hình ANN với các công cụ trí tuệ nhân tạo khác như lý thuyết logic mờ (Fuzzy-logic) hoặc thuật toán di truyền (Genetic Algorithm) để tối ưu hóa quá trình chọn trọng số và cấu trúc mạng.
  • Áp dụng ANN vào việc phân tích rủi ro tín dụng ngân hàng, xếp hạng trái phiếu doanh nghiệp và tối ưu hóa danh mục đầu tư cho các tổ chức tài chính.

Giá trị tham khảo

Nội dung luận án có giá trị tham khảo thiết thực cho nhiều đối tượng:

  • Đối với nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Kinh tế, Tài chính - Ngân hàng, Toán kinh tế: Luận án cung cấp cơ sở lý luận chi tiết về các dạng mạng thần kinh nhân tạo (Feedforward, GRNN, Elman) và quy trình 8 bước thiết kế mô hình thực nghiệm trên phần mềm NeuralSolutions 5. Phần phụ lục trình bày chi tiết các hàm kích hoạt (Phụ lục 1), quá trình phân loại biến (Phụ lục 2), kiểm định mô hình hồi quy tuyến tính (Phụ lục 3) và cách tính các chỉ báo kỹ thuật (Phụ lục 4) là tài liệu mẫu mực cho nghiên cứu định lượng phi tuyến.
  • Đối với chuyên viên phân tích định lượng (quants), nhà quản lý quỹ và công ty chứng khoán: Các kết quả so sánh cấu trúc mạng (như MLF 3-5-3-1, MLF 5-3-1, GNN 9-5-1) và phương pháp xử lý dữ liệu theo tần số ngày, tuần, tháng giúp xây dựng các hệ thống giao dịch tự động và dự báo xu hướng chỉ số thị trường.
  • Đối với các cơ quan quản lý nhà nước (Ngân hàng Nhà nước, Ủy ban Chứng khoán Nhà nước, Bộ Tài chính): Các phát hiện ở Chương 3 về mối liên hệ giữa tín dụng chứng khoán, hoạt động phát hành tăng vốn và sự phân hóa tiêu chuẩn niêm yết giữa HSX và HNX cung cấp luận cứ thực tiễn để ban hành các quy định quản lý an toàn vĩ mô.

Câu hỏi thường gặp

1. Tại sao mô hình hồi quy tuyến tính truyền thống lại không hiệu quả trong việc dự báo giá chứng khoán tại Việt Nam theo luận án? Theo tác giả, mô hình hồi quy tuyến tính dựa trên giả định biến cố độc lập, ngẫu nhiên và phân phối chuẩn. Tuy nhiên, thị trường chứng khoán Việt Nam chịu chi phối bởi tâm lý bầy đàn, cảm xúc và "sự hợp lý có chừng mực" của nhà đầu tư, tạo ra chuỗi dữ liệu có mối quan hệ phi tuyến và tính hỗn loạn. Khi chạy mô hình hồi quy OLS tuyến tính (trình bày tại Phụ lục 3), các biến vĩ mô và tài chính hầu như không có ý nghĩa thống kê; nhưng khi đưa vào cấu trúc mạng ANN phi tuyến, các biến này lại thể hiện rõ tác động giải thích chỉ số VN-Index.

2. Quy trình 8 bước thiết kế mô hình ANN của luận án dựa trên nghiên cứu của những tác giả nào? Quy trình thiết kế mô hình ANN 8 bước được tác giả tổng hợp dựa trên phác thảo của năm nhà nghiên cứu: Deboeck, Masters, Blum và Nelson, và Illingworth (được trình bày ở Bảng 1.1 trong luận án).

3. Trong quá trình tiền xử lý 7 biến số kinh tế vĩ mô, tác giả đã lựa chọn được những mô hình tối ưu nào để dự báo VN-Index? Tác giả đã sàng lọc được hai mô hình tối ưu với 3 neuron trong lớp ẩn (3 PE):

  • Mô hình 1: Gồm 4 biến đầu vào là Lạm phát (CPI), Sản lượng công nghiệp (IP), Cung tiền M2 (M2) và Tăng trưởng tín dụng (CR); loại bỏ Tỷ giá (USD), Lãi suất (LR) và Cán cân thương mại (TB); đạt MSE huấn luyện là 0,013783 và MSE xác nhận là 0,131202.
  • Mô hình 2: Gồm 4 biến đầu vào là Lãi suất (LR), Sản lượng công nghiệp (IP), Cán cân thương mại (TB) và Tăng trưởng tín dụng (CR); loại bỏ CPI, USD và M2; đạt MSE huấn luyện là 0,019331 và MSE xác nhận là 0,073505.

4. Cấu trúc mạng thần kinh nào cho kết quả dự báo ngoài mẫu tốt nhất trong nghiên cứu này? Kết quả thực nghiệm cho thấy cấu trúc mạng thần kinh truyền thẳng đa lớp (Multilayer Feedforward - MLF/MFF) với hàm truyền phi tuyến cho ra kết quả dự báo ngoài mẫu tốt nhất, đạt sai số bình phương trung bình (MSE) thấp nhất và hệ số tương quan ($R^2$) cao nhất khi kiểm tra trên chuỗi dữ liệu tháng, tuần và ngày.

5. Tác giả đã sử dụng phần mềm nào để xử lý dữ liệu và xây dựng mạng thần kinh nhân tạo? Quá trình thử nghiệm và xây dựng các cấu trúc mạng ANN trong luận án được thực hiện bằng phần mềm xử lý dữ liệu có bản quyền NeuralSolution phiên bản 5 (NeuralSolutions 5).

Kết luận

Luận án tiến sĩ của tác giả Lê Đạt Chí đã ứng dụng thành công mô hình mạng thần kinh nhân tạo (ANN) vào việc phân tích và dự báo chuỗi số liệu chỉ số VN-Index trên thị trường chứng khoán Việt Nam. Bằng việc so sánh thực nghiệm giữa mạng truyền thẳng phi tuyến, mạng GRNN, mạng tuyến tính và mô hình hồi quy OLS cổ điển, công trình khẳng định mối liên hệ phi tuyến sâu sắc giữa các biến số kinh tế vĩ mô, biến số tài chính doanh nghiệp với biến động giá chứng khoán. Không chỉ cung cấp quy trình 8 bước thiết kế mạng ANN chi tiết phục vụ cho nghiên cứu định lượng, luận án còn đưa ra các kiến nghị chính sách xác đáng về kiểm soát tín dụng, thắt chặt điều kiện phát hành và niêm yết nhằm hoàn thiện khuôn khổ quản lý thị trường tài chính Việt Nam.