Tổng quan về luận án

Bối cảnh khoa học của công trình nghiên cứu bắt nguồn từ cuộc khủng hoảng phương pháp luận sâu sắc trong kinh tế học tài chính định lượng vào cuối thế kỷ 20 và đầu thế kỷ 21. Các phương pháp kinh tế lượng cổ điển dựa trên chuỗi thời gian tuyến tính (Linear Time Series) như Box-Jenkins (ARIMA), bộ lọc Kalman, lý thuyết san bằng hàm mũ Brown và hồi quy bình phương bé nhất (OLS) dần bộc lộ những hạn chế cốt tử khi mô hình hóa các thị trường tài chính hiện đại. Các mô hình định giá kinh điển như Mô hình Định giá Tài sản Vốn (CAPM của William Sharpe), mô hình định giá quyền chọn Black-Scholes và mô hình đa nhân tố Fama-French đều xây dựng trên nền tảng phân phối chuẩn (Gaussian distribution) và Giả thuyết Thị trường Hiệu quả (Efficient Market Hypothesis – EMH của Eugene Fama). Tuy nhiên, các cú sốc tài chính toàn cầu đã chứng minh rằng dữ liệu chuỗi thời gian tài chính luôn chứa đựng tính phi tuyến (non-linearity), phân phối đuôi dày (fat tails), tính bất định và sự biến động phương sai có điều kiện (Bollerslev, 1986).

Khoảng trống nghiên cứu (Research gap) được xác định rõ nét: Tại các thị trường chứng khoán mới nổi (Emerging Markets) và thị trường cận biên như Việt Nam, mức độ bất cân xứng thông tin cao cùng tâm lý hành vi bầy đàn khiến giá trị tài sản biến động phức tạp, tạo ra các tương tác phi tuyến mà các mô hình kinh tế lượng truyền thống hoàn toàn bất lực trong việc phát hiện quy luật. Luận án tiến sĩ kinh tế chuyên ngành Kinh tế Tài chính – Ngân hàng (Mã số: 62.01) của nghiên cứu sinh Lê Đạt Chí, dưới sự hướng dẫn khoa học của GS. Trần Ngọc Thơ tại Trường Đại học Kinh tế TP. Hồ Chí Minh (UEH, 2011), mang tựa đề: "Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam". Đây là công trình học thuật tiên phong tại Việt Nam tích hợp trí tuệ nhân tạo (Artificial Intelligence – AI) và khoa học kết nối thần kinh (Connectionist Neural Science) vào việc dự báo chuỗi thời gian tài chính.

Hệ thống câu hỏi nghiên cứu và giả thuyết được cụ thể hóa:

  • Câu hỏi nghiên cứu 1 (RQ1): Cơ chế toán học và nền tảng tính toán của Mạng thần kinh nhân tạo (Artificial Neural Network – ANN) vận hành như thế nào trong thị trường tài chính?
  • Câu hỏi nghiên cứu 2 (RQ2): Cấu trúc mạng ANN nào tối ưu nhất để ước lượng và dự báo chỉ số giá chứng khoán tại thị trường Việt Nam?
  • Câu hỏi nghiên cứu 3 (RQ3): Liệu năng lực dự báo ngoài mẫu (out-of-sample forecasting) của mô hình ANN có vượt trội hơn so với mô hình hồi quy tuyến tính cổ điển?
  • Câu hỏi nghiên cứu 4 (RQ4): Nhóm biến số giải thích nào (kinh tế vĩ mô, chỉ báo kỹ thuật, biến số tài chính vi mô) có năng lực tác động và giải thích mạnh nhất đối với sự thay đổi của VN-Index?

Hệ thống giả thuyết tương ứng:

  • Giả thuyết H1: Mối quan hệ giữa các nhân tố giải thích và chỉ số VN-Index mang bản chất phi tuyến phức tạp; mô hình ANN có khả năng xấp xỉ hàm số chính xác hơn hồi quy tuyến tính.
  • Giả thuyết H2: Mô hình mạng thần kinh truyền thẳng đa lớp (Multilayer Feedforward – MLF) và mạng thần kinh khái quát hóa (Generalized Regression Neural Network – GRNN) cho sai số bình phương trung bình (MSE) ngoài mẫu thấp hơn đáng kể so với mô hình OLS.
  • Giả thuyết H3: Các biến số vĩ mô và tài chính doanh nghiệp khi qua các lớp ẩn (hidden layers) phi tuyến sẽ phản ánh kỳ vọng và hành vi của nhà đầu tư rõ nét hơn các tham số tuyến tính tĩnh.

Khung lý thuyết tổng quát tích hợp thuyết tính toán thần kinh với Lý thuyết Hợp lý Có chừng mực (Bounded Rationality Theory của Herbert Simon và Thomas J. Sargent, 1997, 1999) cùng Lý thuyết Khoa học Hỗn loạn (Chaos Science). Phạm vi nghiên cứu bao quát dữ liệu kinh tế vĩ mô và chỉ số VN-Index giai đoạn từ năm 2002 đến tháng 9/2010 với 104 quan sát tháng, dữ liệu tuần từ 01/2005 đến 09/2010, dữ liệu ngày từ 02/01/2008 đến 22/09/2010, cùng tập dữ liệu kiểm định ngoài mẫu chuyên biệt năm 2010.

Literature Review và Positioning

Tổng quan tài liệu cho thấy hai luồng tư tưởng học thuật đối lập sâu sắc trong kinh tế học tài chính:

Luồng tư tưởng thứ nhất đại diện cho trường phái tân cổ điển (Neoclassical Economics) và vật lý cổ điển Newton. Trường phái này xây dựng dựa trên giả định thị trường duy lý hoàn hảo, bước đi ngẫu nhiên (Random Walk) và phân phối Gauss. Bill Williams (1995) chỉ trích rằng nền tảng này bị chi phối bởi "bản đồ logic văn hóa" bắt nguồn từ triết học Aristotle – nơi mọi sự vật được nhìn nhận là đứng yên, phân tách và độc lập ngẫu nhiên. Trích dẫn nguyên văn từ luận án nhấn mạnh nhận định của Bill Williams (1995): "Bản đồ logic văn hóa của bạn tác động đến mọi thứ bạn làm: bài nói chuyện của bạn, suy nghĩ của bạn, hành vi của bạn, cách bạn ăn và bạn giao dịch trên thị trường tài chính. Các khái niệm của bạn về tất cả các hành động phụ thuộc vào bản đồ logic văn hóa mà bạn đang sử dụng". Việc áp dụng phân phối chuẩn xem các biến động cực đoan là ngẫu nhiên và loại bỏ ngoại lai. Phê phán giả định này, Nassim Nicholas Taleb (2007) lập luận đanh thép: "Nếu thế giới tài chính tuân theo đường cong Gauss, thì phải mất vài tỷ thời gian sống của đời người để một biến cố kiểu như sự sụp đổ TTCK năm 1987 mới xảy ra".

Luồng tư tưởng thứ hai đại diện cho khoa học hiện đại, kế thừa triết học Heraclitus với quan điểm vạn vật luôn biến động và tương tác đa chiều. Benoit Mandelbrot (1963, 1987) khi nghiên cứu chuỗi giá cả hàng hóa đã khám phá ra hiệu ứng ghi nhớ dài hạn và cấu trúc fractal phi tuyến. Luận án trích dẫn nghiên cứu của Mandelbrot (qua Gleick, 1987, tr. 86): "Mỗi sự thay đổi giá cụ thể là ngẫu nhiên và không thể dự báo được. Tuy nhiên, chuỗi sự thay đổi lại có sự phụ thuộc nhau trong một phạm vi". Tính hỗn loạn (chaos) không đồng nghĩa với tính ngẫu nhiên vô trật tự (randomness), mà là một trật tự bậc cao có cấu trúc. Prigogine (1984, tr. 48) đã khẳng định: "Bộ não là một phát minh của tính hỗn loạn". Hành vi nhà đầu tư bị chi phối bởi các trạng thái tâm lý tham lam và sợ hãi, hình thành nên các chuyển động phi tuyến có tính bầy đàn (Keynes, 1936; Sargent, 1997).

Về mặt thực nghiệm quốc tế, luận án định vị công trình thông qua việc đối chiếu với nhiều nghiên cứu điển hình:

  • Nghiên cứu của Jozef Barunik (2007) ứng dụng ANN phi tuyến dự báo tỷ suất sinh lợi trên các thị trường chứng khoán châu Âu (Phần Lan, Hungary, Séc, Đức giai đoạn 2000–2006) cho thấy ANN giảm thiểu sai lệch dự báo vượt trội và đạt độ chính xác xu hướng tới 60% đối với các chỉ số PX-50, BUX và DAX.
  • Nghiên cứu của Reza G. Ahagar và Mahmood Yahyazadehfar (2010) tại thị trường Tehran (Iran) chứng minh cấu trúc mạng thần kinh khái quát hóa (GRNN) vượt trội hơn hẳn hồi quy tuyến tính OLS.
  • Nghiên cứu của Qing Cao, Mark và Karyl (2009) tại thị trường Thượng Hải (Trung Quốc) và Renu & Abhijeet (2010) với chỉ số Nifty (Ấn Độ) xác nhận cấu trúc mạng truyền thẳng 3 lớp ẩn xử lý rất hiệu quả tính bất định của thị trường mới nổi.
  • Nghiên cứu của Heping Pan, Chandima và John (2005) dự báo chỉ số S&P/ASX All Ordinaries (Úc) kết luận mạng truyền thẳng 1 lớp ẩn với 2 neuron đạt độ chính xác dự báo xu hướng lên tới 80%.
  • Các nghiên cứu dự báo kinh tế vĩ mô của Nikola Gradojevic & Jing Yang (2000) tại Ngân hàng Trung ương Canada (dự báo tỷ giá CAD/USD) và Recep Duzgun (2010) tại Thổ Nhĩ Kỳ (dự báo chỉ số CPI) đều khẳng định sai số nghiệm thức RMSE của ANN thấp hơn hẳn mô hình chuỗi thời gian tuyến tính ARIMA.

Luận án của Lê Đạt Chí định vị chính xác tại điểm giao thoa giữa lý thuyết tài chính hành vi và mô hình hóa học máy phi tuyến, giải quyết khoảng trống thực nghiệm tại một thị trường cận biên non trẻ như Việt Nam.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước chuyển dịch nhận thức luận (epistemological shift) từ mô hình cân bằng tĩnh sang mô hình động lực học phi tuyến trong phân tích thị trường tài chính:

Thứ nhất, công trình thách thức trực diện Giả thuyết Thị trường Hiệu quả (Fama, 1970) và Lý thuyết Hữu dụng Kỳ vọng (Expected Utility Theory). Thay vì giả định nhà đầu tư duy lý tuyệt đối với kỳ vọng thuần lý trí (Rational Expectations), luận án củng cố Lý thuyết Hợp lý Có chừng mực (Bounded Rationality) của Thomas J. Sargent (1997, 1999). Thị trường chứng khoán được chứng minh là một hệ thống thích nghi phức tạp (Complex Adaptive System), nơi giá cả không vận động ngẫu nhiên thuần túy mà mang tính phụ thuộc phi tuyến vào các biến số cấu trúc vĩ mô và tâm lý thị trường.

Thứ hai, luận án mở rộng ứng dụng Định lý Xấp xỉ Phổ quát (Universal Approximation Theorem) được thiết lập bởi Hornik, Stinchcombe và White (1989), Hecht-Nielsen (1990) và Dayhoff & Deleo (2001). Định lý chứng minh rằng một mạng nơ-ron truyền thẳng ba lớp với các hàm truyền phi tuyến có khả năng xấp xỉ liên tục bất kỳ hàm số phi tuyến đa biến ngẫu nhiên nào với độ chính xác tùy ý. Luận án đã cụ thể hóa định lý này vào chuỗi dữ liệu VN-Index, chứng minh rằng mạng ANN hoạt động như một "cỗ máy sàng lọc phi tham số" (non-parametric filter), giải phóng nghiên cứu khỏi sự gò bó của các dạng hàm định sẵn trong kinh tế lượng cổ điển.

Thứ ba, công trình tích hợp cơ sở sinh học thần kinh vào lý thuyết lựa chọn kinh tế dựa trên "Nguyên lý về sự tách biệt các chức năng" và "Nguyên lý về sự hợp tác các chức năng" của Rustichini, Dickhaut, Ghirardato, Smith và Pardo (2002). Luận án trích dẫn từ Rustichini et al. (2002, tr. 3): "Không phải tất cả chức năng của não bộ được thực hiện bởi toàn bộ não bộ" và "Mỗi khu vực của não được kích hoạt cho các chức năng khác nhau nhưng cũng có những khu vực giao nhau được sử dụng cho những chức năng khác nhau". Các lớp ẩn trong mô hình ANN đóng vai trò biểu diễn các biến số ngầm (latent variables) như tâm lý bầy đàn, lòng tham và sự sợ hãi (Keynesian animal spirits), biến đổi các cú sốc vĩ mô thành quyết định giao dịch cụ thể.

+-----------------------------------------------------------------------------------+
|               KHUNG PHÂN TÍCH TỔNG QUÁT CỦA MÔ HÌNH DỰ BÁO ANN                    |
+-----------------------------------------------------------------------------------+
  [Nhập lượng Đầu vào]              [Các Lớp Ẩn Phi Tuyến]         [Đầu ra Dự báo]
  - Vĩ mô: CPI, USD, LR, IP, TB, M2, CR   ==>  (Neuron n_k: Hàm kích hoạt)  ==>   VN-Index /
  - Kỹ thuật: MA, RSI, Oscillator        ==>  (Synapse w_ki: Trọng số)     ==>   Tỷ suất sinh lợi
  - Vi mô: Chỉ số tài chính DN          ==>  (Thuật toán Backpropagation)  ==>   Dự báo ngoài mẫu
+-----------------------------------------------------------------------------------+

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp bốn trục lý thuyết nền tảng:

  1. Lý thuyết Khoa học Hỗn loạn: Mô tả sự tương tác phi tuyến và cấu trúc tự tương quan tiềm ẩn trong chuỗi thời gian giá chứng khoán.
  2. Lý thuyết Tài chính Hành vi: Định vị hành vi nhà đầu tư trong điều kiện thông tin không hoàn hảo, giải thích hiện tượng bầy đàn và phản ứng quá mức (overreaction).
  3. Lý thuyết Tính toán Thần kinh (Neural Computation): Thiết lập kiến trúc mạng nơ-ron đa tầng với cơ chế lan truyền ngược (Backpropagation) để tối ưu hóa trọng số khớp nối thần kinh.
  4. Lý thuyết Đầu tư và Cấu trúc Vĩ mô: Kế thừa khung phân tích vĩ mô của Frank K. Reilly và Keith C. Brown (2002) nhằm chọn lọc nhóm biến vĩ mô tác động trực tiếp đến dòng tiền và tỷ suất chiết khấu định giá.

Khung phân tích giải thích cơ chế chuyển hóa thông qua phương trình vector toán học: $$\mathbf{y}t = \gamma_0 + \sum{l=1}^{l^} \gamma_l \cdot f\left( p_{l,0} + \sum_{k=1}^{k^} p_{l,k} \cdot f\left( \omega_{k,0} + \sum_{i=1}^{i^*} \omega_{k,i} x_{i,t} \right) \right)$$ Trong đó: $x_{i,t}$ là vector các biến đầu vào tại thời điểm $t$; $\omega_{k,i}$ và $p_{l,k}$ là các ma trận trọng số synapse; $f(\cdot)$ là hàm kích hoạt phi tuyến logistic/sigmoid; $\mathbf{y}_t$ là giá trị VN-Index dự báo.

Điều kiện biên (Boundary conditions) được xác lập nghiêm ngặt: Mô hình vận hành tối ưu trong điều kiện cấu trúc thể chế của thị trường tài chính không trải qua sự thay đổi đột ngột làm đứt gãy hoàn toàn chuỗi phân phối mẫu; các biến số vĩ mô định kỳ phải đảm bảo tính sẵn có và được chuẩn hóa đồng nhất.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu theo đuổi trường phái nhận thức thực chứng hậu thực nghiệm (Post-positivist Realism) kết hợp phương pháp luận tính toán định lượng (Computational Quantitative Methodology). Thiết kế nghiên cứu áp dụng kỹ thuật mô phỏng phi tham số (non-parametric simulation) đa tầng kết hợp phân tích đối chuẩn thực nghiệm (Benchmarking Empirical Design).

Quy trình nghiên cứu được chuẩn hóa thông qua khung thiết kế 8 bước kinh điển của 5 nhà khoa học hàng đầu trong lĩnh vực tính toán trí tuệ nhân tạo: Deboeck, Masters, Blum, Nelson, và Illingworth:

  • Bước 1: Lựa chọn biến số kinh tế và tài chính đầu vào.
  • Bước 2: Thu thập dữ liệu lịch sử chuẩn hóa.
  • Bước 3: Tiền xử lý dữ liệu (chuẩn hóa biên độ, sai phân, logarit).
  • Bước 4: Thiết lập phân chia bộ dữ liệu: Huấn luyện (Training set), Thử nghiệm/Xác thực chéo (Cross-validation set), và Kiểm tra ngoài mẫu (Testing set).
  • Bước 5: Xây dựng cấu trúc mạng ANN (xác định số lớp ẩn, số phần tử xử lý PE/neuron, chọn hàm truyền kích hoạt).
  • Bước 6: Xác định tiêu chuẩn đánh giá toán học ($MSE, MAE, MAPE, NMSE, R^2$).
  • Bước 7: Huấn luyện hệ thống ANN (tối ưu hóa số vòng lặp Epochs, tinh chỉnh Learning rate và Momentum).
  • Bước 8: Ứng dụng mô hình dự báo ngoài mẫu và kiểm định thực tiễn.

Toàn bộ quy trình huấn luyện và tối ưu hóa kiến trúc mạng được thực thi trên phần mềm chuyên dụng có bản quyền NeuralSolutions phiên bản 5.0, kết hợp đối chứng với phần mềm kinh tế lượng EViews để ước lượng các mô hình hồi quy tuyến tính cổ điển.

+-----------------------------------------------------------------------------------------+
|                  QUY TRÌNH 8 BƯỚC THIẾT KẾ MẠNG ANN (DEBOECK ET AL.)                    |
+-----------------------------------------------------------------------------------------+
  [B1: Chọn biến] ---> [B2: Thu thập Data] ---> [B3: Tiền xử lý] ---> [B4: Chia 3 tập Data]
                                                                               |
  [B8: Ứng dụng]  <--- [B7: Huấn luyện BP] <--- [B6: Đo lường]   <--- [B5: Thiết kế mạng]
+-----------------------------------------------------------------------------------------+

Quy trình nghiên cứu rigorous

Quy trình thu thập và tiền xử lý dữ liệu được thiết kế chặt chẽ nhằm triệt tiêu hiện tượng nhiễu (noise) và trôi dạt phân phối (distribution drift):

  • Chuỗi dữ liệu vĩ mô: 104 quan sát tháng liên tục từ năm 2002 đến tháng 9/2010.
  • Biến số lựa chọn: Lạm phát ($CPI$), Tỷ giá USD thị trường tự do ($USD$), Lãi suất cho vay 12 tháng ($LR$), Giá trị sản xuất công nghiệp ($IP$), Cán cân thương mại ($TB$), Tốc độ tăng trưởng cung tiền ($M2$), Tốc độ tăng trưởng tín dụng ($CR$), và Chỉ số đóng cửa thị trường ($VNI$). Dữ liệu được trích xuất từ Tổng cục Thống kê, Ngân hàng Nhà nước Việt Nam, Quỹ Tiền tệ Quốc tế (IMF) và Bloomberg.
  • Kỹ thuật trễ thời gian (Time-lagged alignment): Nhằm phản ánh chính xác độ trễ công bố thông tin thực tế (ví dụ $CPI$ thường được công bố vào ngày 22–25 hàng tháng), các biến vĩ mô được đặt độ trễ $t-1$ để dự báo biến động chỉ số chứng khoán tại thời kỳ $t$.
  • Tiền xử lý và chuẩn hóa (Normalization): Dữ liệu được biến đổi qua phép lấy sai phân bậc một $\Delta x_t = x_t - x_{t-1}$ để loại bỏ xu thế tuyến tính không dừng, kết hợp phép biến đổi logarit tự nhiên $\ln(x_t)$ đối với các chuỗi giá để nén biên độ dao động lệch phải. Toàn bộ giá trị đầu vào được chuẩn hóa đưa về miền giá trị $[0, 1]$ hoặc $[-1, 1]$ phù hợp với miền chặn của hàm truyền Sigmoid/Tanh.
  • Phân vùng dữ liệu 3 pha độc lập: Bộ dữ liệu được phân chia thành:
    • Tập huấn luyện (Training Set): Chiếm 60-70% mẫu, phục vụ cập nhật trọng số liên tục.
    • Tập xác thực chéo (Cross-validation Set): Chiếm 15-20% mẫu, kiểm soát hiện tượng quá khớp (overfitting) và xác định điểm dừng tối ưu (early stopping).
    • Tập kiểm tra ngoài mẫu (Testing Set): Chiếm 15-20% mẫu, đánh giá độc lập hoàn toàn khả năng tổng quát hóa dữ liệu chưa từng thấy.

Data và phân tích

Quá trình huấn luyện mạng áp dụng thuật toán Lan truyền ngược (Backpropagation – BP) kết hợp nguyên lý giảm độ dốc gradient (Gradient Descent with Momentum) nhằm tìm kiếm cực tiểu toàn cục của hàm mất mát.

Hàm mục tiêu tối thiểu hóa Sai số Bình phương Trung bình (Mean Squared Error – MSE): $$MSE = \frac{1}{N} \sum_{t=1}^N (T_t - Y_t)^2$$ Trong đó: $T_t$ là giá trị mục tiêu thực tế; $Y_t$ là giá trị dự báo đầu ra của mạng ANN tại vòng lặp $t$.

Các cấu trúc mạng thực nghiệm đa dạng được kiểm định:

  • Cấu trúc Mạng Thần kinh Truyền thẳng (Multilayer Feedforward Network – MFF/MLF) với các biến thể: MLF 4-4-1, MLF 4-3-2-1, MLF 4-4-3-1, MLF 3-5-3-1, MLF 5-3-1, MLF 5-4-3-1.
  • Cấu trúc Mạng Thần kinh Khái quát hóa (Generalized Regression Neural Network – GRNN/GNN) với các biến thể: GNN-14PE, GNN-4PE, GNN-5PE, GNN 9-5-1, GNN 9-6-1, GNN 3-5-3-1.
  • Cấu trúc Mạng Tuyến tính đối chứng (Linear Neural Network – MLN): MLN 9-3-1, MLN 9-4-1, MLN 9-5-1, MLN 9-6-1.

Kết quả tiền xử lý 7 biến vĩ mô phân lập ra 2 mô hình tối ưu:

  • Mô hình 1: Tập hợp 4 biến ${CPI, IP, M2, CR}$, loại bỏ ${USD, LR, TB}$; với cấu trúc 3 phần tử xử lý ($PE=3$), cho $MSE_{\text{Huấn luyện}} = 0{,}013783$ và $MSE_{\text{Xác thực}} = 0{,}131202$.
  • Mô hình 2: Tập hợp 4 biến ${LR, IP, TB, CR}$, loại bỏ ${CPI, USD, M2}$; với cấu trúc 3 phần tử xử lý ($PE=3$), cho $MSE_{\text{Huấn luyện}} = 0{,}019331$ và $MSE_{\text{Xác thực}} = 0{,}073505$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu mang lại 4 phát hiện thực nghiệm mang tính đột phá cho thị trường chứng khoán Việt Nam:

+-----------------------------------------------------------------------------------------+
|                  SO SÁNH HIỆU NĂNG DỰ BÁO: MÔ HÌNH ANN VS. HỒI QUY TUYẾN TÍNH           |
+-----------------------------------------------------------------------------------------+
  Tiêu chí Đánh giá            Mô hình Hồi quy Tuyến tính (OLS)   Mô hình Mạng Thần kinh ANN
  -------------------------    --------------------------------   --------------------------
  Năng lực mô hình hóa         Rất thấp (Giả định tuyến tính gò bó) Vượt trội (Xấp xỉ phi tuyến)
  Sai số dự báo ngoài mẫu MSE  Cao, phương sai sai số lớn        Thấp vượt bậc (giảm mạnh)
  Hệ số tương quan ngoài mẫu   R^2 thấp / không có ý nghĩa       R^2 cao, bám sát đỉnh/đáy
  Nhận diện tác động vĩ mô     Triệt tiêu / Không có ý nghĩa thống kê Phản ánh rõ nét qua lớp ẩn
  Xử lý tín hiệu kỹ thuật & vi mô Kém hiệu quả                    Nhận diện mẫu hình sắc bén
+-----------------------------------------------------------------------------------------+
  1. Sự vượt trội của mô hình ANN trước hồi quy tuyến tính: Mô hình hồi quy tuyến tính OLS truyền thống gần như thất bại trong việc giải thích biến động của chỉ số VN-Index dựa trên các biến số vĩ mô và tài chính (hệ số $R^2$ thấp, các kiểm định $t$ và $F$ không ổn định). Ngược lại, các cấu trúc mạng ANN (đặc biệt là MLF và GRNN) đạt độ chính xác dự báo ngoài mẫu vượt trội, với sai số $MSE$ kiểm định giảm mạnh và hệ số tương quan $R^2$ giữa giá trị thực tế và giá trị dự báo đạt mức rất cao.
  2. Cấu trúc mạng tối ưu cho thị trường Việt Nam: Kết quả thực nghiệm khẳng định cấu trúc Mạng truyền thẳng đa lớp (MLF) với 1 đến 2 lớp ẩn kết hợp hàm kích hoạt phi tuyến (Sigmoid) đem lại hiệu quả dự báo vượt trội so với mạng hồi quy tuyến tính đơn giản và mạng lặp Elman. Các cấu trúc như GNN-14PE, GNN-4PE, MLF 3-5-3-1 và MLF 5-3-1 thể hiện khả năng dự báo chuẩn xác không chỉ xu hướng tăng/giảm mà còn bám sát các bước ngoặt đảo chiều của chỉ số VN-Index trong giai đoạn biến động khốc liệt 2008–2010.
  3. Cơ chế truyền dẫn phi tuyến của biến số kinh tế vĩ mô: Tăng trưởng tín dụng ($CR$), sản lượng công nghiệp ($IP$), cung tiền ($M2$), và lãi suất ($LR$) là những nhân tố chi phối mạnh mẽ nhất lên thị trường chứng khoán Việt Nam. Tuy nhiên, mối quan hệ này hoàn toàn mang tính phi tuyến: tác động của lãi suất hay cung tiền chỉ kích hoạt sự dịch chuyển của giá chứng khoán khi vượt qua các ngưỡng kích hoạt nhất định trong tâm lý nhà đầu tư.
  4. Sức mạnh dự báo của các biến số tài chính vi mô và chỉ báo tâm lý kỹ thuật: Khi kết hợp các chỉ báo phân tích kỹ thuật (Moving Averages, Oscillators) và các chỉ số tài chính doanh nghiệp vào mô hình mạng ANN phi tuyến, độ chính xác dự báo tỷ suất sinh lợi theo ngày và theo tuần tăng lên rõ rệt. Điều này chứng minh hành vi đầu cơ ngắn hạn và tâm lý bầy đàn của nhà đầu tư cá nhân chi phối mạnh mẽ động thái giá trên sàn giao dịch chứng khoán TP.HCM (HSX) và Hà Nội (HNX).

Implications đa chiều

  • Về mặt lý thuyết: Công trình cung cấp bằng chứng thực nghiệm đanh thép ủng hộ trường phái Tài chính Hành vi và Lý thuyết Hệ thống Thích nghi Phức tạp tại thị trường mới nổi; bác bỏ giả định phân phối chuẩn và giả thuyết thị trường hiệu quả dạng yếu tại Việt Nam.
  • Về mặt phương pháp luận: Thiết lập quy trình 8 bước chuẩn hóa trong việc thiết kế, tiền xử lý, phân đoạn mẫu và huấn luyện mạng ANN bằng phần mềm NeuralSolutions 5; cung cấp khung phương pháp luận có khả năng tái lập hoàn toàn cho việc dự báo các chuỗi thời gian kinh tế vĩ mô khác như lạm phát, tỷ giá hối đoái và tiêu thụ năng lượng.
  • Về mặt ứng dụng thực tiễn đầu tư: Giúp các quỹ đầu tư tài chính, công ty chứng khoán và nhà đầu tư cá nhân xây dựng các hệ thống giao dịch tự động thuật toán (Algorithmic Trading Systems) dựa trên AI, nâng cao tỷ suất sinh lợi danh mục và quản trị rủi ro sụt giảm (Downside Risk).
  • Về mặt chính sách quản lý nhà nước:
    1. Kiểm soát cung tiền và tín dụng: Ngân hàng Nhà nước cần kiểm soát chặt chẽ tốc độ tăng trưởng tín dụng đổ vào kênh kinh doanh chứng khoán thông qua các quy định an toàn vốn của các ngân hàng thương mại.
    2. Nâng cao tiêu chuẩn phát hành và niêm yết: Ủy ban Chứng khoán Nhà nước (UBCKNN) cần gia tăng điều kiện phát hành cổ phiếu tăng vốn và chuẩn hóa điều kiện niêm yết giữa hai sàn HSX và HNX để phân loại chất lượng doanh nghiệp, ngăn chặn tình trạng "pha loãng" cổ phiếu.
    3. Tăng tính độc lập cho UBCKNN: Chuyển đổi mô hình hoạt động của UBCKNN theo hướng nâng cao quyền tự chủ, tiến tới một cơ quan quản lý độc lập trực thuộc Chính phủ nhằm giám sát minh bạch thị trường và bảo vệ nhà đầu tư.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn học thuật nội tại:

  • Hiện tượng "Hộp đen" (Black-box Nature): Mạng ANN thể hiện mối quan hệ phi tuyến thông qua hàng trăm trọng số synapse phức tạp nhưng không cung cấp các hệ số ước lượng tường minh dạng phương trình như hồi quy OLS, gây khó khăn cho việc phân tích độ nhạy biên (marginal sensitivity analysis) của từng biến số riêng lẻ.
  • Quy mô mẫu dữ liệu lịch sử: Do thị trường chứng khoán Việt Nam mới hình thành (từ năm 2000), kích thước chuỗi quan sát tháng (104 quan sát) còn tương đối khiêm tốn đối với yêu cầu dữ liệu lớn của mạng thần kinh, dẫn đến nguy cơ tiềm ẩn về hiện tượng "khít quá mức" (overfitting) nếu cấu trúc mạng quá phức tạp.
  • Bẫy cực tiểu cục bộ (Local Minima): Thuật toán tối ưu hóa Gradient Descent trong Backpropagation có xác suất rơi vào các điểm tối ưu cục bộ thay vì tìm được điểm tối ưu toàn cục (global optimum), phụ thuộc đáng kể vào các giá trị trọng số khởi tạo ban đầu.

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

  1. Tích hợp các thuật toán trí tuệ nhân tạo lai (Hybrid AI Models), kết hợp mạng nơ-ron với Giải thuật Di truyền (Genetic Algorithms – GA) hoặc Hệ logic mờ (Fuzzy Logic) để tối ưu hóa việc tìm kiếm trọng số toàn cục.
  2. Ứng dụng các kiến trúc mạng nơ-ron sâu tiên tiến (Deep Learning) như Long Short-Term Memory (LSTM), Recurrent Neural Networks (RNN) và Gated Recurrent Units (GRU) chuyên biệt cho chuỗi thời gian tài chính tần suất cao (High-Frequency Trading Data).
  3. Mở rộng tập biến giải thích sang các dữ liệu phi cấu trúc như phân tích cảm xúc tin tức (News Sentiment Analysis) và chỉ số tâm lý mạng xã hội.
  4. Mở rộng phạm vi nghiên cứu sang các thị trường tài sản phái sinh, thị trường vàng, dầu thô và thị trường bất động sản Việt Nam.

Tác động và ảnh hưởng

  • Tác động học thuật: Luận án mở ra một nhánh nghiên cứu chuyên sâu (Research Stream) về kinh tế học tính toán (Computational Economics) và tài chính định lượng AI tại các trường đại học khối kinh tế hàng đầu Việt Nam; đặt nền móng tham khảo cho hàng chục luận án tiến sĩ và thạc sĩ tiếp theo trong lĩnh vực ứng dụng Machine Learning dự báo tài chính.
  • Chuyển đổi ngành tài chính: Cung cấp cơ sở khoa học cho các định chế tài chính, ngân hàng đầu tư và công ty quản lý quỹ tại Việt Nam trong việc chuyển đổi từ phân tích kỹ thuật truyền thống sang ứng dụng các mô hình định lượng (Quantitative Trading) và khai phá dữ liệu thông minh.
  • Ảnh hưởng chính sách: Cung cấp luận cứ khoa học giúp các nhà hoạch định chính sách tại Ngân hàng Nhà nước và Bộ Tài chính nhận diện cơ chế dẫn truyền phi tuyến của các cú sốc tiền tệ và tín dụng sang thị trường tài sản, phục vụ việc ban hành các chính sách điều tiết vĩ mô kịp thời.
  • Giá trị kinh tế - xã hội: Góp phần nâng cao tính minh bạch, hạn chế các cơn sốt bong bóng tài sản đầu cơ do tâm lý bầy đàn gây ra, bảo vệ nguồn vốn tích lũy của xã hội và thúc đẩy kênh dẫn vốn trung và dài hạn của nền kinh tế vận hành hiệu quả.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới nghiên cứu hàn lâm: Tiếp cận khung phương pháp luận nghiên cứu thực chứng 8 bước nghiêm ngặt; hiểu rõ kỹ thuật thiết kế mạng ANN, xử lý dữ liệu phi tuyến và các công cụ kiểm định ngoài mẫu chính xác.
  • Giảng viên và Chuyên gia kinh tế: Có tài liệu học thuật chuyên sâu phục vụ giảng dạy các học phần Tài chính Định lượng Cao cấp, Kinh tế lượng Phi tuyến và Phân tích Đầu tư Nâng cao.
  • Bộ phận R&D tại các Tổ chức Tài chính: Vận dụng các cấu trúc mạng tối ưu (MLF, GRNN) để xây dựng các công cụ định giá, xếp hạng tín dụng tự động và hệ thống cảnh báo sớm rủi ro thị trường (Early Warning Systems).
  • Cơ quan Quản lý Nhà nước (NHNN, UBCKNN): Tiếp nhận các bằng chứng thực nghiệm định lượng về độ trễ và ngưỡng tác động của cung tiền/lãi suất để hoàn thiện cơ chế điều hành thị trường vốn và kiểm soát dòng vốn tín dụng an toàn.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Đóng góp độc đáo nhất là việc luận án đã phản biện thành công Giả thuyết Thị trường Hiệu quả (EMH) và xác lập tính tương thích vượt trội của Lý thuyết Hợp lý Có chừng mực (Bounded Rationality) cùng Lý thuyết Hệ thống Thích nghi Phức tạp tại thị trường Việt Nam. Luận án đã mở rộng Định lý Xấp xỉ Phổ quát (Hornik et al., 1989) vào chuỗi thời gian tài chính thực nghiệm, chứng minh rằng mạng ANN đa tầng với các lớp ẩn phi tuyến có thể mô hình hóa trọn vẹn các tương tác phức hợp giữa vĩ mô và tâm lý nhà đầu tư mà không cần áp đặt cấu trúc hàm tuyến tính tiên nghiệm.

2. Đổi mới phương pháp luận của luận án khi so sánh với các nghiên cứu đi trước?
So với các nghiên cứu truyền thống chỉ sử dụng hồi quy OLS hoặc ARIMA (như Box-Jenkins cổ điển), và so với các nghiên cứu ANN quốc tế đơn lớp (như Heping Pan et al., 2005 chỉ dùng mạng 1 lớp ẩn 2 neuron), luận án của Lê Đạt Chí đã: (1) Chuẩn hóa quy trình 8 bước tích hợp toàn diện từ tiền xử lý sai phân/logarit, (2) Khảo nghiệm đồng thời nhiều họ kiến trúc mạng phức tạp (MFF, MLF đa lớp ẩn, GRNN/GNN, mạng lặp Elman và mạng tuyến tính đối chứng), (3) Thực hiện phân đoạn 3 tập dữ liệu độc lập (Training, Cross-validation, Testing) để kiểm soát triệt để hiện tượng quá khớp (overfitting), bảo đảm tính vững của dự báo ngoài mẫu.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?
Phát hiện bất ngờ nhất là trong khi mô hình hồi quy tuyến tính cổ điển cho thấy các biến số kinh tế vĩ mô cơ bản hầu như không có ý nghĩa giải thích thống kê đối với VN-Index, thì mô hình mạng ANN lại chứng minh các biến số vĩ mô (đặc biệt là Tăng trưởng Tín dụng $CR$, Sản lượng Công nghiệp $IP$, Cung tiền $M2$ và Lãi suất $LR$) có tác động dự báo cực kỳ mạnh mẽ. Điều này chứng minh bản chất mối quan hệ kinh tế - tài chính tại Việt Nam là hoàn toàn phi tuyến: thông tin vĩ mô tác động tới thị trường thông qua các ngưỡng tâm lý kích hoạt hành vi bầy đàn chứ không truyền dẫn theo tỷ lệ tuyến tính đơn giản.

4. Quy trình nghiên cứu có cung cấp đầy đủ giao thức tái lập (Replication Protocol) không?
Hoàn toàn đầy đủ. Luận án mô tả chi tiết: nguồn gốc dữ liệu (TCTK, NHNN, IMF, Bloomberg, HSX); công thức toán học của các phép lấy sai phân $\Delta$ và $\ln$; bảng tham số chi tiết của từng cấu trúc mạng ($PE$, số lớp ẩn, hàm kích hoạt Sigmoid/Linear); phần mềm thực thi (NeuralSolutions 5); hệ số học tập (Learning rate), quán tính (Momentum) và các tiêu chuẩn đánh giá dừng thuật toán theo $MSE$ và $R^2$.

5. Chương trình nghiên cứu 10 năm được phác thảo từ công trình này như thế nào?
Chương trình 10 năm định hướng: (1) Mở rộng tích hợp các thuật toán lai Trí tuệ nhân tạo (Neuro-Fuzzy, GA-ANN), (2) Phát triển các mô hình học sâu (Deep Learning: LSTM, GRU, Transformers) để xử lý dữ liệu vi cấu trúc thị trường tần suất từng phút/giây (High-frequency Order Book Data), (3) Khai thác dữ liệu lớn phi cấu trúc (Big Data sentiment) từ mạng xã hội và báo chí tài chính để đo lường tâm lý thị trường theo thời gian thực.

Kết luận

Luận án tiến sĩ của tác giả Lê Đạt Chí tạo nên một dấu ấn khoa học học thuật xuất sắc thông qua các đóng góp cụ thể:

  1. Tiên phong ứng dụng: Là công trình tiến sĩ đầu tiên tại Việt Nam ứng dụng toàn diện mạng thần kinh nhân tạo (ANN) vào việc giải quyết bài toán dự báo chuỗi thời gian kinh tế - tài chính.
  2. Khẳng định tính ưu việt của mô hình phi tuyến: Chứng minh bằng thực nghiệm định lượng rằng các mô hình ANN phi tuyến (đặc biệt là MLF và GRNN) vượt trội hoàn toàn so với các mô hình hồi quy tuyến tính cổ điển trong dự báo chỉ số VN-Index ngoài mẫu.
  3. Làm rõ cơ chế truyền dẫn vĩ mô: Bóc tách thành công cơ chế tác động phi tuyến của nhóm biến số vĩ mô cốt lõi ($CR, IP, M2, LR$) và nhóm chỉ báo kỹ thuật/tài chính vi mô lên xu hướng dịch chuyển của thị trường chứng khoán.
  4. Chuẩn hóa quy trình thực nghiệm: Xây dựng thành công quy trình thực nghiệm 8 bước mẫu mực dựa trên phần mềm NeuralSolutions 5, tạo nền tảng phương pháp luận vững chắc cho các nghiên cứu tiếp nối.
  5. Đột phá lý thuyết tài chính hành vi: Cung cấp bằng chứng thực nghiệm vững chắc bác bỏ giả thuyết thị trường hiệu quả và phân phối chuẩn Gauss, củng cố lý thuyết hợp lý có chừng mực và động lực học hỗn loạn tại thị trường tài chính Việt Nam.
  6. Hàm ý chính sách thực tiễn: Đề xuất hệ thống khuyến nghị sắc bén về kiểm soát tín dụng kinh doanh chứng khoán, nâng cao điều kiện phát hành/niêm yết và gia tăng tính độc lập của Ủy ban Chứng khoán Nhà nước.

Công trình không chỉ mở ra hướng nghiên cứu liên ngành đột phá giữa Khoa học Máy tính và Kinh tế học Tài chính tại Việt Nam mà còn để lại giá trị phương pháp luận trường tồn cho các thế hệ nghiên cứu tài chính định lượng trong kỷ nguyên chuyển đổi số và trí tuệ nhân tạo.