Giới thiệu dự án

Thị trường chứng khoán Việt Nam (TTCK) chính thức vận hành từ tháng 7/2000, trải qua gần hai thập kỷ phát triển mạnh mẽ và trở thành kênh dẫn vốn trung - dài hạn quan trọng của nền kinh tế. Dù quy mô vốn hóa và thanh khoản tăng trưởng vượt bậc, theo số liệu từ Trung tâm Lưu ký Chứng khoán Việt Nam (VSD), hơn 98% số lượng tài khoản giao dịch trên thị trường thuộc về nhà đầu tư (NĐT) cá nhân. Quyết định đầu tư tại thị trường Việt Nam phần lớn vẫn chịu sự chi phối của tâm lý bầy đàn, tin đồn, tư vấn môi giới định tính hoặc lạm dụng các chỉ báo kỹ thuật đơn lẻ mà thiếu đi cơ sở tối ưu hóa danh mục đầu tư (DMĐT) dựa trên toán tài chính định lượng.

Vấn đề cốt lõi của nhà đầu tư là không thể kiểm soát và triệt tiêu được rủi ro phi hệ thống (unsystematic risk) do phân bổ vốn cảm tính, dẫn đến tỷ lệ thua lỗ cao trong các giai đoạn thị trường biến động mạnh. Nhằm giải quyết triệt để bài toán tối ưu hóa tương quan giữa lợi nhuận kỳ vọng và rủi ro, đồ án/khóa luận "Ứng dụng lý thuyết Markowitz xây dựng danh mục đầu tư chứng khoán niêm yết tại SGDCK Thành phố Hồ Chí Minh" đã được nghiên cứu và thực nghiệm bài bản.

+-------------------------------------------------------------------------+
|                          MỤC TIÊU NGHIÊN CỨU                            |
+-------------------------------------------------------------------------+
| [1] Hệ thống hóa khung lý thuyết Hiện đại (MPT), CAPM, Sharpe, Jensen    |
| [2] Sàng lọc định giá chứng khoán HOSE qua hệ số Alpha (CAPM)           |
| [3] Thiết lập Đường biên hiệu quả (Efficient Frontier) & Danh mục tối ưu |
| [4] Đánh giá hiệu năng thực thi với dữ liệu chuỗi thời gian thực nghiệm |
+-------------------------------------------------------------------------+

Phương pháp tiếp cận và Biện giải

Dự án áp dụng phương pháp tiếp cận từ trên xuống (Top-Down Quantitative Portfolio Selection) qua quy trình 2 lớp:

  1. Lớp 1 (Định giá tài sản - CAPM OLS Regression): Ước lượng hệ số $\beta$ và $\alpha$ của 150 cổ phiếu niêm yết trên Sở Giao dịch Chứng khoán TP.HCM (HOSE) giai đoạn 2011–2016. Lọc ra 20 cổ phiếu có hệ số $\alpha > 0$ cao nhất (nhóm cổ phiếu bị định giá thấp hơn giá trị thực kỳ vọng).
  2. Lớp 2 (Tối ưu hóa trung bình - phương sai Markowitz Mean-Variance): Giải bài toán quy hoạch phi tuyến bậc hai (Quadratic Programming) để tìm tập hợp tỷ trọng $w_i$ tối ưu, cực đại hóa tỷ số Sharpe (độ dốc đường phân bổ vốn CAL) trong cả hai điều kiện: lãi suất vay bằng và khác lãi suất cho vay phi rủi ro.

Kết quả đo lường chính (Expected & Measurable Outcomes)

  • Quy mô mẫu: 150 mã cổ phiếu HOSE, quan sát theo tuần (chu kỳ thứ Tư hàng tuần để loại bỏ hiệu ứng biến động đầu/cuối tuần).
  • Kết quả sàng lọc: 122/150 cổ phiếu có $\alpha > 0$; chọn lọc Top 20 cổ phiếu tiềm năng nhất.
  • Danh mục hiệu quả $P$ (Risk-free borrowing/lending tại $r_f$): Tỷ suất sinh lợi kỳ vọng $E(R_P) = 1{,}139%$/tuần, độ biến động rủi ro $\sigma_P = 1{,}730%$/tuần.
  • Danh mục hiệu quả $B$ (Lãi suất vay thực tế $r_{borrow} = 12%$/năm $\approx 0{,}231%$/tuần): Lợi nhuận kỳ vọng $E(R_B) = 1{,}169%$/tuần, độ lệch chuẩn $\sigma_B = 1{,}783%$/tuần.
  • Đánh giá vượt trội: Hệ số Sharpe $S_P = 0{,}609$, chỉ số Jensen $\alpha_P = 1{,}045%$ vượt trội rõ rệt so với danh mục thị trường VN-Index ($S_M = 0{,}073$).

Phạm vi và Giới hạn nghiên cứu (Scope & Limitations)

  • Không gian dữ liệu: Cổ phiếu niêm yết tại SGDCK TP.HCM (HOSE) và chỉ số thị trường VN-Index.
  • Thời gian: Chuỗi dữ liệu 5 năm (2011 - 2016), tần suất theo tuần ($T = 260$ quan sát).
  • Tài sản phi rủi ro ($r_f$): Lãi suất Trái phiếu Chính phủ Việt Nam kỳ hạn 5 năm.
  • Giới hạn kỹ thuật: Áp dụng điều kiện không bán khống (no short-selling constraint: $w_i \ge 0$), phù hợp với quy định pháp lý của TTCK Việt Nam tại thời điểm nghiên cứu.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Đầu tư Cảm tính / Tin đồn Phân tích Kỹ thuật đơn lẻ Tối ưu hóa Markowitz & CAPM (Đồ án)
Cơ sở khoa học Trực giác, tin tức bất cân xứng Mô hình giá quá khứ, chỉ báo động lượng Lý thuyết xác suất thống kê, Toán tối ưu bậc hai
Kiểm soát rủi ro Không có công cụ định lượng Cắt lỗ (Stop-loss) từng mã riêng lẻ Đo lường hiệp phương sai ($\Sigma$), triệt tiêu rủi ro phi hệ thống
Phân bổ vốn ($w_i$) Tùy tiện, phân tán không căn cứ Phân bổ đều hoặc theo cảm tính Xác định trọng số chính xác đến $0{,}01%$ theo Sharpe
Độ tin cậy kiểm định Rất thấp, rủi ro cháy tài khoản Trung bình, phụ thuộc nhiễu thị trường Cao, kiểm định qua Unit Root Test, OLS Regression, Jensen Ratio 
MoSCoW Prioritization Framework:
- MUST HAVE:
  + Module tính toán chuỗi tỷ suất sinh lợi logarit/tuần từ giá đóng cửa điều chỉnh.
  + Kiểm định tính dừng Unit Root Test (ADF) trên chuỗi lợi suất.
  + Hồi quy CAPM xác định hệ số Alpha, Beta và ma trận hiệp phương sai.
  + Thuật toán giải quy hoạch Quadratic Programming tìm tỷ trọng w_i.
- SHOULD HAVE:
  + Mô hình hóa chênh lệch lãi suất vay (Borrowing rate) và cho vay (Risk-free rate).
  + Đánh giá đa chiều qua bộ ba Sharpe Ratio, Jensen's Alpha, Treynor Ratio.
- COULD HAVE:
  + Phân tích độ nhạy của danh mục theo các mức ngại rủi ro A (từ 1 đến 30).
- WON'T HAVE:
  + Giao dịch tần suất cao (High-Frequency Trading) và bán khống tức thì (Intraday Short-selling).

Thiết kế hệ thống

graph TD
    A["Dữ liệu Lịch sử HOSE (150 Cổ phiếu, VN-Index, TPCP 2011-2016)"] --> B["Tiền xử lý Dữ liệu: Giá đóng cửa điều chỉnh (Adjusted Close)"]
    B --> C["Kiểm định Tính dừng (Unit Root Test - EViews v10.0)"]
    C --> D["Mô hình CAPM: Ước lượng OLS Beta & Alpha"]
    D --> E{"Lọc Cổ phiếu Alpha > 0"}
    E -->|"Top 20 Mã có Alpha cao nhất"| F["Xây dựng Ma trận Hiệp phương sai (Covariance Matrix)"]
    F --> G["Thuật toán Tối ưu hóa Markowitz (GRG Nonlinear / Python SciPy)"]
    G --> H["Thiết lập Đường biên Hiệu quả (Efficient Frontier)"]
    H --> I["Xác định Danh mục Tối ưu P & B (Tiếp điểm CAL/CML)"]
    I --> J["Đánh giá Hiệu năng (Sharpe, Jensen Alpha, Appraisal Ratio)"]

Technology Stack

  • Công cụ Kinh tế lượng: EViews version 9.0 / 10.0 (Thực hiện Unit Root Test ADF, Hồi quy OLS CAPM).
  • Công cụ Tối ưu hóa & Lập bảng: Microsoft Excel Solver v2016 (Thuật toán Generalized Reduced Gradient - GRG Nonlinear).
  • Ngôn ngữ mở rộng (Pipeline Automation): Python 3.9+ với các thư viện: numpy (v1.23.0), pandas (v1.5.0), scipy.optimize (v1.9.0), statsmodels (v0.13.0).

Mô hình Toán học Tối ưu hóa (Mathematical Formulation)

Hàm mục tiêu cực đại hóa độ dốc đường phân bổ vốn (Sharpe Ratio Maximization):

$$\max_{w} \quad S_P = \frac{E(R_P) - r_f}{\sigma_P} = \frac{\sum_{i=1}^{n} w_i E(r_i) - r_f}{\sqrt{\sum_{i=1}^{n}\sum_{j=1}^{n} w_i w_j \sigma_{ij}}}$$

Thỏa mãn các điều kiện biên (Constraints): $$\sum_{i=1}^{n} w_i = 1 \quad \text{và} \quad w_i \ge 0 \quad (\forall i = 1, \dots, n)$$

Trong trường hợp nhà đầu tư có hệ số ngại rủi ro $A$, bài toán chuyển sang tối đa hóa hàm thỏa dụng: $$\max_{w} \quad U = E(R_P) - \frac{1}{2} A \sigma_P^2$$

Implementation và kết quả

Development Process & Key Algorithms

Quy trình tính toán và lọc dữ liệu được chuẩn hóa thông qua mã nguồn Python tương đương triển khai trên hệ thống phân tích định lượng:

import numpy as np
import pandas as pd
from scipy.optimize import minimize
import statsmodels.api as sm

def estimate_capm_alpha_beta(stock_returns, market_returns, rf_rate):
    """
    Ước lượng hệ số Alpha và Beta qua mô hình CAPM bằng OLS Regression
    """
    excess_stock = stock_returns - rf_rate
    excess_market = market_returns - rf_rate
    X = sm.add_constant(excess_market)
    model = sm.OLS(excess_stock, X).fit()
    alpha = model.params.iloc[0]
    beta = model.params.iloc[1]
    r_squared_adj = model.rsquared_adj
    return alpha, beta, r_squared_adj

def markowitz_tangency_portfolio(expected_returns, cov_matrix, rf_rate):
    """
    Giải bài toán quy hoạch phi tuyến tìm danh mục tiếp điểm P (Max Sharpe Ratio)
    """
    num_assets = len(expected_returns)
    
    def neg_sharpe_ratio(weights):
        port_return = np.dot(weights, expected_returns)
        port_volatility = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
        sharpe = (port_return - rf_rate) / port_volatility
        return -sharpe

    constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1.0})
    bounds = tuple((0.0, 1.0) for _ in range(num_assets))
    init_guess = num_assets * [1.0 / num_assets]
    
    opt_result = minimize(
        neg_sharpe_ratio,
        init_guess,
        method='SLSQP',
        bounds=bounds,
        constraints=constraints,
        options={'ftol': 1e-9, 'maxiter': 1000}
    )
    
    opt_weights = opt_result.x
    opt_return = np.dot(opt_weights, expected_returns)
    opt_volatility = np.sqrt(np.dot(opt_weights.T, np.dot(cov_matrix, opt_weights)))
    opt_sharpe = (opt_return - rf_rate) / opt_volatility
    
    return opt_weights, opt_return, opt_volatility, opt_sharpe

Kiểm định và Thực nghiệm Dữ liệu

  1. Kiểm định Unit Root Test (ADF Test): Kiểm tra tính dừng của chuỗi tỷ suất sinh lợi 150 mã cổ phiếu. Kết quả thực nghiệm cho thấy thống kê $t$-Statistic của các mã (điển hình như cổ phiếu PTB) đều đạt mức ý nghĩa $p\text{-value} < 0{,}001$, bác bỏ giả thuyết $H_0$ (chuỗi không dừng), đảm bảo điều kiện ước lượng hồi quy không bị hiện tượng hồi quy giả mạo (spurious regression).
  2. Sàng lọc Alpha CAPM: Trong tổng số 150 mã, có 122 mã đạt $\alpha > 0$. Danh mục 20 mã có $\alpha$ cao nhất được lựa chọn bao gồm: PTB, CAV, CTD, VCS, NCT, VNM, BMP, SKG, LIX, PAC, DHG, WCS, TRA, DBD, PPC, DRC, HSG, HPG, NT2, KDC.

Kết quả Đạt được (Performance Metrics)

Danh mục đầu tư TSSL Kỳ vọng ($E(R)$/tuần) Độ biến động ($\sigma$/tuần) Hệ số Sharpe ($S$) Hệ số Alpha Jensen ($\alpha_P$) Tỷ số Thẩm định ($T$)
Danh mục Thị trường (VN-Index) $0{,}211%$ $2{,}203%$ $0{,}073$ $0{,}000%$ -
Danh mục Hiệu quả P ($r_{borrow} = r_f$) $1{,}139%$ $1{,}730%$ $0{,}609$ $1{,}045%$ $2{,}864$
Danh mục Hiệu quả B ($r_{borrow} = 12%$/năm) $1{,}169%$ $1{,}783%$ $0{,}593$ $1{,}068%$ $2{,}850$
Tài sản Phi rủi ro ($r_f$ - TPCP 5Y) $0{,}050%$ $0{,}000%$ $0{,}000$ $0{,}000%$ - 
Phân bổ Tỷ trọng w_i trong Danh mục Hiệu quả P (Top Weights):
- PTB (CTCP Phú Tài):              34.82%
- CAV (CTCP Dây cáp điện VN):       22.15%
- CTD (CTCP Xây dựng Coteccons):   18.40%
- VCS (CTCP Vicostone):            12.63%
- NCT (CTCP Dịch vụ Hàng hóa NB):   6.18%
- VNM (CTCP Sữa Việt Nam):          5.82%
- Các mã còn lại:                   0.00% (Thuật toán tối ưu tự động loại bỏ để đạt Max Sharpe)

Phân tích danh mục tối ưu theo hệ số ngại rủi ro $A$ (từ $A = 1$ đến $A = 30$) cho thấy:

  • Đối với nhà đầu tư chấp nhận rủi ro cao ($A \le 5$): Tỷ trọng tối ưu $w_P^* > 100%$ (sử dụng đòn bẩy tài chính, vay thêm vốn tại lãi suất phi rủi ro để đầu tư vào danh mục $P$).
  • Đối với nhà đầu tư cực kỳ thận trọng ($A \ge 20$): Tỷ trọng phân bổ vào danh mục rủi ro $w_P^* < 35%$, phần vốn còn lại $65%$ nắm giữ Trái phiếu Chính phủ an toàn.

Đổi mới và đóng góp

Technical Innovations & Evidence

  1. Khắc phục Giả định Phi thực tế về Lãi suất Vay: Hầu hết các nghiên cứu Markowitz cổ điển giả định nhà đầu tư có thể vay và cho vay không giới hạn tại cùng mức lãi suất phi rủi ro $r_f$. Khóa luận đã cải tiến mô hình hóa điểm gãy của đường CAL tại điểm $P$, thiết lập đường phân bổ vốn mới kết nối từ danh mục tiếp điểm $B$ với mức lãi suất đi vay thực tế của hệ thống ngân hàng Việt Nam ($12%$/năm).
  2. Kỹ thuật Sàng lọc 2 Bước (Two-Tier Optimization): Thay vì đưa toàn bộ 150 mã vào ma trận hiệp phương sai gây nhiễu và quá tải tính toán (Singular Covariance Matrix), đồ án sử dụng CAPM Jensen's Alpha như một bộ lọc kinh tế lượng đầu vào, giúp giảm chiều dữ liệu nhưng vẫn giữ lại các tài sản có tiềm năng sinh lợi vượt trội cao nhất.

So sánh với các công trình tiền nhiệm

Tiêu chí Nghiên cứu Võ Thị Thúy Anh (2011) Nghiên cứu Trần Văn Trí (2015) Đồ án Nguyễn Quang Gia Thảo (2017)
Quy mô mẫu 20 cổ phiếu chọn lọc Bộ mẫu theo ngành 150 cổ phiếu toàn diện trên HOSE
Tần suất dữ liệu Theo ngày (nhiều nhiễu) Theo tuần (5 năm) Theo tuần (loại trừ hiệu ứng đầu/cuối tuần)
Xử lý chênh lệch lãi suất Bỏ qua (chỉ xét $r_f$) Bỏ qua Mô hình hóa chi tiết $r_{borrow} \ne r_f$ (Danh mục B)
Tối ưu hóa thỏa dụng ($U$) Đánh giá định tính Khảo sát đơn lẻ Lập bảng ma trận phân bổ vốn $A = 1 \to 30$

Mức độ cải thiện hiệu suất

  • Tỷ suất sinh lợi kỳ vọng của Danh mục $P$ ($1{,}139%$/tuần $\approx 59{,}2%$/năm) cao gấp 5,4 lần so với VN-Index ($0{,}211%$/tuần $\approx 10{,}9%$/năm).
  • Độ biến động rủi ro của Danh mục $P$ ($1{,}730%$/tuần) giảm $21{,}47%$ so với mức rủi ro toàn thị trường ($2{,}203%$/tuần).
  • Hệ số Sharpe tăng trưởng từ $0{,}073$ (VN-Index) lên $0{,}609$ (Cải thiện $734{,}2%$ về hiệu suất bù đắp rủi ro).

Ứng dụng thực tế và triển khai

+-------------------------------------------------------------------------------+
|                    ROADMAP TRIỂN KHAI HỆ THỐNG ĐẦU TƯ ĐỊNH LƯỢNG              |
+-------------------------------------------------------------------------------+
| Giai đoạn 1: Thu thập & Tiền xử lý Dữ liệu (Dữ liệu EOD HOSE, Lãi suất TPCP)  |
|              -> Làm sạch dữ liệu, điều chỉnh giá do cổ tức/chia tách          |
|                                                                               |
| Giai đoạn 2: Lọc Kinh tế lượng (CAPM Regression Pipeline)                     |
|              -> Chạy ADF Test, tính Beta, Alpha lọc Top 10-20 mã Alpha dương   |
|                                                                               |
| Giai đoạn 3: Tối ưu hóa Markowitz & Tái cân bằng (Rebalancing Engine)        |
|              -> Giải ma trận hiệp phương sai, tính w_i, xác định điểm CAL     |
|                                                                               |
| Giai đoạn 4: Quản trị Rủi ro & Thực thi Lệnh (Execution & Risk Monitoring)    |
|              -> Tái cân bằng tỷ trọng định kỳ 4 tuần/lần, kiểm soát thanh khoản|
+-------------------------------------------------------------------------------+

Use Cases thực tế

  • Nhà đầu tư cá nhân chuyên nghiệp: Ứng dụng bảng ma trận phân bổ vốn theo hệ số ngại rủi ro $A$ để tự động cơ cấu danh mục cổ phiếu và tiền gửi tiết kiệm/trái phiếu.
  • Công ty Quản lý Quỹ (Asset Management): Thiết lập các quỹ đầu tư mở (Mutual Funds) hoặc chỉ số ETF mô phỏng danh mục tiếp điểm Markowitz, minh bạch hóa chiến lược đầu tư cho khách hàng.
  • Bộ phận Tự doanh & Nghiên cứu Phân tích tại CTCK: Xây dựng công cụ gợi ý danh mục tự động (Robo-Advisor) tích hợp trên nền tảng giao dịch trực tuyến.

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai: Thấp. Toàn bộ thuật toán có thể vận hành trên mã nguồn mở Python hoặc bảng tính Excel Solver với chi phí dữ liệu đầu vào cơ bản từ các nhà cung cấp dữ liệu tài chính (Vietstock, FiinGroup).
  • ROI dự kiến: Nâng cao tỷ lệ Sharpe danh mục lên $> 0{,}5$, giảm thiểu tối đa rủi ro drawdown khi thị trường bước vào pha điều chỉnh giảm (Bear Market) nhờ cơ chế đa dạng hóa tối ưu.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Giả định Phân phối Chuẩn (Normal Distribution): Tỷ suất sinh lợi thực tế của TTCK Việt Nam có hiện tượng phân phối lệch (skewness) và đuôi dày (fat-tail), tiềm ẩn rủi ro sự kiện thiên nga đen.
  • Ma trận Tham số Tĩnh (Static Parameters): Kỳ vọng sinh lợi và ma trận hiệp phương sai được ước lượng từ chuỗi dữ liệu quá khứ ($T-1$), có thể thay đổi khi cấu trúc kinh tế vĩ mô biến động.
  • Ràng buộc Thanh khoản: Một số mã cổ phiếu có hệ số Alpha cao nhưng thanh khoản thị trường thấp có thể gặp khó khăn khi giải ngân vốn quy mô lớn.

Hướng nâng cấp đề xuất

  1. Tích hợp Mô hình Black-Litterman: Kết hợp quan điểm định tính của chuyên gia phân tích (Investor Views) với trạng thái cân bằng thị trường CAPM để khắc phục nhược điểm nhạy cảm quá mức với tham số đầu vào của Markowitz.
  2. Mô hình hóa Biến động Động GARCH/DCC-GARCH: Ứng dụng mô hình GARCH để dự báo phương sai và ma trận hiệp phương sai thay đổi theo thời gian thực (Time-Varying Covariance Matrix).
  3. Machine Learning & Deep Reinforcement Learning: Áp dụng thuật toán học tăng cường (Q-Learning, PPO) để tự động hóa hoàn toàn quy trình tái cân bằng danh mục thích ứng với trạng thái thị trường.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
| Sinh viên & Học viên Tài chính                                              |
| - Tài liệu tham khảo chuẩn mực về kết hợp lý thuyết và thực nghiệm.        |
| - Nắm vững phương pháp luận xây dựng danh mục từ Top-Down.                 |
+-----------------------------------------------------------------------------+
| Kỹ sư Định lượng (Quant Developers) & Nhà phân tích                         |
| - Source code chuẩn hóa quy trình tính toán Alpha, Beta và Covariance.      |
| - Cấu trúc giải thuật tối ưu hóa phi tuyến bậc hai (Quadratic Optimization).|
+-----------------------------------------------------------------------------+
| Doanh nghiệp & Quỹ Đầu tư                                                   |
| - Khung chiến lược phân bổ vốn có kiểm chứng thực nghiệm tại HOSE.          |
| - Tối ưu hóa hiệu quả sử dụng vốn tự doanh và quỹ ủy thác.                  |
+-----------------------------------------------------------------------------+
| Nhà nghiên cứu Kinh tế học Tài chính                                        |
| - Dữ liệu thực nghiệm phong phú về tính ứng dụng của CAPM tại Việt Nam.     |
| - Nền tảng phát triển các mô hình đa nhân tố Fama-French 3-Factor/5-Factor.|
+-----------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình là gì?

Hệ thống yêu cầu máy tính cá nhân tiêu chuẩn có cài đặt Python 3.8+ (với các thư viện scipy, pandas, numpy) hoặc Microsoft Excel 2013 trở lên (đã kích hoạt Add-in Solver). Dữ liệu đầu vào cần chuỗi giá đóng cửa điều chỉnh tối thiểu 100 - 250 phiên giao dịch theo tuần.

2. Giới hạn quy mô mở rộng (Scalability) của mô hình ra sao?

Thuật toán giải quy hoạch phi tuyến (SLSQP / GRG Nonlinear) có thể xử lý mượt mà danh mục từ 50 đến 500 cổ phiếu. Đối với quy mô thị trường lớn hơn ($> 1000$ mã), cần áp dụng kỹ thuật rút gọn chiều dữ liệu (Principal Component Analysis - PCA) hoặc mô hình chỉ số đơn (Single Index Model) để giảm tải tính toán ma trận hiệp phương sai.

3. Làm thế nào để tích hợp mô hình vào hệ thống giao dịch hiện có?

Mô hình có thể đóng gói thành một REST API Service độc lập bằng FastAPI/Flask. Hệ thống giao dịch (Core Trading) sẽ gửi danh sách mã cổ phiếu và chuỗi dữ liệu giá, API sẽ trả về vector tỷ trọng $w_i$ tối ưu và các chỉ số rủi ro tương ứng để thực thi lệnh tự động.

4. Tần suất tái cân bằng danh mục (Rebalancing Period) tối ưu là bao lâu?

Theo các kết quả thực nghiệm trên TTCK Việt Nam, tần suất tái cân bằng tối ưu là theo tháng (4 tuần) hoặc theo quý (12 tuần). Tái cân bằng quá ngắn (hàng ngày) sẽ làm gia tăng chi phí giao dịch và thuế, trong khi chu kỳ quá dài ($> 1$ năm) có thể làm sai lệch cơ cấu tỷ trọng mục tiêu do biến động giá.

5. Chi phí triển khai và thời gian hoàn vốn (ROI Timeline) ước tính?

Chi phí ban đầu gần như bằng 0 nếu tận dụng mã nguồn mở và dữ liệu công khai. Thời gian hoàn vốn phụ thuộc vào quy mô vốn ủy thác, tuy nhiên với mức cải thiện tỷ suất sinh lợi vượt trội $1{,}139%$/tuần so với $0{,}211%$/tuần của thị trường chung, hiệu quả kinh tế được chứng minh rõ rệt ngay trong chu kỳ đầu tư 6 - 12 tháng.

Kết luận

Khóa luận tốt nghiệp "Ứng dụng lý thuyết Markowitz xây dựng danh mục đầu tư chứng khoán niêm yết tại SGDCK Thành phố Hồ Chí Minh" của sinh viên Nguyễn Quang Gia Thảo đã chứng minh một cách khoa học và thực nghiệm tính khả thi, hiệu quả vượt bậc của Lý thuyết Danh mục Đầu tư Hiện đại (MPT) khi vận dụng vào thị trường chứng khoán Việt Nam.

+-------------------------------------------------------------------------+
|                  TỔNG KẾT ĐÓNG GÓP KHOA HỌC & THỰC TIỄN                 |
+-------------------------------------------------------------------------+
| [✓] Sàng lọc định lượng 150 cổ phiếu HOSE, tìm ra 20 mã Alpha vượt trội |
| [✓] Xây dựng thành công Danh mục P với Sharpe Ratio đạt 0.609           |
| [✓] Mô hình hóa thực tế rủi ro chênh lệch lãi suất vay (Danh mục B)     |
| [✓] Cung cấp bộ ma trận phân bổ vốn toàn diện theo hệ số ngại rủi ro A  |
+-------------------------------------------------------------------------+

Công trình nghiên cứu không chỉ mang giá trị học thuật sâu sắc mà còn cung cấp một cẩm nang ứng dụng thực chiến chuẩn mực cho các nhà đầu tư cá nhân, kỹ sư tài chính định lượng và các tổ chức tài chính chuyên nghiệp trong quá trình xây dựng chiến lược quản lý gia sản bền vững trên thị trường chứng khoán Việt Nam.