Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán

Chia sẻ chuyên mục Đề Tài Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại Việt Nam: Một sự so sánh giữa các mô hình dự báo phổ biến dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

4.1 KẾT QUẢ NGHIÊN CỨU

Trong nghiên cứu này, tác giả lựa chọn bốn mô hình gồm LSTM, XGBoost, VAR và ARDL để so sánh hiệu quả dự báo chỉ số VNINDEX. Việc lựa chọn các mô hình này dựa trên cơ sở khoa học và thực tiễn, phản ánh sự đa dạng trong phương pháp tiếp cận dự báo. Cụ thể, VAR và ARDL là hai mô hình kinh tế lượng truyền thống, thường được sử dụng để phân tích mối quan hệ giữa các biến kinh tế vĩ mô theo thời gian. Trong khi đó, LSTM đại diện cho mô hình học sâu chuyên xử lý chuỗi thời gian, còn XGBoost là thuật toán học máy mạnh mẽ, nổi bật với khả năng tối ưu hóa và xử lý dữ liệu phi tuyến. Sự kết hợp giữa các mô hình truyền thống và hiện đại giúp đảm bảo cái nhìn toàn diện hơn về hiệu quả dự báo. Dữ liệu sử dụng trong nghiên cứu là dữ liệu lịch sử của VNINDEX, được chia thành tập huấn luyện và kiểm tra theo tỷ lệ hợp lý nhằm đảm bảo tính khách quan và độ tin cậy trong quá trình đánh giá.

4.1.1 Thông tin bộ dữ liệu

Các thông tin cơ bản về dữ liệu được tác giả thực hiện rà soát để đảm bảo tính đầy đủ và nhất quán. Từ hình 4.1 dưới đây ta thấy, bộ dữ liệu sau khi xử lý và hợp nhất bao gồm tổng cộng 198 quan sát, tương ứng với số liệu theo tháng từ tháng 1/2008 đến tháng 6/2024. Cấu trúc DataFrame gồm 23 biến, trong đó có 22 biến định lượng và 01 biến thời gian (Time). Tất cả các biến đều đầy đủ giá trị, không có giá trị thiếu (null). Các biến bao gồm: Biến thời gian: Time – đại diện cho mốc thời gian tương ứng của mỗi quan sát; Biến mục tiêu: VNINDEX – tỷ suất sinh lời tháng của chỉ số VNIndex; và 21 biến độc lập còn lại phản ánh các yếu tố trong và ngoài nước, bao gồm: chỉ số giá chứng khoán quốc tế (DOW JONES, NASDAQ, SHANGHAI, NIKKEI225), chỉ số biến động VIX, lợi suất trái phiếu trong nước và quốc tế (BONDVN1, BONDVN10, BONDA1, BONDA10), giá vàng, giá dầu, chỉ số ETF (MSCIFM, XFVT, FTFVTT), tỷ giá hối đoái (EXR), lãi suất (INRD, INRL), và các yếu tố kinh tế vĩ mô trong nước như CPI, IIP, M2 và khối lượng giao dịch (VOLUME).

• Hình 4.1 Thông tin bộ dữ liệu

4.1.2 Thống kê mô tả dữ liệu

• Bảng 4.1: Thống kê mô tả các biến

Bảng thống kê mô tả trên đây cung cấp một cái nhìn tổng quan và sâu sắc về đặc điểm phân phối của các biến trong mẫu dữ liệu bao gồm 198 quan sát. Đây là những chỉ số đại diện cho các thị trường tài chính, hàng hóa, trái phiếu, tỷ giá và các yếu tố kinh tế vĩ mô có khả năng tác động đến thị trường chứng khoán Việt Nam, cụ thể là chỉ số VN-Index. Việc phân tích các đặc điểm như giá trị trung bình (mean), độ lệch chuẩn (standard deviation), giá trị nhỏ nhất (min) và lớn nhất (max) sẽ giúp hiểu rõ hơn về mức độ biến động và xu hướng của từng biến. Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

Trước hết, chỉ số VN-Index, đại diện cho thị trường chứng khoán Việt Nam, có mức sinh lợi trung bình là 0.44% với độ lệch chuẩn 7.53%, cho thấy mức độ biến động khá cao. Biên độ dao động rất lớn, từ mức giảm sâu nhất là -24.90% đến mức tăng cao nhất là 27.99%. Điều này phản ánh tính chất dao động mạnh của thị trường trong thời gian nghiên cứu, có thể do ảnh hưởng từ cả yếu tố nội tại lẫn yếu tố toàn cầu. So sánh với các chỉ số quốc tế như Dow Jones và NASDAQ (Mỹ), Nikkei 225 (Nhật Bản), và Shanghai Composite (Trung Quốc), ta thấy mức sinh lợi trung bình đều dương, ngoại trừ chỉ số Shanghai có giá trị trung bình gần như bằng không (-0.05%). NASDAQ có mức trung bình cao nhất (1.11%) trong nhóm này, cho thấy sự tăng trưởng mạnh mẽ của các cổ phiếu công nghệ trong giai đoạn này. Tuy nhiên, độ lệch chuẩn của các chỉ số quốc tế thấp hơn so với VN-Index, đặc biệt là Dow Jones (4.47%) và NASDAQ (5.44%), thể hiện mức độ ổn định tương đối cao hơn so với thị trường Việt Nam. Đối với các chỉ số biến động như VIX – đại diện cho mức độ sợ hãi trên thị trường tài chính toàn cầu – độ lệch chuẩn rất cao (26.06%), cùng với biên độ dao động từ -45.90% đến hơn 134.57%, cho thấy đây là một biến cực kỳ nhạy cảm với các cú sốc tâm lý thị trường. Sự biến động mạnh mẽ của VIX thường đi kèm với những thời kỳ khủng hoảng hoặc bất ổn tài chính, điều này giúp lý giải phần nào những biến động lớn ở VN-Index. Về nhóm trái phiếu (BONDVN1, BONDVN10, BONDA1, BONDA10), dữ liệu cho thấy sự phân hóa rõ rệt. BONDA1 có mức sinh lợi trung bình cao nhất (3.10%) nhưng đồng thời cũng có độ lệch chuẩn cao (22.88%) và mức dao động rất lớn (từ -84.54% đến 99.74%), cho thấy tiềm năng sinh lời cao đi kèm với rủi ro lớn. Ngược lại, BONDVN10 có mức trung bình âm nhẹ (-0.23%) và độ lệch chuẩn thấp hơn (8.91%), phản ánh thị trường trái phiếu chính phủ dài hạn có tính ổn định cao hơn nhưng ít hấp dẫn hơn về lợi suất. Đối với hàng hóa là vàng (GOLD) và dầu (OIL) đều có mức sinh lợi trung bình tích cực, lần lượt là 0.64% và 0.61%. Tuy nhiên, dầu mỏ thể hiện độ biến động lớn hơn hẳn với độ lệch chuẩn 11.89% và mức dao động lên đến 88.38% ở chiều tăng, cho thấy sự nhạy cảm của giá dầu trước các cú sốc địa chính trị và cung-cầu toàn cầu. Trong khi đó, giá vàng có tính ổn định hơn, đóng vai trò như tài sản trú ẩn an toàn. Một nhóm các chỉ số như MSCIFM, XFVT, FTFVTT có giá trị trung bình gần bằng 0 và độ lệch chuẩn dao động quanh 7-8%. Đây là các chỉ số nhạy cảm với dòng vốn nước ngoài, phản ánh tâm lý đầu tư của khối ngoại đối với thị trường Việt Nam và các thị trường tương tự. Đối với các yếu tố vĩ mô, tỷ giá hối đoái (EXR) có mức thay đổi trung bình thấp (0.24%) và độ lệch chuẩn nhỏ (0.98%), cho thấy chính sách điều hành tỷ giá tương đối ổn định. Chỉ số giá tiêu dùng (CPI) có độ lệch chuẩn thấp (0.82%), mức tăng trung bình 0.51%, phản ánh lạm phát ổn định. Chỉ số sản xuất công nghiệp (IIP) và cung tiền M2 có mức sinh lợi trung bình lần lượt là 4.07% và 1.29%, với độ lệch chuẩn vừa phải, phù hợp với đặc điểm tăng trưởng kinh tế trong nước. Cuối cùng, khối lượng giao dịch (VOLUME) thể hiện sự biến động rất mạnh với độ lệch chuẩn 38.21% và biên độ từ -58.60% đến gần 190.38%, cho thấy tâm lý nhà đầu tư nội địa rất dễ dao động theo biến động thị trường.

Nhìn chung, thống kê mô tả phản ánh rõ sự phân hóa giữa các yếu tố, trong đó thấy rằng thị trường chứng khoán Việt Nam thể hiện mức độ biến động cao hơn so với các thị trường quốc tế phát triển. Đồng thời, các yếu tố quốc tế, hàng hóa và chỉ báo vĩ mô đều thể hiện tiềm năng ảnh hưởng đáng kể đến thị trường trong nước, cung cấp cơ sở quan trọng cho các phân tích hồi quy hoặc mô hình hóa dự báo trong nghiên cứu.

4.1.3 Kết quả mô hình LSTM Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

Kết quả dự báo của mô hình LSTM được thể hiện dưới bảng 4.2 và hình 4.2 dưới đây:

• Bảng 4.2: Kết quả mô hình LSTM
• Hình 4.2 Kết quả dự báo mô hình LSTM

Từ hình ta thấy kết quả dự báo của mô hình LSTM cho thấy hiệu suất khá cao với các sai số ở mức thấp và độ phù hợp tốt. Cụ thể, sai số bình phương trung bình (MSE) đạt 0.0022, trong khi sai số tuyệt đối trung bình (MAE) là 0.0356. Căn bậc hai của MSE (RMSE) ở mức 0.0471, cho thấy độ lệch chuẩn của sai số dự báo so với giá trị thực tế là tương đối nhỏ. Đặc biệt, hệ số xác định (R-squared) đạt 0.9111, phản ánh rằng mô hình LSTM giải thích được hơn 91% biến động của chỉ số VNINDEX trong tập dữ liệu kiểm tra. Những kết quả này cho thấy LSTM là một mô hình có khả năng dự báo tốt trong bối cảnh chuỗi thời gian tài chính. Đường màu xanh thể hiện cho giá trị dự báo trong khi đương màu đỏ thể hiện giá trị thị trường. Có thể thấy kết quả dự báo bám khá sát xu hướng lớn của giá thị trường.

4.1.4 Kết quả mô hình XGBOOST

Kết quả mô hình XGBoost được thể hiện qua bảng 4.3 và hình 4.3 dưới đây:

• Bảng 4.3: Kết quả mô hình XGBoost
• Hình 4.3 Kết quả dự báo mô hình XGBoost

Kết quả dự báo của mô hình XGBoost cũng cho thấy độ chính xác tương đối cao, mặc dù thấp hơn so với mô hình LSTM trong nghiên cứu. Cụ thể, sai số bình phương trung bình (MSE) đạt 0.0035, sai số tuyệt đối trung bình (MAE) là 0.0445 và căn bậc hai của MSE (RMSE) ở mức 0.0591. Hệ số xác định (R-squared) đạt 0.8569, cho thấy mô hình giải thích được khoảng 85,69% biến động của chỉ số VNINDEX trong giai đoạn kiểm tra. Mặc dù chưa đạt mức độ chính xác cao như LSTM, mô hình XGBoost vẫn thể hiện được hiệu quả nhất định trong dự báo chuỗi thời gian tài chính nhờ khả năng xử lý phi tuyến và tránh overfitting tốt. Kết quả dự báo mô hình XGBoost được minh họa dựa trên hình 4.4 dưới đây:

4.1.5 Kết quả mô hình VAR

Dựa vào bảng 4.4 và hình 4.4 thể hiện kết quả dự báo của mô hình Var ta thấy rằng:

• Bảng 4.4: Kết quả mô hình VAR
• Hình 4.4 Kết quả mô hình Var

Kết quả dự báo từ mô hình VAR cho thấy mức độ chính xác ở mức tương đối, tuy nhiên vẫn còn những hạn chế nhất định trong việc phản ánh đầy đủ biến động của chỉ số VNINDEX. Cụ thể, sai số tuyệt đối trung bình (MAE) đạt 0.1564, sai số bình phương trung bình (MSE) là 0.0358, và căn bậc hai của MSE (RMSE) ở mức 0.1893. Các chỉ số sai số này cho thấy mô hình có độ lệch nhất định giữa giá trị dự báo và giá trị thực tế. Bên cạnh đó, hệ số xác định (R-squared) đạt 0.2205, phản ánh rằng mô hình chỉ giải thích được khoảng 22,05% biến động của dữ liệu thực tế. Điều này cho thấy khả năng dự báo của mô hình VAR còn hạn chế, đặc biệt trong bối cảnh dữ liệu chuỗi thời gian của chỉ số VNINDEX có tính phi tuyến và chịu ảnh hưởng bởi nhiều yếu tố kinh tế vĩ mô phức tạp. Quan sát từ đồ thị minh họa, có thể nhận thấy kết quả dự báo của mô hình nhìn chung bám sát xu hướng chung của chuỗi dữ liệu, song vẫn tồn tại những sai lệch đáng kể tại một số thời điểm.

4.1.6 Kết quả mô hình ARDL Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

Kết quả dự báo từ mô hình ARDL cho thấy mức độ chính xác ở mức trung bình, chưa thực sự nổi bật so với các mô hình còn lại trong nghiên cứu. Sai số tuyệt đối trung bình (MAE) đạt 0.1158, trong khi sai số bình phương trung bình (MSE) là 0.0177 và căn bậc hai của MSE (RMSE) là 0.1332. Hệ số xác định (R-squared) đạt 0.2727, cho thấy mô hình chỉ giải thích được khoảng 27,27% biến động của chỉ số VNINDEX trong tập kiểm tra. Mặc dù ARDL là mô hình kinh tế lượng truyền thống thường được áp dụng trong phân tích chuỗi thời gian, nhưng trong bối cảnh dữ liệu và cấu trúc thị trường hiện tại, hiệu quả dự báo của mô hình này còn hạn chế khi so sánh với các mô hình hiện đại như LSTM hay XGBoost.

• Bảng 4.5: Kết quả mô hình ARDL
• Hình 4.5 Kết quả mô hình ARDL

4.2 THẢO LUẬN HIỆU QUẢ GIỮA CÁC MÔ HÌNH Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

4.2.1 Thảo luận hiệu quả các mô hình

Trong nghiên cứu này, bốn mô hình gồm LSTM, XGBoost, VAR và ARDL đã được tác giả triển khai nhằm dự báo chỉ số VNINDEX và so sánh hiệu quả của từng mô hình dựa trên các chỉ số đánh giá gồm MAE (Mean Absolute Error), MSE (Mean Squared Error), RMSE (Root Mean Squared Error) và R² (R-squared). Việc lựa chọn những mô hình này không chỉ mang ý nghĩa học thuật mà còn xuất phát từ nhu cầu thực tiễn trong việc hỗ trợ ra quyết định đầu tư, quản trị rủi ro và hoạch định chính sách tài chính trong bối cảnh thị trường chứng khoán Việt Nam ngày càng chịu ảnh hưởng từ các yếu tố kinh tế vĩ mô, biến động quốc tế và tâm lý nhà đầu tư. Việc áp dụng các mô hình hiện đại bên cạnh các mô hình truyền thống giúp làm rõ ưu nhược điểm của từng cách tiếp cận khi xử lý dữ liệu thị trường thực tế có tính biến động cao và phức tạp. Cụ thể, mô hình LSTM cho thấy hiệu suất vượt trội với sai số nhỏ và độ phù hợp rất cao. Mô hình này đạt MAE là 0.0356, MSE là 0.0022, RMSE là 0.0471 và hệ số xác định R² đạt 0.9111. Đây là mức R² cao nhất trong tất cả các mô hình, cho thấy LSTM có khả năng giải thích hơn 91% biến động của VNINDEX trong giai đoạn kiểm tra. LSTM, với cấu trúc mạng nơ-ron hồi tiếp và khả năng ghi nhớ dài hạn, đặc biệt phù hợp với các bài toán chuỗi thời gian có tính phi tuyến và phụ thuộc dài hạn – những yếu tố rất phổ biến trong dữ liệu tài chính thực tế. Xếp thứ hai về hiệu quả là mô hình XGBoost – một thuật toán học máy nổi bật với cơ chế boosting. Mô hình này đạt MAE là 0.0445, MSE là 0.0035, RMSE là 0.0591 và R² đạt 0.8569. Dù hiệu quả không bằng LSTM, XGBoost vẫn cho thấy khả năng dự báo khá tốt, đặc biệt trong việc xử lý dữ liệu phi tuyến và tối ưu hóa hiệu suất dự báo. Trong thực tiễn, XGBoost có lợi thế vì khả năng chạy nhanh, không yêu cầu chuẩn hóa dữ liệu và phù hợp với các nhà đầu tư muốn xây dựng mô hình dự báo tự động với tốc độ phản hồi cao. Trong khi đó, hai mô hình kinh tế lượng truyền thống là VAR và ARDL cho kết quả kém khả quan hơn. Mô hình ARDL có MAE là 0.1158, MSE là 0.0177, RMSE là 0.1332 và R² chỉ đạt 0.2727. Điều này cho thấy ARDL chỉ giải thích được khoảng 27% biến động của VNINDEX, cho thấy khả năng dự báo còn hạn chế. Mặc dù ARDL thường được sử dụng rộng rãi trong các nghiên cứu học thuật và phân tích chính sách, trong môi trường thị trường có biến động mạnh như hiện nay, độ linh hoạt thấp của ARDL khiến mô hình này khó thích ứng nhanh với dữ liệu mới. Tệ hơn, mô hình VAR cho kết quả dự báo kém nhất trong cả bốn mô hình. MAE của VAR lên tới 0.1564, MSE là 0.0358, RMSE là 0.1893 và đặc biệt R² chỉ giải thích được khoảng 22% biến động của chỉ số thị trường. Kết quả này phản ánh rằng trong điều kiện thực tế, nơi thị trường tài chính liên tục thay đổi và khó đoán định, các mô hình như VAR không còn là lựa chọn hiệu quả nếu không có sự điều chỉnh linh hoạt về thông số và giả định mô hình. Tổng kết lại, kết quả nghiên cứu cho thấy các mô hình hiện đại như LSTM và XGBoost có hiệu quả dự báo vượt trội hơn đáng kể so với các mô hình truyền thống trong bối cảnh dự báo chỉ số thị trường chứng khoán như VNINDEX, kết quả này cũng rất phù hợp với các nghiên cứu trước đây dù tác giả đã gộp nhiều yếu tố đã được chứng minh là có tác động tới chỉ số giá chứng khoán trước đây. Điều này gợi mở tiềm năng ứng dụng các công nghệ học máy và trí tuệ nhân tạo trong hoạt động đầu tư thực tiễn, đồng thời đặt ra yêu cầu thay đổi cách tiếp cận trong nghiên cứu và phân tích tài chính ở Việt Nam. Hiệu suất dự báo giữa các mô hình dựa trên tập dữ liệu được tóm tắt trong bảng 4.7 dưới đây

• Bảng 4.6: Bảng so sánh hiệu quả giữa các mô hình

4.2.2 Ưu điểm và hạn chế Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

Mô hình LSTM (Long Short-Term Memory)

Ưu điểm:

• LSTM được thiết kế đặc biệt để xử lý và khai thác các chuỗi dữ liệu có độ phụ thuộc theo thời gian. Trong bối cảnh thị trường tài chính, nơi các yếu tố như tâm lý nhà đầu tư, chu kỳ kinh tế và dòng tiền thường mang tính chất lặp lại hoặc ảnh hưởng chậm, mô hình LSTM có thể nhận diện các mẫu và mối quan hệ tiềm ẩn này một cách hiệu quả.
• Với R² đạt trên 0.91, LSTM cho thấy đối với tập dữ liệu nghiên cứu thì mô hình đã đem lại kết quả có độ chính xác rất cao, phản ánh sự phù hợp vượt trội trong việc mô hình hoá chuỗi thời gian phi tuyến và nhiều nhiễu như chỉ số VNINDEX.
• Ngoài ra, LSTM có thể mở rộng tích hợp thêm nhiều đặc trưng đầu vào nhằm cải thiện thêm hiệu quả mô hình.

Nhược điểm:

• Việc huấn luyện LSTM đòi hỏi thời gian lâu và tố nhiều tài nguyên, đặc biệt khi làm việc với dữ liệu khối lượng lớn hoặc có nhiều đặc trưng.
• Ngoài ra, mô hình LSTM có tính “hộp đen” (black box), khiến cho việc giải thích nguyên nhân của các quyết định dự báo trở nên khó khăn — đây là trở ngại lớn trong các ứng dụng tài chính nơi tính minh bạch rất được coi trọng.
• Việc tinh chỉnh siêu tham số như số tầng LSTM, số đơn vị ẩn, learning rate,… cũng đòi hỏi kỹ thuật và thời gian thử nghiệm nhất định.

Mô hình XGBoost:

Ưu điểm:

• XGBoost được xây dựng trên nguyên lý boosting — kết hợp nhiều cây quyết định yếu để tạo ra một mô hình mạnh. Điều này giúp tăng độ chính xác dự báo thông qua việc cải thiện liên tục lỗi dự báo từ các vòng trước đó.
• Mô hình đặc biệt mạnh trong việc xử lý dữ liệu có độ tương tác cao giữa các đặc trưng và mối quan hệ phi tuyến, rất phù hợp với dữ liệu tài chính tổng hợp từ nhiều yếu tố kinh tế vĩ mô và thị trường.
• Một lợi thế khác là XGBoost có thể tự động xử lý các giá trị thiếu (missing values) và cung cấp khả năng giải thích tương đối tốt thông qua phân tích tầm quan trọng của các biến.

Nhược điểm: Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

• Tuy có khả năng học tốt các quan hệ phi tuyến, XGBoost không tự động xử lý yếu tố chuỗi thời gian như Do đó, để áp dụng hiệu quả, người nghiên cứu cần tự tạo các đặc trưng có ý nghĩa thời gian như độ trễ (lag), trung bình trượt (rolling mean), hoặc thay đổi phần trăm (%change).
• Ngoài ra, mô hình cũng dễ bị quá khớp (overfitting) nếu không điều chỉnh tốt các tham số như n_estimators, max_depth, và learning_rate.

Mô hình VAR (Vector Autoregression)

Ưu điểm:

• VAR là một trong những mô hình kinh tế lượng truyền thống được sử dụng rộng rãi để mô hình hóa mối quan hệ đồng thời giữa nhiều biến kinh tế. Điểm mạnh nằm ở tính trực quan và khả năng diễn giải thông qua ma trận ảnh hưởng, phân rã phương sai hoặc kiểm định nhân quả Granger.
• Mô hình cho phép dự báo từng biến phụ thuộc dựa trên chính độ trễ của nó và của các biến còn lại, giúp phân tích được cấu trúc tác động chéo (cross-variable dynamics).

Nhược điểm:

• VAR giả định tất cả các chuỗi đầu vào đều dừng, hoặc đã được biến đổi để đạt tính dừng, điều này làm tăng khối lượng xử lý tiền dữ liệu.
• Trong nghiên cứu này, các chỉ số sai số như MAE = 0.1564, MSE = 0.0358, và RMSE = 1893 cho thấy độ lệch giữa giá trị dự báo và giá trị thực tế còn khá cao, phản ánh khả năng dự báo chưa thật sự chính xác, kết quả R² = 0.2205, cho thấy mô hình chưa nắm bắt tốt mối quan hệ phi tuyến trong dữ liệu thị trường chứng khoán.

Mô hình ARDL (Autoregressive Distributed Lag)

Ưu điểm: Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

• ARDL là công cụ hữu ích trong phân tích kinh tế vĩ mô, đặc biệt trong việc đánh giá mối quan hệ dài hạn và ngắn hạn giữa các chuỗi có độ trễ. Mô hình này có thể vận hành tốt với các biến không đồng trạm nhưng đồng liên kết (cointegrated).
• ARDL cung cấp các ước lượng riêng biệt cho hiệu ứng ngắn hạn và dài hạn, giúp phục vụ phân tích chính sách kinh tế.

Nhược điểm:

Mô hình cũng yêu cầu người dùng xác định độ trễ phù hợp và cấu trúc phương trình khá cứng nhắc, thiếu khả năng mở rộng như các mô hình học sâu. Trong nghiên cứu này, ARDL cho kết quả R² = 0.2727, cho thấy mô hình chưa nắm bắt tốt mối quan hệ phi tuyến trong dữ liệu thị trường chứng khoán.

Từ những phân tích trên, có thể kết luận rằng LSTM là mô hình tối ưu cho bài toán dự báo chỉ số giá chứng khoán trong nghiên cứu này. Lựa chọn mô hình này không chỉ dựa trên các tiêu chí định lượng mà còn xét đến đặc điểm dữ liệu và yêu cầu phân tích thực tiễn. Trong các nghiên cứu tiếp theo, việc mởi rộng độ dài của nguồn dữ liệu kết hợp các mô hình (ensemble) hoặc tích hợp thêm các đặc trưng nâng cao như chỉ báo kỹ thuật, tin tức định tính, và các yếu tố toàn cầu có thể tiếp tục cải thiện chất lượng dự báo.

• KẾT LUẬN CHƯƠNG 4

Chương 4 đã trình bày chi tiết kết quả phân tích và so sánh hiệu quả dự báo chỉ số VNINDEX của bốn mô hình: VAR, ARDL, LSTM và XGBoost, trên cơ sở dữ liệu thực tế và thông qua các chỉ số đánh giá thống kê phổ biến như MAE, MSE, RMSE và R². Xét tổng thể, chương 4 không chỉ làm rõ mức độ hiệu quả của từng mô hình mà còn cung cấp những gợi ý quan trọng về khả năng ứng dụng thực tiễn của các phương pháp dự báo trong bối cảnh thị trường tài chính đang ngày càng chịu ảnh hưởng từ nhiều yếu tố khó lường. Những kết quả này là cơ sở để đưa ra các đề xuất, hàm ý phù hợp trong chương tiếp theo, đồng thời cũng góp phần định hướng cho việc lựa chọn mô hình trong các nghiên cứu và ứng dụng tương lai.

CHƯƠNG 5: KẾT LUẬN, HÀM Ý VÀ HẠN CHẾ CỦA ĐỀ TÀI NGHIÊN CỨU Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

5.1 KẾT LUẬN

Nghiên cứu này đã tiến hành đánh giá hiệu quả dự báo thông qua việc ứng dụng và so sánh bốn mô hình định lượng gồm LSTM, XGBoost, ARDL và VAR. Các mô hình được lựa chọn đại diện cho hai trường phái tiếp cận trong dự báo tài chính hiện nay: mô hình truyền thống (ARDL, VAR) và mô hình hiện đại dựa trên học máy và mạng nơ-ron nhân tạo (XGBoost, LSTM). Kết quả thực nghiệm cho thấy sự khác biệt rõ rệt về hiệu suất dự báo giữa các mô hình, đồng thời phản ánh mức độ phù hợp của từng phương pháp trong bối cảnh thị trường chứng khoán Việt Nam có tính biến động cao và chịu ảnh hưởng bởi nhiều yếu tố kinh tế vĩ mô và tâm lý nhà đầu tư.

Cụ thể, mô hình LSTM – một dạng mạng nơ-ron hồi tiếp có khả năng ghi nhớ dài hạn – đã chứng minh hiệu quả vượt trội khi đạt giá trị R² là 0.9111, cao nhất trong tất cả các mô hình, đồng thời đi kèm với mức sai số thấp (MAE = 0.0356; RMSE = 0.0471). Kết quả này khẳng định khả năng của LSTM trong việc nhận diện các mối quan hệ phi tuyến, phụ thuộc dài hạn và giàu nhiễu trong dữ liệu tài chính. Mô hình XGBoost cũng thể hiện hiệu suất tốt với R² đạt 0.8569, cho thấy đây là một lựa chọn đáng cân nhắc trong những trường hợp đòi hỏi sự cân bằng giữa độ chính xác và tốc độ xử lý, đặc biệt khi xây dựng các hệ thống dự báo thực tế có phản hồi nhanh.

Ngược lại, hai mô hình kinh tế lượng truyền thống là ARDL và VAR đều cho kết quả hạn chế, cho thấy mô hình không chỉ không giải thích được biến động dữ liệu mà còn dự báo kém hơn cả giá trị trung bình. Cả hai mô hình VAR (R² = 0.2205) và ARDL (R² = 0.2727) có hiệu quả dự báo, nhưng vẫn không đủ năng lực để nắm bắt mối quan hệ phi tuyến và biến động mạnh của thị trường chứng khoán Việt Nam trong giai đoạn nghiên cứu. Điều này cho thấy rằng trong điều kiện thị trường có tính động và phi tuyến cao, các mô hình truyền thống không còn đáp ứng tốt yêu cầu dự báo nếu không được điều chỉnh phù hợp.

Như vậy, có thể kết luận rằng các mô hình học sâu, đặc biệt là LSTM, tỏ ra hiệu quả hơn rõ rệt so với các mô hình truyền thống trong việc dự báo biến động trên thị trường chứng khoán Việt Nam. Kết quả này khẳng định ưu thế của các phương pháp hiện đại dựa trên học máy và mạng nơ-ron trong việc nắm bắt các mối quan hệ phi tuyến, phức tạp trong dữ liệu tài chính – điều mà các mô hình kinh tế lượng tuyến tính truyền thống khó có thể phản ánh đầy đủ.

Tóm lại, nghiên cứu đã cung cấp một đánh giá thực nghiệm có hệ thống về hiệu quả của các mô hình dự báo chỉ số giá chứng khoán tại Việt Nam, đại diện là chỉ số thị trường VNINDEX, qua đó nhấn mạnh vai trò ngày càng quan trọng của các mô hình hiện đại trong phân tích và dự báo tài chính. Việc áp dụng công nghệ học máy và trí tuệ nhân tạo không chỉ mang lại độ chính xác cao hơn mà còn mở ra khả năng đổi mới trong nghiên cứu tài chính ứng dụng tại các thị trường mới nổi. Và những phát hiện này, một số hàm ý thực tiễn có thể được rút ra và trình bày cụ thể trong mục dưới đây.

5.2 HÀM Ý Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

Việc nghiên cứu về hiệu quả các mô hình dự báo chỉ số chứng khoán không chỉ mang ý nghĩa học thuật, mà còn mang lại nhiều hàm ý quan trọng đối với các đối tượng khác nhau trong nền kinh tế. Những hàm ý này không chỉ đóng góp giá trị về mặt học thuật mà còn đóng góp cho hoạt động đầu tư, hoạch định chính sách và quản trị doanh nghiệp, đặc biệt trong bối cảnh thị trường chứng khoán Việt Nam đang ngày càng hội nhập và nhạy cảm với các biến động toàn cầu như khủng hoảng tài chính, đại dịch, và chính sách tiền tệ quốc tế:

• Hàm ý đối với nhà đầu tư

Đối với nhà đầu tư cá nhân và tổ chức, các mô hình học máy có độ chính xác cao như LSTM và XGBoost được xem là công cụ hỗ trợ ra quyết định đầu tư hiệu quả và mang tính thực tiễn cao. LSTM, với khả năng ghi nhớ thông tin dài hạn trong chuỗi thời gian, đặc biệt phù hợp cho việc dự báo xu hướng trung và dài hạn của chỉ số VNINDEX, giúp nhà đầu tư nhận diện các điểm đảo chiều và giai đoạn biến động mạnh của thị trường. Trong khi đó, XGBoost với cấu trúc tối ưu hóa theo phương pháp boosting thể hiện khả năng dự báo ngắn hạn linh hoạt và phản ứng nhanh với biến động thị trường, phù hợp cho các nhà đầu tư ngắn hạn hoặc giao dịch thuật toán (quantitative trading).

Việc ứng dụng các mô hình này giúp nhà đầu tư giảm thiểu rủi ro thua lỗ trong giai đoạn thị trường suy thoái, tối ưu hóa thời điểm mua/bán chứng khoán, và hạn chế các quyết định cảm tính hoặc hành vi đầu tư bầy đàn thông qua việc dự báo dựa trên dữ liệu thực nghiệm và thuật toán học sâu.

• Cơ quan hoạch định chính sách và quản lý nhà nước

Đối với các cơ quan quản lý như Bộ Tài chính, Ủy ban Chứng khoán Nhà nước, Ngân hàng Nhà nước, mô hình ARDL và VAR tỏ ra phù hợp hơn do khả năng phân tích mối quan hệ động giữa các biến kinh tế vĩ mô. Mô hình VAR có thể được sử dụng để phân tích tác động lan tỏa giữa các biến, chẳng hạn như mối liên hệ giữa chỉ số chứng khoán, lãi suất và tỷ giá, từ đó giúp nhận diện các yếu tố dẫn dắt biến động thị trường. Trong khi đó, mô hình ARDL cho phép đánh giá tác động ngắn hạn và dài hạn của các chính sách tài khóa, tiền tệ lên thị trường chứng khoán, đặc biệt hữu ích cho việc hoạch định chính sách ổn định vĩ mô.

Khi các mô hình này phát hiện tín hiệu rủi ro (ví dụ: xu hướng giảm kéo dài hoặc biến động bất thường), cơ quan quản lý có thể chủ động đưa ra các biện pháp can thiệp như điều chỉnh lãi suất, linh hoạt chính sách tín dụng hoặc tăng cường truyền thông để giảm thiểu hiệu ứng lan truyền tiêu cực trong hệ thống tài chính. Điều này đặc biệt quan trọng trong bối cảnh thị trường Việt Nam ngày càng hội nhập và dễ bị ảnh hưởng bởi các cú sốc toàn cầu.

• Hàm ý đối với doanh nghiệp niêm yết và công ty chứng khoán

Đối với các doanh nghiệp niêm yết, đặc biệt là doanh nghiệp có vốn hóa lớn, kết quả dự báo từ mô hình XGBoost và LSTM có thể được sử dụng như công cụ hỗ trợ lập kế hoạch tài chính và dự báo dòng tiền, giúp xây dựng chiến lược huy động vốn, IPO hoặc tái cấu trúc danh mục đầu tư. Các công ty chứng khoán có thể ứng dụng các mô hình này trong việc phát triển sản phẩm phái sinh, cung cấp khuyến nghị đầu tư tự động, và tăng cường các dịch vụ phân tích định lượng cho khách hàng cá nhân và tổ chức. Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

Ngoài ra, các mô hình ARDL và VAR cũng có thể được khai thác trong phân tích rủi ro vĩ mô, giúp doanh nghiệp và tổ chức tài chính đánh giá tác động của thay đổi chính sách tiền tệ, lạm phát hoặc tỷ giá đối với giá cổ phiếu và lợi nhuận kỳ vọng.

• Hàm ý đối với nhà nghiên cứu và nhà hoạch định chính sách kinh tế

Kết quả nghiên cứu khẳng định rằng việc tích hợp các mô hình học máy như LSTM và XGBoost vào phân tích dự báo kinh tế – tài chính có thể nâng cao đáng kể độ chính xác và khả năng thích ứng với dữ liệu phức tạp. Đây là bằng chứng thực nghiệm quan trọng thúc đẩy việc ứng dụng trí tuệ nhân tạo (AI) trong phân tích kinh tế. Đồng thời, sự kết hợp giữa các mô hình học máy và mô hình kinh tế lượng truyền thống như ARDL hoặc VAR giúp cung cấp cái nhìn toàn diện hơn, vừa đảm bảo độ chính xác trong dự báo ngắn hạn, vừa duy trì khả năng giải thích mối quan hệ kinh tế vĩ mô.

Những kết quả này là cơ sở để khuyến khích các viện nghiên cứu, trường đại học và cơ quan hoạch định chính sách đầu tư mạnh mẽ hơn vào phát triển hạ tầng dữ liệu, mô hình dự báo định lượng và năng lực phân tích dữ liệu lớn (big data analytics) trong bối cảnh nền kinh tế số và thị trường tài chính toàn cầu đang ngày càng biến động.

5.3 HẠN CHẾ CỦA NGHIÊN CỨU

Bên cạnh những đóng góp về mặt học thuật và thực tiễn, nghiên cứu vẫn tồn tại một số hạn chế nhất định, chủ yếu đến từ điều kiện thực hiện và phạm vi triển khai, cụ thể như sau:

Thứ nhất, nghiên cứu chịu hạn chế về mặt thời gian. Do giới hạn về thời gian thực hiện nghiên cứu, phạm vi kiểm định mô hình chỉ dừng lại ở một tập dữ liệu và một số mô hình cụ thể đơn giản, dẫn đến việc chưa thể triển khai thêm các phương pháp nâng cao hoặc mở rộng phạm vi phân tích. Cụ thể, việc huấn luyện các mô hình phức tạp hơn như mạng học sâu nhiều lớp (deep learning architectures) hoặc các phương pháp học tăng cường (reinforcement learning) đòi hỏi thời gian nghiên cứu dài hơn cũng như nguồn lực tính toán mạnh mẽ, mà nghiên cứu hiện tại chưa đáp ứng được.

Thứ hai, nghiên cứu chịu hạn chế về mặt dữ liệu. Dữ liệu tài chính thường có tính biến động cao, chứa nhiều nhiễu và dễ bị ảnh hưởng bởi các yếu tố phi định lượng như tâm lý nhà đầu tư, sự kiện chính trị – xã hội, hay thông tin bất ngờ. Do đó, việc chỉ sử dụng dữ liệu định lượng lịch sử có thể không phản ánh đầy đủ các yếu tố ảnh hưởng đến biến động giá. Bên cạnh đó mặc dù bộ dữ liệu được sử dụng có độ dài tương đối (từ tháng 01/2008 đến tháng 06/2024), song vẫn chưa bao quát được đầy đủ các yếu tố ảnh hưởng đến biến động của chỉ số VNINDEX, đặc biệt là các yếu tố định tính như tâm lý nhà đầu tư, sự kiện chính trị – xã hội đột xuất hoặc các yếu tố không quan sát được. Ngoài ra, dữ liệu được xử lý ở tần suất tháng, do vậy chưa khai thác sâu dữ liệu theo tần suất ngày hoặc cao hơn (high-frequency data), vốn có thể cung cấp thêm nhiều thông tin chi tiết hơn.

5.4 ĐỊNH HƯỚNG NGHIÊN CỨU TIẾP THEO Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

Trên cơ sở những hạn chế của nghiên cứu hiện tại, tác giả cho rằng các hướng phát triển trong tương lai có thể bao gồm:

Thứ nhất, mở rộng phạm vi mô hình và phương pháp phân tích. Trong các nghiên cứu tiếp theo, nên xem xét ứng dụng các mô hình học máy tiên tiến hơn như mạng học sâu (deep learning), mạng nơ-ron tích chập (CNN), mạng hồi tiếp (RNN, LSTM), hoặc các phương pháp học tăng cường (reinforcement learning). Việc này yêu cầu thời gian nghiên cứu dài hơn và hạ tầng tính toán mạnh mẽ hơn, nhưng có thể giúp cải thiện độ chính xác và khả năng học phi tuyến tính của mô hình.

Thứ hai, đa dạng hóa và làm giàu dữ liệu đầu vào. Nghiên cứu tương lai có thể kết hợp dữ liệu định lượng với các yếu tố định tính như chỉ số tâm lý thị trường, tin tức tài chính, sự kiện chính trị – xã hội, hoặc dữ liệu mạng xã hội (social sentiment data). Việc tích hợp các nguồn dữ liệu này có thể giúp mô hình phản ánh đầy đủ hơn các yếu tố tác động đến biến động giá.

Thứ ba, sử dụng dữ liệu tần suất cao. Để tăng mức độ chi tiết và khả năng phản ứng nhanh của mô hình, các nghiên cứu sau nên khai thác dữ liệu theo tần suất ngày hoặc thậm chí là tần suất cao (high-frequency data). Điều này không chỉ giúp mô hình phát hiện các xu hướng ngắn hạn mà còn hỗ trợ kiểm định hiệu quả các chiến lược đầu tư thời gian thực.

• KẾT LUẬN CHƯƠNG 5 Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán.

Trong nội dung của chương 5, tác giả đã trình bày kết luận chung về toàn bộ kết quả thu được. Từ đó đưa ra một số hàm ý cho những đối tượng cụ thể sử dụng mô hình dự báo chỉ số giá chứng khoán. Ngoài ra, trong nội dung của chương 5 cũng đã trình bày những giới hạn của đề tài đang vướng mắc và đề xuất kế hoạch cho hoạt động nghiên cứu trong tương lai.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN