Chia sẻ chuyên mục Đề Tài Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN 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.
TÓM TẮT
Tiêu đề: “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”
Nghiên cứu này nhằm đánh giá hiệu quả dự báo chỉ số giá chứng khoán tại Việt Nam thông qua việc so sánh giữa các mô hình dự báo phổ biến, bao gồm mô hình học sâu (LSTM), mô hình học máy (XGBoost), và các mô hình kinh tế lượng truyền thống (ARDL và VAR). Sử dụng tập dữ liệu tài chính thời gian thực đại diện cho thị trường chứng khoán Việt Nam, nghiên cứu tiến hành huấn luyện, kiểm định và so sánh độ chính xác dự báo của từng mô hình trên các tiêu chí thống kê và thực tiễn. Kết quả cho thấy mô hình LSTM vượt trội về độ chính xác và khả năng xử lý chuỗi thời gian phức tạp, khẳng định hiệu năng của các mạng nơ-ron sâu trong lĩnh vực tài chính. Trong khi đó, XGBoost – dù độ chính xác thấp hơn – lại thể hiện ưu điểm ở tính linh hoạt, dễ triển khai và ít yêu cầu xử lý dữ liệu đầu vào, cho thấy tiềm năng ứng dụng cao trong thực tiễn. Ngược lại, các mô hình truyền thống như ARDL và VAR bộc lộ nhiều hạn chế trong việc dự báo dữ liệu tài chính hiện đại, vốn có tính phi tuyến và biến động mạnh. Nghiên cứu không chỉ cung cấp bằng chứng thực nghiệm có giá trị về hiệu quả của từng loại mô hình trong bối cảnh thị trường mới nổi như Việt Nam, mà còn đưa ra các gợi ý định hướng phát triển mô hình kết hợp (ensemble), tích hợp dữ liệu phi cấu trúc, và tối ưu kiến trúc học máy nhằm nâng cao hiệu quả dự báo. Qua đó, nghiên cứu đóng góp cả về mặt lý luận và thực tiễn cho lĩnh vực tài chính định lượng, đặc biệt trong công tác ra quyết định đầu tư, quản trị danh mục, và hoạch định chính sách tài chính.
Từ khóa: dự báo, học máy, chứng khoán
ABSTRACT
Title: Forecasting Efficiency of Stock Price Indices in Vietnam: A Comparison of Popular Forecasting Models
This study investigates the effectiveness of forecasting stock price indices in Vietnam by comparing several widely used predictive models, including deep learning (LSTM), machine learning (XGBoost), and traditional econometric approaches (ARDL and VAR). Utilizing real-time financial time series data representing the Vietnamese stock market, the research trains, tests, and evaluates each model based on both statistical performance and practical applicability. The findings indicate that the Long Short-Term Memory (LSTM) model delivers the highest forecasting accuracy, owing to its ability to capture nonlinear patterns and long-term dependencies in financial time series data. While the XGBoost model does not outperform LSTM in terms of accuracy, it demonstrates significant advantages in terms of implementation flexibility, computational efficiency, and minimal data preprocessing requirements—making it highly suitable for real-world financial applications. Conversely, traditional models such as ARDL and VAR exhibit limited predictive capacity in the context of modern financial data, which is often nonlinear and rapidly changing. The study contributes both theoretically and practically by providing empirical evidence on the relative performance of predictive models in an emerging market context. It highlights the growing importance of advanced machine learning and deep learning techniques in financial forecasting, and suggests future research directions including the integration of unstructured data (e.g., news, social media), ensemble model approaches, and hyperparameter optimization. These insights are particularly valuable for investment decision-making, portfolio management, and financial policy planning in the Vietnamese market.
Keywords: forecasting, machine learning, stock market
CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU
1.1 GIỚI THIỆU
1.1.1 Đặt vấn đề Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Thị trường chứng khoán là một trong những lĩnh vực quan trọng và nhạy cảm trong nền kinh tế, phản ánh sức khỏe tài chính và hầu hết các nhà nghiên cứu đều đồng ý với nhận định rằng sự phát triển của thị trường chứng khoán là điều cần thiết để thúc đẩy phát triển nền kinh tế của một quốc gia. Tại Việt Nam, thị trường chứng khoán được ra đời vào cuối thế kỷ 20, trong bối cảnh nền kinh tế đất nước bắt đầu mở cửa và chuyển đổi từ nền kinh tế kế hoạch hoá tập trung sang nền kinh tế thị trường theo định hướng xã hội chủ nghĩa. Được Đảng và Chính phủ định hướng từ những năm đầu thập kỷ 90, thị trường chứng khoán chính thức khai trương vào năm 2000, với Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) là đơn vị tổ chức giao dịch chứng khoán đầu tiên. Trong suốt hai mươi lăm năm qua, thị trường chứng khoán Việt Nam đã trải qua nhiều giai đoạn phát triển với những thăng trầm đáng chú ý. Giai đoạn đầu tiên sau khi thành lập, thị trường hoạt động với quy mô nhỏ và ít mã cổ phiếu niêm yết. Tuy nhiên, qua thời gian, cùng với sự mở rộng của nền kinh tế và sự gia tăng về số lượng doanh nghiệp tham gia thị trường, thị trường chứng khoán đã nhanh chóng trở thành kênh huy động vốn quan trọng. Để điều chỉnh và hoàn thiện thị trường, khung pháp luật về chứng khoán liên tục được xây dựng và cập nhật, từ những quy định cơ bản ban đầu đến việc ban hành Luật Chứng khoán năm 2006 và các phiên bản sửa đổi, bổ sung sau đó, cụ thể hiện tại là Luật Chứng khoán số 62/2019/QH14, có hiệu lực từ 01/01/2021 với nhiều điểm mới mang tính đột phá. Các quy định này không chỉ giúp củng cố nền tảng pháp lý mà còn tạo điều kiện cho thị trường phát triển theo hướng minh bạch, ổn định và bền vững (Vụ phát triển thị trường chứng khoán, 2021).
Trong đó, VN-Index là chỉ số quan trọng, đại diện cho toàn bộ cổ phiếu niêm yết tại Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE), nơi chiếm gần 80% giá trị vốn hóa toàn thị trường và là trung tâm niêm yết của hầu hết các doanh nghiệp lớn tại Việt Nam, nhờ vậy mà chỉ số này được cho là chỉ số giúp phản ánh mức độ biến động chung của thị trường chứng khoán Việt Nam. Cho tới thời điểm hiện tại, VN-Index vẫn đang khẳng định vị trí khởi nguồn và đầu tàu của chỉ số phản ánh hiệu quả thị trường chứng khoán Việt Nam trong nền kinh tế, và còn đóng vai trò quan trọng đối với nhà đầu tư và những người theo dõi thị trường, cung cấp thông tin cần thiết để đưa ra các quyết định đầu tư. Việc đo lường xu hướng của chỉ số VN-Index cung cấp một cách khách quan về sự tăng trưởng hoặc suy thoái của nền kinh tế hiện tại, đồng thời mô tả sự dịch chuyển của các thành phần trong nền kinh tế. Với nhiều yếu tố ở cả cấp độ trong nước và toàn cầu có ảnh hưởng trực tiếp hoặc gián tiếp đến hiệu suất của thị trường chứng khoán đã được nghiên cứu kỹ lưỡng trong các nghiên cứu trước đây (Le, Huong Thi Minh; Jian, Zhihong; Zhican, Zhu;, 2019); (Pham, Long Dinh; Ngo, Hanh Thi Thu;, 2019); (Bambang, 2020) (Nguyen, Thuy Thu; Nguyen, Dung Viet; Ta, Quynh Thuy;, 2020); (Depari, 2022); (Nguyen T. K., 2022); (Nguyễn An Phú, 2024). Thị trường chứng khoán Việt Nam (đại diện bằng chỉ số VN-Index) có sự biến động thường xuyên với những chu kỳ tăng và giảm, và mỗi biến động đều có tác động tích cực và tiêu cực đến nền kinh tế và nhà đầu tư. Trong đó, khi thị trường chứng khoán tăng, tác động tích cực có thể thấy rõ ở việc giá trị tài sản của các nhà đầu tư gia tăng, tạo ra cảm giác giàu có hơn và khuyến khích tiêu dùng cũng như đầu tư. Điều này cũng giúp các doanh nghiệp dễ dàng huy động vốn hơn thông qua việc phát hành cổ phiếu mới, từ đó mở rộng hoạt động sản xuất kinh doanh, và sự tăng trưởng của thị trường chứng khoán cũng có thể phản ánh niềm tin của các nhà đầu tư vào sự phát triển của nền kinh tế Việt Nam trong tương lai. Tuy nhiên, khi thị trường tăng quá nhanh, nó cũng có thể dẫn đến sự hình thành bong bóng tài sản. Nếu bong bóng này vỡ, thị trường sẽ giảm mạnh, gây tổn thất lớn cho nhà đầu tư và ảnh hưởng tiêu cực đến niềm tin của họ. Mặt khác, trong giai đoạn thị trường chứng khoán giảm, tác động tiêu cực sẽ thể hiện ở việc giá trị tài sản của nhà đầu tư bị giảm sút, ảnh hưởng đến tiêu dùng và đầu tư, từ đó gây áp lực lên nền kinh tế của Việt Nam. Các doanh nghiệp cũng gặp khó khăn hơn trong việc huy động vốn, làm chậm lại quá trình mở rộng và phát triển kinh doanh. Tuy nhiên, một thị trường giảm cũng có những tác động tích cực nhất định, như việc điều chỉnh giá cổ phiếu về mức hợp lý hơn, loại bỏ các doanh nghiệp hoạt động không hiệu quả và tạo ra cơ hội đầu tư cho những nhà đầu tư dài hạn. Thị trường giảm còn có thể tạo động lực cho việc cải cách và điều chỉnh các chính sách kinh tế, giúp nền kinh tế trở nên bền vững hơn trong dài hạn. Chính vì vậy mà biến động chỉ số giá chứng khoán và dự báo sự biến động của chỉ số này đang trở thành mối quan tâm của các nước trên thế giới, đặc biệt là Việt Nam, một quốc gia đang phát triển và đang trong giai đoạn thúc đẩy nâng hạng thị trường chứng khoán.
1.1.2 Tính cần thiết của đề tài Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Sau cuộc khủng hoảng tài chính toàn cầu năm 2008, thị trường chứng khoán Việt Nam (VN-Index) đã trải qua một giai đoạn khó khăn. Chỉ số VN-Index giảm mạnh từ mức đỉnh gần 1.170 điểm vào tháng 3/2007 xuống dưới 250 điểm vào đầu năm 2009 (Vương Quân Hoàng, 2009). Tuy nhiên, từ năm 2009, thị trường chứng khoán Việt Nam tiếp tục phát triển và ổn định hơn. VN-Index tăng từ khoảng 400 điểm vào năm 2011 lên đến 1.000 điểm vào năm 2019. Sự tăng trưởng này được hỗ trợ bởi sự phát triển kinh tế ổn định và các chính sách cải cách của chính phủ. Khi đại dịch COVID-19 bắt đầu bùng nổ đã gây ra những biến động lớn trên thị trường chứng khoán toàn cầu, và Việt Nam cũng không phải là ngoại lệ chịu ảnh hưởng bởi các tác động tiêu cực. Cụ thể từ cuối tháng 01/2020 VN-index giảm từ 1.000 điểm cuối năm 2019 xuống còn 645 điểm cuối tháng 3/2020. Trong giai đoạn khó khăn đó, chỉ số VN-Index của thị trường chứng khoán Việt Nam đã cho thấy sự phản ứng mạnh mẽ trước các cú sốc gây ra bởi hoạt động kinh tế toàn cầu, chênh lệch lợi suất trái phiếu và sự biến động của thị trường chứng khoán Mỹ (Nguyễn Thị Mai Huyên và Ngô Sỹ Nam, 2022), (Nguyễn Mạnh Hà, 2023)). Từ đó thấy rằng, VNIndex là một chỉ số thị trường chứng khoán quan trọng, chỉ số VNIndex giúp đánh giá khách quan sự tăng trưởng hoặc suy thoái của nền kinh tế. Khi VNIndex tăng, điều này thường cho thấy nền kinh tế đang trong giai đoạn tăng trưởng, và ngược lại, khi VNIndex giảm, nền kinh tế có thể đang có dấu hiệu của suy thoái.
Hiện nay dự báo giá chứng khoán thu hút được rất nhiều nhà nghiên cứu thực hiện, việc dự báo được các nhà nghiên cứu tiếp cận dựa vào hai hướng là phân tích dựa vào các thông tin kinh tế và phân tích kỹ thuật. Trong đó, dự báo giá chứng khoán dựa trên các thông tin kinh tế thường được cho là chính xác hơn so với phân tích kỹ thuật ( (Lahmiri, 2011), (Nti, Isaac Kofi; Adebayo, Felix Adekoya; Benjamin, Asubam Weyori;, 2020)). Các thông tin kinh tế thường dựa trên lý thuyết kinh tế vĩ mô, cung cấp một nền tảng lý thuyết vững chắc để dự báo biến động giá chứng khoán. Lý thuyết này liên quan đến các yếu tố như chu kỳ kinh tế, lạm phát, lãi suất và tăng trưởng kinh tế, mà tất cả đều có ảnh hưởng trực tiếp đến lợi nhuận doanh nghiệp và giá chứng khoán. Ngược lại, phân tích kỹ thuật dựa trên dữ liệu giá và khối lượng giao dịch trong quá khứ để dự báo xu hướng tương lai. Dù phân tích kỹ thuật có thể cung cấp các tín hiệu giao dịch ngắn hạn và phát hiện các mô hình giá, nhưng nó không thể hoàn toàn dự báo các yếu tố vĩ mô ảnh hưởng đến thị trường. Phân tích kỹ thuật thiếu cơ sở lý thuyết mạnh mẽ và thường dựa vào các mô hình thống kê và quy tắc giao dịch, điều này có thể làm giảm tính chính xác khi dự báo các xu hướng dài hạn hoặc các biến động lớn trong thị trường (Lahmiri, 2011) (Nada, Petrusheva; Igor, Jordanoski;, 2016).
Trong những năm qua, có rất nhiều nhà nghiên cứu đã kế thừa và phát triển nhiều phương pháp hướng đến mục đích dự báo chỉ số giá chứng khoán. Trong đó có các mô hình truyền thống phổ biến được đại diện sử dụng là VAR (Vector Autoregression) và ARDL (Autoregressive Distributed Lag), hai mô hình này đã được sử dụng lâu dài trong phân tích kinh tế và tài chính nhờ khả năng mô hình hóa mối quan hệ giữa các biến số theo thời gian. Tuy nhiên, chúng có giới hạn trong việc xử lý các mối quan hệ phi tuyến tính và dữ liệu lớn. VAR phù hợp cho các chuỗi thời gian có mối quan hệ đồng liên kết, trong khi ARDL có thể xử lý dữ liệu không đồng nhất nhưng vẫn phụ thuộc vào các giả định cụ thể. Và các các mô hình học máy hiện đại như LSTM (Long Short-Term Memory) và XGBoost (Extreme Gradient Boosting), hai mô hình này có khả năng học hỏi từ dữ liệu lớn và phức tạp, giúp phát hiện các mẫu và mối quan hệ không tuyến tính. LSTM đặc biệt mạnh mẽ trong việc xử lý dữ liệu chuỗi thời gian dài và duy trì các thông tin quan trọng qua các bước thời gian, trong khi XGBoost là một mô hình boosting mạnh mẽ giúp cải thiện hiệu quả dự báo nhờ kỹ thuật giảm thiểu lỗi và tự động chọn các yếu tố quan trọng. Tuy vậy, chưa có nhiều nghiên cứu tại Việt Nam thực hiện nghiên cứu đánh giá và dự báo cả bốn mô hình trên trong dự báo chỉ số giá chứng khoán tại Việt Nam giai đoạn 2008 -2024 và bên cạnh đó các dữ liệu đầu vào thể hiện động lực tác động chỉ số giá chứng khoán tại Việt Nam còn hạn chế ((Nguyễn Thu Thuỷ, Nguyễn Việt Dũng và Tạ Thúy Quỳnh, 2020), (Pham, Vuong Hoang; Trinh, Dat Tan; Tieu, Mai Khoi; Pham, Hoan Uyen; Pham, Bao The;, 2022), (Hassan, Oukhouya; Hamza, Kadiri; Khalid, El Himdi; Raby, Guerbaz;, 2024), (Trần Đăng Tuyên, 2024)).
Xuất phát từ các lý do trên đã thúc đẩy tác giả lựa chọn đề tài: “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” để thực hiện nghiên cứu
1.2. MỤC TIÊU CỦA ĐỀ TÀI Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
1.2.1 Mục tiêu tổng quát
Mục tiêu tổng quát của nghiên cứu là đánh giá hiệu quả của các mô hình dự báo chỉ số giá chứng khoán phổ biến. Từ đó, nghiên cứu đưa ra một số đề xuất, hàm ý cho từng đối tượng trong việc lựa chọn và sử dụng mô hình dự báo tại thị trường chứng khoán Việt Nam.
1.2.2 Mục tiêu cụ thể
Xuất phát từ mục tiêu tổng quát đã được trình bày, các mục tiêu cụ thể được tiến hành như sau:
- Đánh giá hiệu quả của các mô hình dự báo chỉ số giá chứng khoán.
- Đưa ra một số đề xuất, hàm ý cho từng đối tượng trong việc lựa chọn và sử dụng mô hình dự báo tại thị trường chứng khoán Việt Nam.
1.3. CÂU HỎI NGHIÊN CỨU
Các câu hỏi nghiên cứu của đề tài được chi tiết hóa từ mục tiêu nghiên cứu như sau:
- So sánh hiệu quả của các mô hình dự báo truyền thống và hiện đại, qua đó xác định mô hình nào là hiệu quả nhất ?
- Những đề xuất, hàm ý nào có thể được đề xuất nhằm đạt được hiệu quả trong việc lựa chọn và sử dụng mô hình dự báo tại thị trường chứng khoán Việt Nam?
1.4. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
1.4.1 Đối tượng nghiên cứu
Đối tượng nghiên cứu của đề tài là Đánh giá hiệu quả dự báo chỉ số giá chứng khoán của các mô hình dự báo.
1.4.2 Phạm vi nghiên cứu Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Về khía cạnh không gian: Nghiên cứu được thực hiện cho trường hợp thị trường chứng khoán tại Việt Nam.
Về khía cạnh thời gian: Phạm vi nghiên cứu được thực hiện cho giai đoạn từ tháng 1/2008 đến tháng 6/2024. Mốc thời gian được chọn kể từ giai đoạn khủng hoảng tài chính toàn cầu bùng nổ, cho đến thời điểm hiện tại sau những sự phục hồi đáng kể của thị trường hậu COVID-19 và đang hướng đến mục tiêu thúc đẩy nâng hạng thị trường chứng khoán Việt Nam.
1.5. PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU
1.5.1 Phương pháp nghiên cứu
Phương pháp nghiên cứu định tính: Tác giả thưc hiện tổng hợp, phân tích các lý thuyết, tài liệu, nghiên cứu liên quan để xác định các yếu tố tác động đến chỉ số giá chứng khoán, xuất phát từ khía cạnh các chỉ số kinh tế trong nước và toàn cầu.
Phương pháp nghiên cứu định lượng: Dựa vào dữ liệu được tác giả thu thập và làm sạch, tác giả thực hiện nghiên cứu thông qua ngôn ngữ lập trình Python và trên phần mềm lập trình Google Colab, trong đó mô hình dự kiến nghiên cứu được tác thực hiện bao gồm: VAR, ARDL, LSTM, XGBoost. Các dữ liệu sau khi thu thập và xử lý sẽ được đưa vào các mô hình dự báo để phát triển theo hướng phù hợp với mục tiêu của nghiên cứu và đã đưa ra. Các phương pháp đánh giá sẽ được áp dụng để kiểm tra độ chính xác và hiệu quả của các mô hình dự báo này. Những phương pháp đánh giá bao gồm: MSE (Mean Squared Error – Sai số bình quân của các bình phương): Đo lường bình quân của các sai số dự báo (sai số giữa giá trị thực và giá trị dự báo) đã được bình phương. RMSE (Root Mean Squared Error – Sai số bình quân căn bậc hai): Căn bậc hai của MSE, giúp đánh giá sai số dự báo với cùng đơn vị của dữ liệu. MAE (Mean Absolute Error – Sai số bình quân tuyệt đối): Đánh giá bình quân của các sai số tuyệt đối giữa giá trị thực và giá trị dự báo. Những phương pháp này sẽ giúp đánh giá chất lượng và độ chính xác của các dự báo mà các mô hình đưa ra.
1.5.2 Dữ liệu nghiên cứu
Dữ liệu nghiên cứu được thu thập từ tháng 1/2008 đến tháng 6/2024 cho các biến dữ liệu bao gồm: Chỉ số giá VN_Index; Chỉ số giá chứng khoán thế giới ( Đại diện là chỉ số giá chứng khoán DOW Jones, chỉ số giá chứng khoán Nasdaq, chỉ số giá chứng khoán Shanghai); Lợi suất trái phiếu ( Đại diện là Lợi suất trái phiếu Việt Nam 1 năm, Lợi suất trái phiếu Việt Nam 10 năm, Lợi suất trái phiếu mỹ 1 năm, Lợi suất trái phiếu Mỹ 10 năm); Chỉ số giá vàng thế giới; Chỉ số giá dầu thế giới; Chứng chỉ quỹ ETF ( Đại diện là 4 quỹ ETF quốc ngoại: MSCI FM Frontier Markets, Vaneck Vietnam ETF, Xtrackers FTSE Vietnam Swap (XFVT), FTSE Vietnam (FTFVTT); và 3 quỹ ETF quốc nội: VFMVN Diamond ETF (FUEVFVND), ETF VFMVN30, ETF SSIAM VNX50; Tỷ giá USD/VND; Lãi suất (Đại diện Lãi suất cho vay, Lãi suất huy động); CPI; Chỉ số sản xuất công nghiệp; Cung tiền M2; Khối lượng giao dịch VNIndex.
1.6. ĐÓNG GÓP CỦA ĐỀ TÀI Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
1.6.1 Về mặt lý thuyết
Dựa trên cơ sở tổng hợp và kế thừa các nghiên cứu, tài liệu, đề tài đã làm rõ cơ sở lý luận về dự báo chỉ số giá chứng khoán và mô hình dự báo chỉ số giá chứng khoán. Đề tài tập trung vào tổng hợp và đưa vào nhiều yếu tố kinh tế cùng lúc đã được kế thừa từ các nghiên cứu trước đây để phân tích và đánh giá. Qua đó, đề tài đóng góp vào mở rộng nguồn tài liệu học thuật cho lĩnh vực nghiên cứu, bên cạnh đó đề tài mang đến cho đọc giả một góc nhìn mới, toàn diện hơn bằng cách kế thừa các góc nhìn của các nhà nghiên cứu và tích hợp lý thuyết tài chính truyền thống bắt nhịp với các công cụ công nghệ hiện đại nhằm tìm ra những hướng tiếp cận mới, phù hợp với xu hướng.
1.6.2 Về mặt thực tiễn
Nghiên cứu hiện tại sẽ đánh giá hiệu quả của các mô hình dự báo truyền thống và hiện đại, cung cấp một sự so sánh hiệu quả dự báo giữa các mô hình. Điều này sẽ giúp làm rõ những điểm mạnh và hạn chế của các mô hình trước đây, từ đó giúp cải thiện và lựa chọn mô hình dự báo tối ưu hơn, điều mà nhiều nghiên cứu trước đây chưa thực hiện đầy đủ. Ngoài ra, nghiên cứu sẽ đưa ra một số đề xuất, hàm ý cho từng đối tượng trong việc lựa chọn và sử dụng mô hình dự báo tại thị trường chứng khoán Việt Nam.
1.7 BỐ CỤC CỦA ĐỀ TÀI
Bố cục dự kiến của nghiên cứu bao gồm có 5 chương :
- CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU
Các nội dung liên quan thể hiện các nội dung bao gồm: lý do tác giả lựa chọn đề tài nghiên cứu này, hướng đến các mục tiêu nghiên cứu nào, đi tìm câu trả lời cho các câu hỏi nghiên cứu nhằm hướng đến các mục tiêu đã đề ra, phạm vi và đối tượng nghiên cứu của đề tài, phương pháp và dữ liệu được đùng trong toàn bộ quá trình nghiên cứu, cùng với phần trình bày về dự kiến của những đóng góp mà đề tài có thể mang lại và cấu trúc tổng thể của đề tài sẽ thực hiện.
- CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Chương 2 của đề tài sẽ tập trung vào việc phân tích và tổng hợp các nội dung liên quan đến thị trường chứng khoán và dự báo chỉ số giá chứng khoán. Đầu tiên, lý thuyết về thị trường chứng khoán được trình bày, giúp người đọc hiểu rõ hơn về cách thức hoạt động và các yếu tố ảnh hưởng đến giá cổ phiếu. Tiếp theo, chương giới thiệu khái niệm dự báo và ứng dụng của nó trong lĩnh vực chứng khoán. Ngoài ra, chương cũng đề cập đến học máy và các mô hình dự báo phổ biến đã được thực hiện nghiên cứu tại thị trường Việt Nam, cùng với các thông số đánh giá hiệu quả của những mô hình này. Cuối cùng, chương tổng hợp các nghiên cứu có liên quan từ cả trong nước và quốc tế, cung cấp cái nhìn tổng quan về tình hình nghiên cứu trong lĩnh vực này.
- CHƯƠNG 3: XÂY DỰNG MÔ HÌNH NGHIÊN CỨU
Chương 3 của đề tài là chương thể hiện các nội dung về xây mô hình nghiên cứu trong đề tài với tiền đề lý thuyết đã được thể hiện trong chương 2. Trong nội dung chương 3 cũng sẽ trình bày về quy trình thực hiện và cách thức thu thập dữ liệu trong đề tài.
- CHƯƠNG 4: THẢO LUẬN KẾT QUẢ NGHIÊN CỨU
Nội dung chương 4 là nội dung liên quan đến kết quả nghiên cứu của đề tài, các kết quả này sẽ bám sát các mục tiêu và trả lời cho các câu hỏi đã được trình bày tại chương 1. Các nội dung chính sẽ bao gồm: thống kê mô tả các biến được sử dụng trong mô hình và đưa ra kết quả so sánh hiệu quả dự báo của 4 mô hình mà tác giả đã lựa chọn để thực hiện nghiên cứu
- CHƯƠNG 5: KẾT LUẬN VÀ ĐỀ XUẤT
Trong phần nội dung của chương 5, tác giả sẽ đưa ra kết luận chung về toàn bộ kết quả thu được, từ đó đưa ra một số đề xuất, hàm ý cho từng đối tượng trong việc lựa chọn và sử dụng mô hình dự báo tại thị trường chứng khoán Việt Nam. Ngoài ra, trong nội dung của chương 5 cũng sẽ trình bày những giới hạn của đề tài đang vướng mắc và đề xuất kế hoạch cho hoạt động nghiên cứu sau này.
TÓM TẮT CHƯƠNG 1
Tác giả đã trình bày đẩy đủ và tổng quan các nội dung sẽ thực hiện nghiên cứu trong chương 1. Thông qua chương 1, tác giả mong muốn đọc giả sẽ có cái nhìn tổng quan nhất về đề tài tác giả thực hiện. Đây cũng là nền tảng quan trọng cho các chương nội dung tiếp theo, hỗ trợ phát triển hướng nghiên cứu của đề tài một cách hợp lý và cụ thể hơn.
CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƯỚC
2.1 KHÁI NIỆM VỀ DỰ BÁO, CHỈ SỐ DỰ BÁO Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Theo Fan, Huang, & Chen (2024), Dự báo thị trường chứng khoán thường được coi là một chủ đề đầy thách thức. Nhiều mô hình kinh tế lượng hoặc thống kê đã được sử dụng rộng rãi trong các nghiên cứu trước đây. Mặc dù dự báo lợi nhuận thị trường chứng khoán là một vấn đề phi tuyến tính, nhiều nghiên cứu đã chứng minh rằng các mô hình phi tuyến tính không nhất thiết phải vượt trội hơn các mô hình tuyến tính. Hơn nữa, các chỉ số kỹ thuật tuyến tính đã được chứng minh là giúp các nhà đầu tư đưa ra các chiến lược đầu tư để cải thiện hiệu suất đầu tư. Theo Hassan Oukhouya và các cộng sự (2024), dự báo là rất quan trọng đối với nghiên cứu tài chính và ra quyết định trong kinh doanh. Các tác giả đánh giá dự báo trong thị trường tài chính là một công cụ cực kỳ quan trọng giúp nhà đầu tư và nhà phân tích đưa ra quyết định chính xác hơn.
Dự báo là quá trình ước lượng những diễn biến có thể xảy ra trong tương lai dựa trên việc phân tích dữ liệu quá khứ của các yếu tố tác động và các xu hướng đã hình thành theo thời gian trên thị trường chứng khoán. Các nhà đầu tư trên thị trường chứng khoán bao gồm cả các nhà đầu tư và các nhà đầu tư tổ chức thường sử dụng các hệ thống phần mềm chuyên dụng để xử lý và phân tích một lượng lớn dữ liệu được tích lũy trong quá khứ và nhờ sự hỗ trợ của các phần mềm có thể xác định các kết quả liên quan đến cung cầu thị trường hay xu hướng biến động sắp tới . Thông tin dự báo đóng vai trò như một công cụ hỗ trợ quan trọng trong việc xây dựng kế hoạch hoạch đầu tư, giúp các nhà đầu tư có một sự chuẩn bị tốt hơn trước những biến động khó lường. Giải pháp này mang đến sự chủ động cho các nhà đầu tư trong việc ứng phó với thay đổi của thị trường trước những biến động của các chỉ số có liên quan, nâng cao hiệu quả đầu tư và đưa ra những quyết định mang tính chiến lược nhằm định đạt được những kết quả tốt và bền vững trong tương lai.
Chỉ số dự báo (leading indicators) là những chỉ số kinh tế có khả năng dự báo xu hướng tương lai của nền kinh tế hoặc thị trường tài chính. Những chỉ số này thường thay đổi trước khi nền kinh tế hoặc thị trường có sự biến động thực sự, do đó chúng đóng vai trò quan trọng trong việc cung cấp tín hiệu sớm cho các nhà đầu tư, nhà hoạch định chính sách và nhà phân tích kinh tế. Các chỉ số dự báo thường bao gồm các yếu tố như đơn đặt hàng mới, giấy phép xây dựng, chỉ số niềm tin người tiêu dùng, và biến động thị trường chứng khoán (Stock & Watson, 1989). Trong lĩnh vực tài chính, chỉ số dự báo được sử dụng để nhận diện các xu hướng ngắn hạn và dài hạn, giúp nâng cao hiệu quả ra quyết định đầu tư hoặc xây dựng chính sách kinh tế vĩ mô. Theo Mishkin (2015), việc theo dõi và phân tích các chỉ số dự báo có thể giúp các nhà đầu tư giảm thiểu rủi ro và tối ưu hóa lợi suất bằng cách nhận diện các dấu hiệu đảo chiều sớm của thị trường. Bên cạnh đó, chỉ số dự báo cũng được tích hợp trong các mô hình kinh tế lượng và mô hình học máy để cải thiện độ chính xác trong các bài toán dự báo. Việc lựa chọn các chỉ số phù hợp phụ thuộc vào mục tiêu nghiên cứu, đặc điểm của thị trường và bối cảnh kinh tế cụ thể (Chauvet & Piger, 2008).
2.2 MÔ HÌNH DỰ BÁO Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
2.2.1 Tổng quan về học máy (machine learning) trong dự báo
Trong bài báo “Some Studies in Machine Learning Using the Game of Checkers” của Arthur L. Samuel, được xuất bản năm 1959 trên Tạp chí Nghiên cứu và Phát triển của IBM, học máy được định nghĩa là quá trình lập trình máy tính để chúng có khả năng học hỏi từ kinh nghiệm mà không cần được lập trình một cách rõ ràng. Samuel mô tả học máy như một phương pháp giúp máy tính cải thiện hiệu suất thông qua kinh nghiệm, thay vì phải mã hóa từng quy tắc một cách thủ công. Trong cuốn sách Artificial Intelligence: A Modern Approach của Stuart Russell và Peter Norvig, học máy (machine learning) được mô tả là một lĩnh vực cốt lõi của trí tuệ nhân tạo, tập trung vào việc phát triển các hệ thống có khả năng học hỏi và cải thiện hiệu suất thông qua kinh nghiệm. Thay vì lập trình thủ công từng quy tắc, học máy cho phép máy tính tự động rút ra kiến thức từ dữ liệu để thực hiện các tác vụ một cách hiệu quả hơn (Russell & Norvig, 2010). Tác giả cũng đã đề cập về 3 phương pháp chính của học máy gồm: học có giám sát, học không giám sát và học tăng cường.
Mỗi phương pháp phản ánh một cách tiếp cận khác nhau trong việc xử lý và học hỏi từ dữ liệu, cụ thể:
- (*) Học có giám sát (Supervised Learning)
Học có giám sát là phương pháp phổ biến nhất trong học máy. Trong đó, mô hình được huấn luyện trên một tập dữ liệu đã gắn nhãn – tức là mỗi đầu vào đều có một đầu ra tương ứng đã biết. Mục tiêu của mô hình là học cách ánh xạ chính xác từ đầu vào đến đầu ra. Ví dụ, trong bài toán phân loại email, mô hình sẽ học cách phân biệt giữa email rác và email hợp lệ dựa trên các đặc trưng như nội dung, tiêu đề, tần suất từ khóa,… Sau khi được huấn luyện, mô hình có thể dự báo nhãn cho các dữ liệu mới chưa từng thấy. Học có giám sát phù hợp với các bài toán như phân loại, hồi quy, và dự báo.
- (*) Học không giám sát (Unsupervised Learning) Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Khác với học có giám sát, học không giám sát làm việc với dữ liệu chưa được gắn nhãn. Mục tiêu là tìm ra cấu trúc tiềm ẩn hoặc các mẫu trong dữ liệu. Một ứng dụng tiêu biểu là phân cụm (clustering), trong đó hệ thống tự động nhóm các đối tượng có đặc điểm tương đồng vào cùng một nhóm. Ngoài ra, học không giám sát còn được sử dụng trong giảm chiều dữ liệu, phát hiện bất thường, và mô hình hóa phân bố xác suất. Do không có nhãn đầu ra, loại học này thường mang tính khám phá và phù hợp trong các tình huống mà người dùng chưa biết rõ dữ liệu của mình.
- (*) Học tăng cường (Reinforcement Learning)
Học tăng cường (Reinforcement Learning – RL) là một phương pháp trong học máy (Machine Learning) cho phép hệ thống tự động học cách đưa ra quyết định nhằm tối đa hóa kết quả đạt được. Phương pháp này lấy cảm hứng từ cách con người học thông qua quá trình thử và sai, tức là thông qua kinh nghiệm rút ra được sau mỗi hành động. Trong học tăng cường, phần mềm được hướng dẫn để ưu tiên những hành động mang lại lợi ích cao cho mục tiêu tổng thể, đồng thời tránh thực hiện các hành động không hiệu quả hoặc gây ảnh hưởng tiêu cực đến quá trình đạt mục tiêu.
Tóm lại, cả ba phương pháp trên phản ánh những cách tiếp cận khác nhau trong học máy, từ việc học với dữ liệu có sẵn, học từ dữ liệu không gắn nhãn, đến học thông qua tương tác (hình 2.3). Tùy vào mục tiêu, đặc điểm dữ liệu và môi trường ứng dụng, nhà nghiên cứu hoặc kỹ sư AI có thể lựa chọn phương pháp phù hợp để xây dựng mô hình hiệu quả cho mục đích nghiên cứu của mình.
- Hình 2.1. Hình ảnh tổng quan về học máy
2.2.2 Các mô hình phổ biến trong dự báo
- Mô hình ARIMA
Theo Box & Jenkins (1976), ARIMA (Autoregressive Integrated Moving Average) là một mô hình thống kê được sử dụng để dự báo chuỗi thời gian không dừng. ARIMA kết hợp ba thành phần chính: Tự hồi quy (AR): Phần tự hồi quy sử dụng giá trị quá khứ của chuỗi thời gian để dự báo giá trị tương lai. Các hệ số ϕ1,ϕ2,…,ϕp xác định mức độ ảnh hưởng của các giá trị quá khứ đến giá trị hiện tại; Sai phân (I): là quá trình làm dừng chuỗi thời gian, tức là loại bỏ xu hướng hoặc tính chu kỳ của chuỗi thời gian bằng cách trừ đi giá trị trước đó để làm cho chuỗi trở thành chuỗi dừng; và Trung bình trượt (MA): Phần trung bình trượt mô hình hóa ảnh hưởng của các nhiễu trắng (các sai số ngẫu nhiên) từ các giá trị quá khứ để dự báo giá trị tương lai. Các hệ số θ1,θ2,…,θq xác định mức độ ảnh hưởng của các nhiễu trắng quá khứ. Mô hình ARIMA là một công cụ mạnh mẽ để dự báo, đặc biệt là trong các ứng dụng kinh tế, tài chính và các lĩnh vực khác, nơi dữ liệu có tính chu kỳ hoặc không ổn định. Công thức tổng quát của mô hình ARIMA(p, d, q) được biểu diễn như sau:
Trong đó:
- Yt′: giá trị của chuỗi thời gian sau khi đã được xử lý
- c: hằng số
- ϕ1, ϕ2,…, ϕp: các hệ số của phần tự hồi quy (AR).
- ϵt: nhiễu trắng tại thời điểm t.
- θ1, θ2,…, θq: các hệ số của phần trung bình trượt (MA).
- 𝑝: bậc của phần tự hồi quy (AR).
- 𝑞: bậc của phần trung bình trượt (MA).
- 𝑑: số lần sai phân (I).
Mô hình ARDL Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Theo Pesaran & Smith (2001). ARDL (Autoregressive Distributed Lag) là một mô hình hồi quy được sử dụng để mô hình hóa và dự báo mối quan hệ giữa các biến phụ thuộc và độc lập trong chuỗi thời gian. Mô hình này đặc biệt hữu ích khi các biến có độ trễ khác nhau và có thể có mối quan hệ dài hạn giữa các biến. ARDL cho phép mô hình hóa các tác động ngắn hạn và dài hạn của các yếu tố đầu vào lên biến phụ thuộc. Trong đó mô hình ARDL kết hợp hai thành phần chính: Thứ nhất là AR (Autoregressive) phần tự hồi quy bao gồm các giá trị quá khứ của biến phụ thuộc Yt để giải thích giá trị hiện tại của nó. Tham số βi xác định mức độ ảnh hưởng của các giá trị quá khứ đến giá trị hiện tại của Yt; Thứ hai là Phần phân phối (Distributed Lag) bao gồm các giá trị quá khứ của biến độc lập Xt, phản ánh sự ảnh hưởng của biến độc lập lên biến phụ thuộc theo thời gian. Các tham số γj điều chỉnh mức độ tác động của các giá trị quá khứ của Xt. Mô hình ARDL có thể áp dụng cho cả các chuỗi dừng và không dừng, giúp mô hình hóa các mối quan hệ ngắn hạn và dài hạn giữa các biến. Khi sử dụng ARDL, ta có thể kiểm tra mối quan hệ dài hạn giữa các biến sau khi điều chỉnh độ trễ của các biến. Công thức tổng quát của mô hình ARDL(p, q) giữa một biến phụ thuộc Yt và một hoặc nhiều biến độc lập Xt được biểu diễn như sau:
Trong đó:
- Yt: Biến phụ thuộc tại thời điểm
- Xt: Biến độc lập tại thời điểm
- α : Hằng số.
- βi : Các hệ số của phần tự hồi quy (AR).
- γj : Các hệ số của phần phân phối (distributed lag).
- p: Số bậc của phần tự hồi
- q: Số bậc của phần phân phối.
- ϵt: Sai số (nhiễu trắng) tại thời điểm
Mô hình VAR
Theo Stock & Watson (2001), mô hình tự hồi quy vectơ (Vector Autoregression – VAR) là một trong những công cụ phân tích chuỗi thời gian phổ biến nhất trong kinh tế lượng hiện đại. Được phát triển bởi Sims (1980), mô hình VAR cho phép mô tả mối quan hệ đồng thời giữa nhiều biến thời gian mà không cần phân biệt rõ ràng giữa biến nội sinh và biến ngoại sinh trong hệ thống. Đây là một điểm khác biệt so với các mô hình cấu trúc truyền thống, vốn dựa trên các giả định kinh tế học mạnh về nhân quả. Một mô hình VAR(p) với k biến nội sinh có thể được biểu diễn như sau:
Trong đó: Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
- Yt: vector các biến nội sinh
- c: vector hằng số
- Ai: ma trận hệ số (k×k) cho từng độ trễ i
- εt: vector nhiễu trắng
Trong mô hình VAR, mỗi biến trong hệ thống được biểu diễn thông qua một phương trình, trong đó giá trị hiện tại của biến phụ thuộc tuyến tính vào các giá trị trễ của chính nó và các giá trị trễ của các biến còn lại trong mô hình, cùng với một sai số ngẫu nhiên. Một điểm đặc trưng của mô hình VAR là nó không đòi hỏi các giả định lý thuyết phức tạp về cấu trúc nhân quả giữa các biến như các mô hình phương trình đồng thời. Điều kiện tiên quyết duy nhất là xác định tập hợp các biến có khả năng tương tác lẫn nhau theo thời gian, từ đó cho phép VAR được sử dụng linh hoạt trong nhiều lĩnh vực như kinh tế học, tài chính, và khoa học tự nhiên để dự báo và phân tích mối quan hệ giữa các chuỗi thời gian.
- Mô hình hồi quy tuyến tính (Linear Regression)
Hồi quy tuyến tính là một phương pháp thống kê dùng để mô hình hóa mối quan hệ giữa một biến phụ thuộc (biến mục tiêu) và một hoặc nhiều biến độc lập (biến giải thích). Mục tiêu chính của mô hình là dự báo giá trị của biến phụ thuộc dựa trên các giá trị đã biết của các biến độc lập. Phân tích hồi quy tuyến tính ước lượng các hệ số trong phương trình tuyến tính, liên quan đến một hoặc nhiều biến độc lập, nhằm dự báo tốt nhất giá trị của biến phụ thuộc. (Draper & Smith, 1998). Công thức tổng quát của mô hình hồi quy tuyến tính được thể hiện như sau:
Trong đó:
- Y: Biến phụ thuộc (giá trị cần dự báo)
- Xi: Các biến độc lập (biến giải thích)
- β₀: Hệ số chặn (intercept)
- βi: Hệ số hồi quy của biến Xi
- ε: Sai số ngẫu nhiên (error term)
Hệ số β₀ đại diện cho giá trị kỳ vọng của Y khi tất cả các Xi = 0. Hệ số βi biểu thị mức độ thay đổi trung bình của Y khi Xi tăng một đơn vị, giữ các biến khác không đổi. Thành phần sai số ε phản ánh các yếu tố không được mô hình hóa hoặc sai số đo lường.
- Mô hình Ridge Regression Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Theo Hoerl & Kennard (1970), Ridge Regression (hay còn gọi là L2 Regularization) là một biến thể của hồi quy tuyến tính, được sử dụng khi xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập. Phương pháp này thêm một thành phần phạt (penalty term) vào hàm mất mát nhằm giảm phương sai (variance) của mô hình và cải thiện khả năng dự báo. Hàm mục tiêu của Ridge Regression được trình bày như sau:
Trong đó:
- yi: biến phụ thuộc (giá trị thực tế)
- xij: giá trị của biến độc lập thứ j tại quan sát thứ i
- βj: hệ số hồi quy cần ước lượng
- λ: hệ số điều chỉnh (regularization parameter), kiểm soát mức độ phạt
- βj2: là thành phần phạt (L2 norm), giúp co nhỏ các hệ số hồi quy về gần 0 Khi λ=0, Ridge Regression trở thành hồi quy tuyến tính thông thường. Khi λ càng lớn, mô hình càng ưu tiên giảm độ lớn của các hệ số βj , tránh overfitting.
Ridge Regression giúp giải quyết vấn đề đa cộng tuyến và overfitting bằng cách làm trơn (shrinkage) các hệ số hồi quy. Mô hình vẫn giữ lại tất cả biến đầu vào nhưng giới hạn độ ảnh hưởng của chúng, nên thường được sử dụng khi số lượng biến độc lập lớn hoặc có sự tương quan cao giữa các biến.
- Mô hình LSTM
LSTM (Long Short-Term Memory) là một kiến trúc mạng nơ-ron hồi tiếp (RNN) được sử dụng rộng rãi trong lĩnh vực Học sâu (Deep Learning). Mô hình này nổi bật với khả năng ghi nhớ các mối quan hệ dài hạn, rất phù hợp cho các bài toán dự báo theo chuỗi. LSTM được giới thiệu lần đầu bởi Hochreiter và Schmidhuber (1997) như một phương pháp hiệu quả để khắc phục những hạn chế của RNN, cho phép mạng ghi nhớ và khai thác thông tin từ các bước thời gian xa trong quá khứ mà không bị mất mát hoặc suy giảm tín hiệu. Mô hình này hoạt động dựa trên một cấu trúc bao gồm các “cổng” (gates) – như cổng đầu vào, cổng quên, và cổng đầu ra –giúp kiểm soát dòng thông tin đi vào, duy trì, hoặc loại bỏ khỏi bộ nhớ của mạng theo cách tối ưu. Khác với các mạng nơ-ron truyền thống, LSTM được tích hợp các kết nối phản hồi, cho phép xử lý toàn bộ chuỗi dữ liệu thay vì chỉ từng điểm dữ liệu riêng lẻ. Điều này giúp LSTM hoạt động hiệu quả trong việc nhận diện và dự báo các mẫu (pattern) trong dữ liệu tuần tự như chuỗi thời gian. Theo Shipra Saxena (2025) đã mô tả một chu kỳ hoạt động của mạng LSTM (Long Short-Term Memory), quá trình xử lý thông tin tại mỗi thời điểm (time step) được chia thành ba phần chính: Phần đầu tiên xác định liệu thông tin từ thời điểm trước đó có nên được ghi nhớ tiếp hay là không còn quan trọng và có thể bị lãng quên. Phần thứ hai cho phép mô hình học thêm thông tin mới từ đầu vào hiện tại. Phần cuối cùng xử lý việc truyền thông tin đã được cập nhật từ thời điểm hiện tại sang thời điểm kế tiếp. Ba phần trên được gọi là các cổng (gates) của một đơn vị LSTM, giữ vai trò điều phối dòng chảy của thông tin ra vào trong bộ nhớ nội tại (memory cell). Các cổng này gồm:
- (*) Cổng quên (Forget Gate): quyết định giữ lại hay loại bỏ thông tin từ bước thời gian trước.
Trong đó: Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
- xₜ: đầu vào hiện tại
- hₜ₋₁: trạng thái ẩn trước đó
- Wf: ma trận trọng số liên kết với trạng thái ẩn
- bf: hệ số điều chỉnh
- σ: hàm sigmoid (giới hạn đầu ra từ 0 đến 1)
- Giá trị fₜ sau đó sẽ được nhân với trạng thái ô nhớ tại thời điểm t-1 để quyết định phần thông tin nào cần giữ lại.
(*) Cổng đầu vào (Input Gate): xác định thông tin mới nào từ đầu vào nên được thêm vào bộ nhớ. Cổng đầu vào đánh giá thông tin này bằng cách sử dụng một hàm sigmoid để tạo ra giá trị trong khoảng từ 0 đến 1, cho biết mức độ nên thêm thông tin vào trạng thái ô nhớ (cell state). Phương trình của cổng đầu vào được trình bày như sau:
Trong đó:
- xₜ: đầu vào tại thời điểm t
- hₜ₋₁: trạng thái ẩn tại thời điểm t-1
- Wᵢ: ma trận trọng số
- bᵢ: hệ số điều chỉnh (bias)
- σ: hàm sigmoid
(*) Cổng đầu ra (Output Gate): Cổng đầu ra quyết định phần nào của trạng thái ô nhớ sẽ được sử dụng làm đầu ra tại thời điểm hiện tại. Phương trình của cổng đầu ra được trình bày như sau:
Trong đó:
- Cₜ: trạng thái ô nhớ tại thời điểm t
- hₜ: trạng thái ẩn (cũng chính là đầu ra tạm thời)
- σ: hàm sigmoid, tanh: hàm kích hoạt tanh
- oₜ: đầu ra của cổng đầu ra
Mô hình XG Boost Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Theo Chen & Guestrin (2016), XGBoost (Extreme Gradient Boosting) là một thuật toán học máy mạnh mẽ và hiệu quả, chủ yếu được sử dụng trong các bài toán dự báo và phân loại. XGBoost là một dạng cải tiến của thuật toán Gradient Boosting, nơi mà các cây quyết định (decision trees) được xây dựng theo một cách đặc biệt để tối ưu hóa kết quả dự báo. Mô hình XGBoost dựa trên phương pháp boosting, trong đó các mô hình học máy (thường là các cây quyết định) được xây dựng tuần tự, mỗi mô hình mới được huấn luyện để sửa chữa lỗi của mô hình trước đó. Điểm mạnh của XGBoost là khả năng tăng cường tốc độ và hiệu suất thông qua việc sử dụng gradient boosting và một số kỹ thuật như regularization để tránh hiện tượng overfitting. XGBoost có thể được mô tả bằng công thức sau:
Trong đó:
- 𝑦̂i: Dự báo của mô hình cho điểm dữ liệu thứ i
- fk(xi): Dự báo của cây thứ k tại điểm dữ liệu xi
- k: Số lượng cây trong mô hình.
Mỗi cây fk được xây dựng sao cho tối thiểu hóa lỗi dự báo của các cây trước đó, tức là cải thiện dự báo bằng cách học từ các sai số còn lại.
XGBoost là một thuật toán mạnh mẽ và linh hoạt, sử dụng phương pháp boosting để tạo ra một tập hợp các cây quyết định có khả năng học hỏi từ sai số của các mô hình trước đó. Các đặc điểm nổi bật của XGBoost bao gồm khả năng xử lý dữ liệu thiếu, khả năng chống overfitting nhờ regularization và khả năng tối ưu hóa tốc độ nhờ các kỹ thuật như gradient boosting.
2.2.3 Các thông số đánh giá hiệu quả mô hình dự báo Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Trong các mô hình trên, mục tiêu là dự báo một giá trị liên tục và hướng đến giá trị có sai sót thấp nhất. Để đánh giá hiệu quả của mô hình, người ta thường sử dụng các chỉ số sau:
2.2.3.1 Sai số tuyệt đối trung bình- Mean Absolute Error (MAE)
MAE (Mean Absolute Error) – Sai số tuyệt đối trung bình – là một chỉ số đánh giá độ chính xác của mô hình hồi quy bằng cách đo lường trung bình khoảng cách tuyệt đối giữa các giá trị dự báo và giá trị thực tế. Công thức của MAE được thể hiện như sau:
Trong đó:
- yi: giá trị thực tế tại điểm thứ i
- 𝑦̂i: giá trị dự báo tại điểm thứ i
- n: số lượng điểm dữ liệu
Ý nghĩa của MAE (Mean Absolute Error) là cho biết mức độ sai lệch trung bình tuyệt đối giữa giá trị dự báo và giá trị thực tế của mô hình. MAE luôn có giá trị không âm và mang cùng đơn vị với biến đầu ra, giúp việc diễn giải kết quả trở nên trực quan hơn. Giá trị MAE càng nhỏ đồng nghĩa với việc mô hình dự báo càng chính xác. Một ưu điểm quan trọng của MAE là ít bị ảnh hưởng bởi các giá trị ngoại lai, điều này giúp MAE trở thành lựa chọn phù hợp trong các tình huống mà dữ liệu có thể chứa các điểm bất thường.
2.2.3.2 Sai số toàn phương trung bình – Mean Squared Error (MSE)
MSE (Mean Squared Error) hay Sai số bình phương trung bình là một chỉ số đánh giá mức độ sai lệch trung bình giữa giá trị dự báo và giá trị thực tế trong các mô hình học máy, đặc biệt là trong hồi quy. Công thức của MSE được thể hiện như sau:
Trong đó:
- yi: giá trị thực tế
- 𝑦̂i: giá trị dự báo
- n: số lượng quan sát
Ý nghĩa của MSE là đo lường độ sai lệch trung bình giữa giá trị dự báo và giá trị thực tế, bằng cách lấy bình phương sai số rồi tính trung bình. MSE luôn không âm và có đơn vị là bình phương đơn vị của biến đầu ra. MSE càng nhỏ chứng tỏ mô hình càng chính xác. Tuy nhiên, do có tính chất bình phương sai số nên MSE nhạy cảm với các giá trị ngoại lai, khiến các sai số lớn bị khuếch đại và ảnh hưởng đáng kể đến kết quả đánh giá. Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
2.2.3.3 Độ lệch bình phương trung bình gốc – Root Mean Squared Error (RMSE)
Root Mean Squared Error (RMSE) là một chỉ số thống kê dùng để đo độ lệch chuẩn của phần dư (residuals) – tức là sai số giữa giá trị thực tế và giá trị dự báo từ mô hình. RMSE thể hiện mức sai lệch trung bình (dưới dạng căn bậc hai) giữa các giá trị dự báo và thực tế. Công thức của RMSE được thể hiện như sau:
Trong đó:
- yi: giá trị thực tế tại điểm thứ i
- 𝑦̂i : giá trị dự báo tại điểm thứ i
- n: số lượng mẫu dữ liệu
RMSE là căn bậc hai của MSE, giúp đưa sai số trở về cùng đơn vị với biến đầu ra, từ đó dễ dàng hơn trong việc diễn giải. RMSE cung cấp thước đo trực quan về độ lớn trung bình của sai số dự báo. Tương tự MSE, RMSE cũng bị ảnh hưởng lớn bởi các giá trị ngoại lai, do vẫn sử dụng bình phương sai số trong quá trình tính toán. RMSE càng nhỏ thì mô hình dự báo càng chính xác.
2.2.3.4 Hệ số xác định – R-squared (R²)
R-Squared (R²), hay còn gọi là hệ số xác định, là một chỉ số thống kê trong mô hình hồi quy, đo lường tỷ lệ phương sai của biến phụ thuộc có thể được giải thích bởi các biến độc lập trong mô hình. Nói cách khác, R² cho thấy mức độ phù hợp của mô hình hồi quy với dữ liệu (độ “tốt” của mô hình). Công thức của R2 được thể hiện như sau:
Trong đó:
- yi: giá trị thực tế tại điểm thứ i
- 𝑦̂i: giá trị dự báo tại điểm thứ i
- 𝑦: giá trị trung bình của biến phụ thuộc
- n: số lượng mẫu dữ liệu
Hệ số xác định R² dao động từ 0 đến 1. Khi R² bằng 1, điều này có nghĩa là mô hình hoàn toàn giải thích được sự biến động của biến phụ thuộc, tức là mô hình dự báo chính xác tuyệt đối. Ngược lại, khi R² bằng 0, mô hình không giải thích được sự biến động nào của biến phụ thuộc, tức là mô hình không có khả năng dự báo tốt. R² càng cao, mô hình càng có khả năng giải thích sự biến động của dữ liệu và dự báo chính xác hơn. Tuy nhiên, R² không phải lúc nào cũng phản ánh sự phù hợp hoàn hảo của mô hình, vì có thể có những mô hình có giá trị R² cao nhưng lại không chính xác đối với các dự báo cụ thể.
- Hình 2.2: Các thông số đánh giá hiệu quả của mô hình
2.3 LÝ THUYẾT NỀN VỀ DỰ BÁO Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Trong bối cảnh thị trường chứng khoán ngày càng phát triển và phức tạp, việc dự báo xu hướng giá của các chỉ số chứng khoán trở thành một yếu tố then chốt đối với nhà đầu tư và các nhà nghiên cứu tài chính. Các cơ sở lý thuyết được sử dụng nhằm giải thích và hỗ trợ cho các mô hình dự báo có thể đề cập gồm phân tích cơ bản và phân tích kỹ thuật. Mỗi cơ sở mang đặc điểm và hứa hẹn khả năng áp dụng khác nhau nhưng đều đóng vai trò thiết yếu trong việc dự báo biến động của chỉ số giá chứng khoán.
- Phân tích cơ bản
Phân tích cơ bản (fundamental analysis) là một phương pháp tiếp cận phổ biến nhằm đánh giá giá trị thực (intrinsic value) của tài sản tài chính, đặc biệt là cổ phiếu hoặc chỉ số chứng khoán, dựa trên các yếu tố kinh tế, tài chính và chính sách vĩ mô có ảnh hưởng đến thị trường. Trong bối cảnh dự báo chỉ số giá chứng khoán như chỉ số VN-Index thì phân tích cơ bản không chỉ tập trung vào từng doanh nghiệp riêng lẻ mà còn mở rộng ra phạm vi ngành và nền kinh tế tổng thể. Phân tích cơ bản xuất phát từ lý thuyết cho rằng thị trường có thể định giá sai tài sản trong ngắn hạn nhưng về dài hạn, giá thị trường sẽ hội tụ về giá trị nội tại (Graham & Dodd, 2008). Đối với chỉ số chứng khoán – đại diện cho một tập hợp các cổ phiếu – giá trị của chỉ số được hình thành dựa trên hiệu quả hoạt động tài chính, triển vọng tăng trưởng và môi trường vĩ mô ảnh hưởng đến các doanh nghiệp thành phần. hân tích cơ bản truyền thống bao gồm hai cấp độ: Phân tích vĩ mô: Đánh giá các yếu tố như tăng trưởng GDP, lạm phát, chính sách tiền tệ, tỷ lệ thất nghiệp, cán cân thương mại, và các chỉ số niềm tin tiêu dùng – những biến số có thể ảnh hưởng đến dòng tiền và kỳ vọng lợi nhuận tương lai của thị trường chứng khoán nói chung (Mishkin, 2015). Phân tích ngành và doanh nghiệp: Phân tích lợi nhuận, dòng tiền, cơ cấu vốn, chỉ số tài chính (P/E, ROE, EPS), và các yếu tố định tính như chiến lược cạnh tranh, quản trị doanh nghiệp, và mức độ đổi mới sáng tạo (Penman, 2012). Việc ứng dụng phân tích cơ bản vào dự báo chỉ số giá chứng khoán thường dựa trên việc mô hình hóa mối quan hệ giữa các yếu tố kinh tế và tài chính với mức giá hoặc xu hướng vận động của chỉ số thị trường. Ví dụ, nghiên cứu của Fama và French (1989) cho thấy các yếu tố như lợi suất trái phiếu, tỷ lệ cổ tức, và thu nhập doanh nghiệp có thể dự báo chỉ số thị trường trong tương lai. Ngoài ra, các mô hình vĩ mô như mô hình IS-LM, mô hình Mundell-Fleming, hay mô hình SVAR (Structural Vector Autoregression) cũng được sử dụng để kiểm định mối quan hệ nhân quả giữa các chỉ số kinh tế và thị trường chứng khoán (Chen, Roll, & Ross, 1986).
- Phân tích kỹ thuật Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Phân tích kỹ thuật (technical analysis) là phương pháp dựa trên việc nghiên cứu biến động giá cổ phiếu hoặc chỉ số giá chứng khoán trong quá khứ, nhằm dự báo xu hướng giá trong tương lai. Khác với phân tích cơ bản vốn tập trung vào các yếu tố nội tại của doanh nghiệp, phân tích kỹ thuật giả định rằng mọi yếu tố ảnh hưởng đến giá cổ phiếu đều đã được phản ánh trong giá thị trường, và do đó việc nghiên cứu mô hình giá, khối lượng giao dịch và các chỉ báo kỹ thuật sẽ cung cấp thông tin hữu ích cho các quyết định đầu tư (Murphy, 1999). Theo Pring (2014), nền tảng của phân tích kỹ thuật được xây dựng trên ba giả định cơ bản: (1) thị trường phản ánh tất cả thông tin, (2) giá biến động theo xu hướng, và (3) lịch sử có xu hướng lặp lại. Giả định thứ nhất tương đồng với giả thuyết thị trường hiệu quả ở mức yếu (Fama, 1970), theo đó mọi thông tin quá khứ đều đã được phản ánh vào giá hiện tại. Giả định thứ hai cho rằng giá thường không biến động ngẫu nhiên mà có xu hướng di chuyển theo các chiều hướng nhất định trong một khoảng thời gian. Giả định thứ ba dựa trên quan sát hành vi lặp lại của nhà đầu tư theo chu kỳ tâm lý, tạo nên các mẫu hình giá có tính lặp lại. Một điểm đáng chú ý khác là phân tích kỹ thuật ngày càng được ứng dụng trong việc dự báo chỉ số giá chứng khoán hơn là cổ phiếu riêng lẻ. Do chỉ số thị trường là tập hợp đại diện của toàn bộ nền kinh tế hoặc một ngành, các mô hình kỹ thuật có thể tận dụng hiệu ứng tổng hợp (aggregation effect) để giảm thiểu nhiễu từ các yếu tố riêng lẻ, từ đó cải thiện độ chính xác của dự báo xu hướng chung. Nhìn chung, phân tích kỹ thuật là một công cụ hữu hiệu trong việc dự báo chỉ số giá chứng khoán, đặc biệt khi được sử dụng kết hợp với các phương pháp hiện đại và kiểm định thống kê chặt chẽ. Khả năng mô hình hóa hành vi thị trường và xác định xu hướng ngắn hạn giúp phân tích kỹ thuật trở thành một phần không thể thiếu trong hệ thống ra quyết định đầu tư.
2.3.1 Phân loại các phương pháp dự báo
Các phương pháp dự báo có thể được phân loại thành hai nhóm chính: dự báo định tính và dự báo định lượng. Dự báo định tính thường được áp dụng trong bối cảnh dữ liệu lịch sử không đầy đủ hoặc khi môi trường biến động mạnh, chẳng hạn như thị trường công nghệ hoặc các sản phẩm mới ra đời. Các phương pháp phổ biến trong nhóm này bao gồm phương pháp Delphi, ý kiến chuyên gia và khảo sát người tiêu dùng. Mặc dù các phương pháp này có thể cung cấp những góc nhìn chiến lược có giá trị, song chúng vẫn phụ thuộc nhiều vào nhận định chủ quan và kinh nghiệm cá nhân của người cung cấp thông tin (Wright & Goodwin, 2009).
Ngược lại, dự báo định lượng dựa trên các mô hình toán học và thống kê nhằm phân tích mối quan hệ giữa các biến số, và thường được áp dụng khi có dữ liệu lịch sử đầy đủ. Nhóm phương pháp này bao gồm ba loại mô hình chính. Thứ nhất là mô hình chuỗi thời gian, với các ví dụ điển hình như AR, MA, ARIMA, GARCH và Exponential Smoothing, vốn giả định rằng các giá trị trong tương lai phụ thuộc vào dữ liệu quá khứ và tuân theo các mẫu hình tuần hoàn hoặc xu hướng (Box & Jenkins, 1976). Thứ hai là mô hình kinh tế lượng, bao gồm hồi quy tuyến tính, VAR, và ARDL, thường được sử dụng để lượng hóa tác động của các biến giải thích lên biến phụ thuộc (Gujarati & Porter, 2009). Cuối cùng là nhóm mô hình học máy, bao gồm các thuật toán như Random Forest, XGBoost, SVM, và mạng nơ-ron (RNN, LSTM). Các mô hình này có khả năng xử lý dữ liệu phi tuyến và phức tạp, đồng thời thường mang lại độ chính xác cao trong các bài toán dự báo, nhưng đòi hỏi lượng dữ liệu lớn và tài nguyên tính toán mạnh (Makridakis et al., 2018).
2.3.2 Các bước trong quy trình dự báo Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Theo Makridakis et al. (1998), một quy trình dự báo khoa học hiệu quả cần tuân thủ theo một chuỗi các bước có hệ thống nhằm đảm bảo tính chính xác, khả năng ứng dụng và độ tin cậy của kết quả dự báo. Cụ thể, quy trình này bao gồm năm bước chính như sau:
Thứ nhất là Xác định mục tiêu dự báo: Giai đoạn này bao gồm việc xác định rõ ràng biến số cần dự báo, khoảng thời gian dự báo và mục đích sử dụng kết quả (ví dụ: chiến lược, vận hành hay phân tích rủi ro).
Thứ hai là Thu thập và xử lý dữ liệu: Dữ liệu cần được thu thập đầy đủ và kiểm tra tính nhất quán. Các vấn đề thường gặp như dữ liệu thiếu, ngoại lai hoặc sai lệch cần được xử lý cẩn thận để tránh làm sai lệch kết quả mô hình.
Thứ ba là Lựa chọn mô hình phù hợp: Dựa trên đặc điểm của dữ liệu (chuỗi thời gian, phi tuyến, biến động, v.v.) và mục tiêu nghiên cứu, nhà phân tích cần chọn mô hình dự báo có khả năng phản ánh tốt đặc trưng của dữ liệu.
Thứ tư là Ước lượng và đánh giá mô hình: Mô hình sau khi được xây dựng cần được hiệu chỉnh và kiểm định bằng dữ liệu thực nghiệm, thường được chia thành tập huấn luyện và tập kiểm tra. Việc đánh giá mô hình được thực hiện thông qua các chỉ số như MAE, RMSE, MAPE hoặc R².
Thứ năm là Triển khai và hiệu chỉnh định kỳ: Mô hình cần được cập nhật theo định kỳ để thích ứng với dữ liệu mới và sự thay đổi trong môi trường thực tiễn, từ đó duy trì hiệu suất và độ tin cậy của dự báo trong dài hạn.
2.4 KHẢO LƯỢC CÁC NGHIÊN CỨU LIÊN QUAN Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
2.4.1 Các nghiên cứu nước ngoài
Theo nghiên cứu của Thomas Fischer, Christopher Krauss (2018), đã áp dụng mạng LSTM (Long Short-Term Memory) cho một nghiên cứu dự báo thị trường tài chính quy mô lớn trên chỉ số S&P 500 (chỉ số đại diện cho thị trường chứng khoán Mỹ), từ tháng 12 năm 1992 đến tháng 10 năm 2015. Với nghiên cứu này, nhóm tác giả đã kết luận rằng LSTM được chứng minh là vượt trội so với các phương pháp học máy khác như rừng ngẫu nhiên (Random Forest) và hồi quy logistic (Logistic Regression), ngoài ra phương pháp LSTM có thể tự động trích xuất các mẫu cổ phiếu có đặc điểm biến động và đảo chiều ngắn hạn, phù hợp với các bất thường thị trường hiện có.
Theo nghiên cứu của Xuesong Yan và Pengfei Yu (2020), dựa vào phân tích giá đóng cửa cho mỗi ngày giao dịch của sáu chỉ số chứng khoán (trong giai đoạn 2010-2017), bao gồm S&P 500, DJIA, Nikkei 225, Hang Seng Index, CSI 300 và ChiNext Index. Thông qua mô hình dự báo dựa trên DNN kết hợp phương pháp PSR và mạng nơ-ron dài ngắn hạn (LSTM) được thiết kế để dự báo giá cổ phiếu, tác giả kết luận rằng mô hình dự báo mạng LSTM sâu sử dụng phương pháp PSR để phân tích chuỗi giá có thể dự báo dữ liệu tài chính một cách tương đối chính xác, khi so sánh các chỉ số MRSE: Mean Root Squared Error (Lỗi bình phương trung bình gốc); MPAE: Mean Percentage Absolute Error (Lỗi tuyệt đối tỷ lệ phần trăm trung bình); R^2: Độ chính xác hoặc hệ số tương quan trong các mô hình dự báo đã được thực hiện.
Theo nghiên cứu của Kyung Keun Yun, Sang Won Yoon, Daehan Won (2021), nhóm nghiên cứu cho rằng dù số lượng nghiên cứu sử dụng các kỹ thuật học máy hoặc học sâu trong dự báo thị trường chứng khoán ngày càng tăng với sự xuất hiện của dữ liệu lớn và sự phát triển nhanh chóng của các kỹ thuật trí tuệ nhân tạo. Tuy nhiên, việc dự báo chính xác hướng giá cổ phiếu vẫn rất khó khăn vì giá cổ phiếu vốn đã phức tạp, phi tuyến tính, không ổn định và đôi khi quá phi lý để có thể dự báo được. Mặc dù có rất nhiều thông tin, nhưng các nghiên cứu vẫn còn hạn chế rất nhiều về các chỉ số đầu vào quan trọng. Thông qua nghiên cứu chỉ số thị trường chứng khoán đại diện của Hàn Quốc (KOSIPI), với phạm vi nghiên cứu từ 01/04/2000 đến 31/12/2016, tương ứng với 4203 ngày giao dịch. Từ đó nghiên cứu này đề xuất một hệ thống dự báo kết hợp GA-XGBoost với quy trình kỹ thuật tính năng được cải thiện, bao gồm mở rộng các dữ liệu đầu vào. Kết quả nghiên cứu cho thấy sự gia tăng độ chính xác đáng kể nhất đến từ việc mở rộng các đặc trưng, thêm 67 chỉ số kỹ thuật vào dữ liệu giá cổ phiếu lịch sử gốc. Ngoài ra chứng minh thực nghiệm rằng thuật toán GA-XGBoost không chỉ đạt được độ chính xác tốt nhất mà còn có thời gian huấn luyện hiệu quả hơn so với các mô hình khác dựa trên các chỉ số hiệu suất trong phạm vi nghiên cứu đã được thực hiện.
Theo nghiên cứu của Pham Hoang Vuong, Trinh Tan Dat, Tieu Khoi Mai và các cộng sự (2022), các tác giả cho rằng phân tích dữ liệu chuỗi thời gian để dự báo giá cổ phiếu là một nhiệm vụ phức tạp và đầy thách thức vì có nhiều yếu tố có thể ảnh hưởng đến giá cổ phiếu (ví dụ: lạm phát, tính mùa vụ, chính sách kinh tế, hành vi xã hội,..). Những yếu tố này có thể được phân tích theo thời gian để dự báo giá cổ phiếu. Các phương pháp học máy và học sâu đã được chứng minh là có thể đưa ra dự báo giá cổ phiếu chính xác hơn so với các phương pháp truyền thống. Do đó, nghiên cứu này đề xuất một phương pháp nhằm cải thiện hiệu suất của hệ thống dự báo giá cổ phiếu dựa trên các phương pháp học máy và học sâu tiên tiến. Bằng cách đưa các đặc trưng đã chọn vào mạng nơ-ron bộ nhớ dài ngắn hạn (LSTM) sâu để dự báo giá cổ phiếu. Mạng LSTM sâu được sử dụng để phản ánh bản chất thời gian của chuỗi dữ liệu đầu vào và khai thác triệt để thông tin ngữ cảnh trong tương lai. Cấu trúc phức tạp của mạng này cho phép nó nắm bắt được tính ngẫu nhiên trong giá cổ phiếu. Phương pháp này không thay đổi khi áp dụng cho dữ liệu cổ phiếu hoặc dữ liệu Forex. Kết quả thực nghiệm dựa trên một bộ dữ liệu Forex từ 01/01/2008 đến 19/03/2018 và có tổng số 709 314 lượt quan sát, cho thấy phương pháp LSTM vượt trội so với phương pháp tích hợp tự hồi quy đường trung bình di động cơ bản (ARIMA) về các chỉ số chỉ số MAE, MSE và RMSE trong dự báo giá cổ phiếu ( trong đó giá trị của các chỉ số trên càng thấp thì độ chính xác của hệ thống càng cao). Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Tác giả Hassan Oukhouya, Khalid El Himdi (2023) đã thực hiện nghiên cứu việc mô hình hóa và dự báo giá hàng ngày của chỉ số chứng khoán Morocco Stock Index 20 (MSI 20), bằng cách sử dụng dữ liệu hàng ngày của MSI 20 để huấn luyện từng mô hình và dự báo giá đóng cửa, kể từ khi chỉ số được ra mắt với độ dài quan sát là 541 quan sát. Tác giả đã đề xuất một nghiên cứu so sánh giữa các kết quả thu được từ việc áp dụng các phương pháp học máy khác nhau như: Hồi quy Vector Hỗ trợ (SVR), Tăng cường Gradient cực hạn (XGBoost), Perceptron nhiều lớp (MLP), và Mạng Nơ-ron Dài Ngắn Hạn (LSTM). Để đánh giá độ chính xác của các mô hình, nhiều chỉ số đánh giá khác nhau được sử dụng, bao gồm ME (Mean Error), MPE (Mean Percentage Error), MSE (Mean Squared Error), MAE (Mean Absolute Error), RMSE (Root Mean Squared Error), MAPE (Mean Absolute Percentage Error), và R² (Coefficient of Determination). Kết luận của nghiên cứu thể hiện rằng, mô hình SVR có hiệu suất tốt nhất, theo sau là các mô hình MLP, LSTM, XGBoost cho việc dự báo MSI 20.
Theo nghiên cứu của Hassan Oukhouya, Hamza Kadiri, Khalid El Himdi, Raby Guerbaz (2024), nhóm tác giả cho rằng: các nhà đầu tư thường phân tích xu hướng thị trường chứng khoán bằng dữ liệu gần đây để có những hiểu biết liên quan hơn. Do vậy, nhằm mục đích đánh giá hiệu suất của các mô hình trong và trước các giai đoạn khủng hoảng, như đại dịch COVID-19, và đánh giá hiệu suất của mô hình trên các châu lục và bối cảnh khác nhau. Nhóm nghiên cứu đã mô hình hóa và dự báo xu hướng của sáu thị trường chứng khoán quốc tế, từ ngày 1 tháng 3 năm 2018 đến ngày 1 tháng 3 năm 2023, với 1.259 ngày giao dịch cho mỗi chuỗi thị trường chứng khoán. Thông qua triển khai các mô hình XGBoost, LSTM và mô hình lai LSTM-XGBoost nhằm đánh giá hiệu quả của việc thực hiện backtesting, đặc biệt là trong khoảng thời gian dự báo. Những phát hiện thực nghiệm đã chứng minh rằng mô hình kết hợp LSTM-XGBoost được đề xuất đã nâng cao đáng kể tính chính xác của việc dự báo xu hướng sáu thị trường chứng khoán quốc tế, vượt qua hiệu suất của từng mô hình XGBoost và LSTM đơn lẻ.
Theo nghiên cứu của Min-Hsuan Fan, Jing-Long Huang, Mu-Yen Chen (2024), thực hiện nghiên cứu dự báo chỉ số Taiwan 50 ETF và FITX dựa vào ba nhóm yếu tố chính là: tỷ giá hối đoái của thị trường ngoại hối, chỉ số kỹ thuật và giao dịch của ba tổ chức lớn tại Đài Loan. Nghiên cứu so sánh các mô hình học máy bao gồm: SVR, ANN, RNN và LSTM để dự báo động thái của thị trường chứng khoán Đài Loan trong giai đoạn từ năm 2015 đến 2018, việc lựa chọn mô hình phù hợp dựa vào sai số tuyệt đối trung bình (MAE), sai số bình phương trung bình (MSE) và sai số phần trăm tuyệt đối trung bình (MAPE) làm chỉ số đánh giá. Kết quả cho thấy SVR hoạt động kém nhất, trong khi mô hình LSTM đạt độ chính xác cao nhất, vượt trội so với các mô hình còn lại, đặc biệt là trong nhóm điều khiển. Mặc dù phần lớn các mô hình LSTM đạt độ chính xác cao, mô hình ANN cũng có một số kết quả tốt.
2.4.2 Các nghiên cứu trong nước Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Trong bối cảnh thị trường chứng khoán Việt Nam nghiên cứu dự báo chỉ số giá chứng khoán ngày càng phát triển và trở nên sôi động, các nghiên cứu gần đây cũng đã bắt đầu tập trung vào việc ứng dụng các phương pháp học máy để cải thiện khả năng dự báo chỉ số giá chứng khoán.
Tác giả Dương Ngân Hà (2018) đã áp dụng mô hình VAR để dự báo chỉ số VN-Index thông qua khối lượng giao dịch ròng và giá trị giao dịch ròng của nhà đầu tư nước ngoài, dữ liệu được sử dụng là chuỗi thời gian hàng ngày trong khoảng thời gian 2 năm, từ 16/6/2016 đến 16/6/2018. Bộ dữ liệu bao gồm các chỉ số VN-Index, khối lượng mua ròng, và giá trị giao dịch ròng của nhà đầu tư nước ngoài hàng ngày đối với các cổ phiếu được niêm yết trên Sở Giao dịch Chứng khoán TP.Hồ Chí Minh. Mặc dù tác giả đã kết luận rằng mô hình dự báo dựa trên ảnh hưởng của khối lượng và giá trị giao dịch của nhà đầu tư nước ngoài cho thấy khả năng dự báo tương đối chính xác về biến động của chỉ số VN-Index. Tuy nhiên, vì chỉ số thị trường còn bị chi phối bởi nhiều yếu tố khác, như thị trường tiền tệ, bất động sản và tâm lý nhà đầu tư, nên dự báo có thể không hoàn toàn chính xác. Hơn nữa, do mô hình chỉ tập trung vào chuỗi thời gian trong quá khứ, điều này có thể dẫn đến sai lệch trong dự báo của mô hình VAR, vì giá chứng khoán tại thị trường Việt Nam cũng được cho là chưa phản ánh đầy đủ các thông tin có thể ảnh hưởng đến giá.
Theo nghiên cứu của Trương Thị Thùy Dương (2023), nghiên cứu dự báo hướng đi của VNIndex bằng cách sử dụng các chỉ báo kỹ thuật và phương pháp Extreme Gradient Boosting (XGBoost) đồng thời chỉ ra tầm quan trọng của các biến trong dự báo. Dữ liệu được sử dụng bao gồm dữ liệu của 5.406 ngày giao dịch, cụ thể từ ngày 10 tháng 9 năm 2000 đến ngày 28 tháng 12 năm 2022. Trong nghiên cứu này, mô hình thuật toán tăng cường XGBoost được sử dụng để tìm phân lớp tối ưu nhằm dự báo chiều biến động của chỉ số VNIndex. Kết quả cho thấy mô hình có độ chính xác trên 80%, với các chỉ số đo độ bao phủ và F1 đạt khoảng 80%. Điều này cho thấy XGBoost là một công cụ mạnh mẽ trong việc dự báo chuyển động của chỉ số chứng khoán và khối lượng giao dịch là yếu tố quan trọng nhất để dự báo xu hướng của chỉ số VNIndex.
Theo Đào Lê Kiều Oanh, Nguyễn Thị Minh Châu (2024), dựa vào nghiên cứu đánh giá hiệu quả của các mô hình học máy trong việc dự báo biến động của chỉ số VNIndex. Kết quả nghiên cứu cho thấy các phương pháp là TCN sử dụng các lớp tích chập (convolutional layers) và LSTM (Long-short term memory) có khả năng dự báo biến động của VNIndex với độ chính xác cao, trong đó LSTM thể hiện hiệu suất dự báo tốt hơn. Kết quả đánh giá mô hình dựa trên ba chỉ số MAE, RMSE và WAPE cho thấy hiệu quả của hai thuật toán này trong việc dự báo chỉ số VNIndex. Đặc biệt, các chỉ số của thuật toán LSTM thấp hơn so với TCN, thể hiện rằng LSTM có sai số ít hơn và do đó, đạt hiệu quả dự báo tốt hơn.
Tác giả Trần Đăng Tuyên (2024), đã ứng dụng và đánh giá hiệu suất của các mô hình LSTM, GRU và các phức hợp của hai mô hình học máy này vào nghiên cứu chỉ số VNIndex từ ngày 14/07/2008 đến ngày 14/07/2023 với tổng số quan sát là 3.747. Sau khi nghiên cứu, tác giả sử dụng các chỉ số như hệ số R2 (R-squared score) và hệ số giải thích phương sai (Explained Variance Regression Score) để đánh giá độ phù hợp của mô hình trong học máy, Gamma Deviance và Poisson Deviance để tính toán độ sai lệch trung bình giữa giá trị dự báo của mô hình và giá trị thực tế và các chỉ số đánh giá khác như sai số bình phương trung bình (MSE), sai số bình phương trung bình gốc (RMSE), sai số tuyệt đối trung bình (MAE), và sai số phần trăm tuyệt đối trung bình (MAPE) để đo lường hiệu quả của mô hình. Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
2.4.3 Tóm tắt khảo lược các nghiên cứu có liên quan
Thông qua khảo lược một vài các nghiên cứu có liên quan, tác giả thực hiện tổng hợp và tóm tắt các nghiên cứu vào bảng sau:
- Bảng 2.1: Bảng tóm tắt các nghiên cứu có liên quan
Dựa vào bảng tóm tắt các nghiên cữu đã được thực hiện có liên quan gần đề đến đề tài, tác giả nhận thấy rằng:
Thứ nhất, về phương pháp sử dụng. Các nghiên cứu được thực hiện ngoài nước đã ứng dụng đa dạng các mô hình học máy vào nghiên cứu dự báo chỉ số giá chứng khoán. Trong đó, các mô hình thường sử dụng các phương pháp như LSTM, Random Forest, Logistic Regression, GA-XGBoost,… và các mô hình hybrid (kết hợp nhiều mô hình). Điều này giúp nâng cao độ chính xác và hiệu quả của mô hình dự báo. Trong khi đó, các nghiên cứu tại Việt Nam chủ yếu áp dụng các phương pháp truyền thống hoặc đơn giản, và số lượng các nghiên cứu thực hiện áp dụng những phương pháp cập nhật mới, nhằm nghiên cứu về dự báo chỉ số giá chứng khoán còn hạn chế về mặt số lượng, như vậy dẫn đến sự thiếu đa dạng trong các phương pháp có thể làm hạn chế độ chính xác của các dự báo khi ứng dụng vào thực tiễn.
Thứ hai, về dữ liệu đầu vào. Tác giả cho rằng các dữ liệu đầu vào thường được sử dụng bao gồm dữ liệu lịch sử của chỉ số giá chứng khoán với các thay đổi của thành phần giá (như: Giá đóng cửa, giá mở cửa, giá cao nhất, giá thấp nhất, khối lượng giao dịch), và một số chỉ báo kỹ thuật cơ bản. Do vậy, vấn đề đặt ra là để có thể cải thiện khả năng dự báo của mô hình thì phải mở rộng thêm tập dữ liệu nghiên cứu có nhiều yếu tố đa dạng hơn, giúp phản ảnh hiệu quả các tác động đến thị trường chứng khoán.
2.4.4 Tính mới trong nghiên cứu Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Thông qua việc khảo lược các nghiên cứu đã được thực hiện bao quát cả trong và ngoài nước. Tác giả thấy rằng, trong lĩnh vực dự báo chỉ số giá chứng khoán, các nghiên cứu trước đây đã tập trung vào việc ứng dụng nhiều các mô hình dự báo và phương pháp phân tích dữ liệu để dự báo giá cổ phiếu, chỉ số giá chứng khoán và các yếu tố thị trường liên quan. Các nghiên cứu đã thực hiện bao gồm việc dự báo giá đóng cửa của các chỉ số giá chứng khoán, xác định xu hướng thị trường, và phân tích các yếu tố kỹ thuật ảnh hưởng đến giá cổ phiếu. Các kết quả nghiên cứu cho thấy rằng các mô hình học máy như có khả năng dự báo tốt hơn so với các mô hình truyền thống. Cụ thể, những nghiên cứu sử dụng các mô hình tiên tiến như LSTM, XGBoost đã đạt được độ chính xác cao hơn khi dự báo giá cổ phiếu và các chỉ số giá chứng khoán. Các chỉ số đánh giá như RMSE, MAPE, R², MSE, MAE…được sử dụng để đo lường hiệu quả của các mô hình dự báo. Mặc dù đã có nhiều thành tựu, nhưng các nghiên cứu trước đây vẫn tồn tại những hạn chế nhất định. Một số nghiên cứu chưa xem xét đầy đủ các yếu tố kinh tế vĩ mô, chỉ số tâm lý thị trường, hay các yếu tố tác động bên ngoài như chính sách tài chính. Ngoài ra, việc sử dụng dữ liệu ở phạm vi giới hạn hoặc không đa dạng về các yếu tố đầu vào làm cho việc nghiên cứu không phản ánh đúng bản chất của thị trường. Do đó, những nghiên cứu của tác giả nhằm kế thừa và tập trung vào việc mở rộng phạm vi dữ liệu, áp dụng các mô hình cả truyền thống và hiện đại cho dự báo, và xem xét thêm các yếu tố ảnh hưởng khác chưa được đưa vào nghiên cứu tại các nghiên cứu trước, nhưng đã được chứng minh có tác động đến chỉ số giá chứng khoán để nâng cao độ chính xác của dự báo và khả năng ứng dụng trong thực tiễn trong tương lai.
2.5 CÁC YẾU TỐ TÁC ĐỘNG ĐẾN DỰ BÁO CHỈ SỐ GIÁ CHỨNG KHOÁN Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
2.5.1 Giới thiệu về thị trường chứng khoán
Chứng khoán là một loại tài sản tài chính thể hiện quyền sở hữu hoặc quyền yêu cầu tài sản đối với một tổ chức hoặc chính phủ. Nói một cách đơn giản, chứng khoán là bằng chứng xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với tài sản hoặc vốn của tổ chức phát hành.
Theo Nguyễn Như Quỳnh và Võ Thị Hương Linh (2019), Chỉ số giá chứng khoán là một công cụ quan trọng phản ánh xu hướng vận động của thị trường cổ phiếu thông qua sự biến động giá và tình hình giao dịch. Về bản chất, chỉ số này thể hiện mức độ thay đổi bình quân của giá cổ phiếu tại một thời điểm nhất định so với một thời điểm gốc trong quá khứ (Bùi Kim Yến, 2013). Tại Việt Nam, chỉ số đại diện tiêu biểu là VN-Index, được sử dụng để đo lường mức biến động giá của toàn bộ cổ phiếu niêm yết trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE). Chỉ số VN-Index được tính toán theo phương pháp bình quân gia quyền, nhằm phản ánh sự thay đổi tổng thể của thị trường cổ phiếu so với một phiên giao dịch gốc hoặc phiên gần nhất, và được thể hiện dưới dạng điểm số. Phương pháp tính toán này dựa trên công thức sau:
Trong đó:
- pit: giá cổ phiếu iii tại thời điểm t
- pi0: giá cổ phiếu iii tại thời điểm gốc
- qit: khối lượng (hoặc quyền số) cổ phiếu iii tại thời điểm t
- i: cổ phiếu tham gia vào rổ tính chỉ số Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Rổ cổ phiếu sử dụng để tính toán chỉ số thường bao gồm những mã tiêu biểu, đại diện cho toàn thị trường. Danh mục này được rà soát và điều chỉnh định kỳ nhằm đảm bảo độ phản ánh chính xác. Các tiêu chí cơ bản để lựa chọn cổ phiếu vào rổ bao gồm: quy mô niêm yết, giá trị vốn hóa và tỷ lệ thanh khoản trên thị trường.
Trong nền kinh tế hiện đại thì thị trường chứng khoán được đề cập như là một nơi diễn ra các hoạt động mua bán, giao dịch các tài sản tài chính (hay còn gọi là chứng khoán), các tài sản tài chính này thể hiện về quyền sở hữu hoặc yêu cầu tài sản đối với các tổ chức hoặc chính phủ. Đây được đánh giá là một kênh dẫn vốn hiệu quả nhằm kết nối những chủ thể đang có vốn nhàn rỗi với các tổ chức, doanh nghiệp đang có nhu cầu về vốn để hướng tới mục đích đầu tư và phát triển. Hoạt động mua bán chứng khoán được diễn ra tại thị trường sơ cấp (là nơi mà các chứng khoán được lần đầu phát hành ra công chúng, giúp các doanh nghiệp và tổ chức phát hành có thể huy động được phần vốn từ các nhà đầu tư) và thị trường thứ cấp (là nơi các chứng khoán sẽ được tiếp tục mua đi bán lại nhằm đảm bảo tính thanh khoản cho các loại tài sản tài chính này).
Thị trường chứng khoán có những chức năng quan trọng và thiết yếu đối với nền kinh tế của một quốc gia. Thứ nhất, thị trường chứng khoán là công cụ huy động vốn đầu tư hiệu quả, tạo điều kiện cho các doanh nghiệp và tổ chức tiếp cận nguồn vốn dài hạn mà không cần vay ngân hàng. Thứ hai, thị trường cung cấp môi trường đầu tư đa dạng minh bạch cho các nhà đầu tư, cho phép họ có quyền được lựa chọn nhiều loại hình đầu tư khác nhau, từ cổ phiếu, trái phiếu đến các công cụ tài chính phái sinh. Thứ ba, thị trường chứng khoán tạo tính thanh khoản cao cho các chứng khoán, giúp nhà đầu tư dễ dàng chuyển đổi thành tiền mặt khi cần thiết. Thứ tư, đây cũng là công cụ phản ánh hiệu quả hoạt động của doanh nghiệp thông qua sự biến động giá chứng khoán trên thị trường. Cuối cùng, thị trường chứng khoán góp phần hỗ trợ Chính phủ trong việc thực hiện các chính sách tài khóa và tiền tệ vĩ mô, như kiểm soát lạm phát, ổn định thị trường tài chính và thu hút vốn đầu tư. Tùy theo vai trò và chức năng của các chủ thể trong quá trình hoạt động của thị trường chứng khoán mà được chia thành các nhóm khác nhau. Thứ nhất là Nhà phát hành. Trong đó thì: Chính Phủ thường phát hành trái phiếu nhằm huy động vốn cho đầu tư công hoặc chi tiêu ngân sách của quốc gia; Doanh nghiệp phát hành cổ phiếu, trái phiếu doanh nghiệp nhằm huy động vốn cho hoạt động mở rộng sản xuất, kinh doanh của doanh nghiệp. Thứ hai là nhà đầu tư, bao gồm nhà đầu tư cá nhân và nhà đầu tư tổ chức như các quỹ đầu tư, công ty bảo hiểm, ngân hàng. Họ là những người thực hiện mua bán chứng khoán nhằm mục tiêu lợi nhuận hoặc đầu tư dài hạn. Thứ ba là các tổ chức kinh doanh chứng khoán như công ty chứng khoán, quỹ đầu tư và các tổ chức trung gian tài chính đóng vai trò kết nối cung – cầu trên thị trường. Cuối cùng là các tổ chức có liên quan đến thị trường, bao gồm cơ quan quản lý nhà nước (ví dụ: Ủy ban Chứng khoán Nhà nước), Sở giao dịch chứng khoán, hiệp hội các nhà kinh doanh chứng khoán, tổ chức lưu ký và thanh toán bù trừ, công ty đánh giá tín nhiệm, công ty công nghệ chứng khoán và các tổ chức tài trợ chứng khoán. Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Xét về khía cạnh hoạt động của thị trường thì hoạt động của thị trường chứng khoán được tổ chức và vận hành dựa trên một số nguyên tắc cơ bản. Nguyên tắc đầu tiên là nguyên tắc công khai, yêu cầu mọi thông tin liên quan đến doanh nghiệp, chứng khoán phát hành, tình hình tài chính, kết quả kinh doanh,… phải được công bố đầy đủ, trung thực và kịp thời nhằm bảo vệ quyền lợi của nhà đầu tư. Thứ hai là nguyên tắc trung gian, tức mọi giao dịch trên thị trường đều phải thực hiện thông qua các tổ chức trung gian như công ty chứng khoán nhằm đảm bảo tính minh bạch và hiệu quả. Thứ ba là nguyên tắc đấu giá, tức giá cả chứng khoán được xác lập dựa trên sự cạnh tranh giữa cung và cầu trên thị trường, đảm bảo công bằng cho các bên tham gia.
Tóm lại, thị trường chứng khoán đóng vai trò là trụ cột của hệ thống tài chính quốc gia, không chỉ tạo điều kiện cho các tổ chức huy động vốn và nhà đầu tư tìm kiếm lợi nhuận, mà còn góp phần ổn định và phát triển nền kinh tế theo hướng bền vững. Sự vận hành hiệu quả của thị trường chứng khoán phản ánh mức độ phát triển của nền kinh tế thị trường và là chỉ báo quan trọng đối với các quyết định đầu tư, chính sách vĩ mô và các hoạt động kinh tế – tài chính nói chung.
2.5.2 Các yếu tố tác động đến dự báo chỉ số giá chứng khoán
Trong thời gian qua, nhiều nghiên cứu đã được thực hiện nhằm làm rõ tác động của các nhóm yếu tố đến chỉ số thị trường chứng khoán Việt Nam, bao gồm: yếu tố thị trường tài chính, kinh tế vĩ mô, biến động giá hàng hóa quốc tế và sự thay đổi trong thành phần chỉ số giá. Kế thừa và phát triển từ nền tảng lý thuyết cũng như kết quả của các nghiên cứu trước, đề tài này được thực hiện với mục tiêu dự báo chỉ số giá chứng khoán Việt Nam – đại diện là chỉ số thị trường VN-Index – thông qua việc phân tích các yếu tố có ảnh hưởng trực tiếp đến diễn biến giá cổ phiếu trên thị trường.
- Hình 2.3: Các yếu tố tác động đến chỉ số VNINDEX
2.5.2.1 Thị trường tài chính Chỉ số các TTCK lớn Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Các chỉ số chứng khoán lớn trên thế giới như Dow Jones, Nasdaq, Shanghai Composite, Nikkei 225 đều có mức độ ảnh hưởng nhất định đến chỉ số thị trường chứng khoán Việt Nam (đặc biệt là VN-Index), thông qua các kênh như tâm lý nhà đầu tư, dòng vốn quốc tế, và tác động lan tỏa từ thị trường toàn cầu. Theo nghiên cứu của Đoan Hồng Trang và Nguyễn Thu Hiền (2011), nghiên cứu của Nguyễn Minh Kiều và Lê Đình Nghi (2018), đã góp phần khẳng định có sự tác động của thị trường chứng khoán lớn đến thị trường chứng khoán mới nổi, cụ thể là có sự lan tỏa biến động từ thị trường Mỹ sang thị trường Việt Nam đặc biệt trong các giai đoạn thị trường toàn cầu biến động mạnh, nhưng không ghi nhận chiều ngược lại. Điều này phản ánh vai trò chi phối của nền kinh tế Mỹ là một nền kinh tế lớn nhất thế giới –đối với các thị trường tài chính toàn cầu, trong đó có Việt Nam. Ngoài ra, nghiên cứu cũng khẳng định rằng mức độ biến động tại thị trường chứng khoán Mỹ có thể được sử dụng làm cơ sở để dự báo biến động tại thị trường Việt Nam. Nghiên cứu của Imran Yousaf, Walid Mensi, Xuan Vinh Vo và Sanghoon Kang (2024) đã sử dụng phương pháp kết nối định lượng để phân tích mối liên hệ giữa thị trường chứng khoán Trung Quốc và các nước ASEAN, bao gồm Việt Nam. Kết quả cho thấy có mức độ kết nối cao hơn giữa thị trường chứng khoán Trung Quốc và ASEAN tại các phân vị cực đại và cực tiểu so với phân vị trung bình, cho thấy sự lan tỏa rủi ro tại các thời điểm cực đoan giữa Trung Quốc và các nước ASEAN, trong đó có Việt Nam. Cũng theo Tran, Dao, & Nguyen (2022), thị trường chứng khoán Việt Nam có mối tương quan chặt chẽ hơn với các thị trường chứng khoán của các quốc gia láng giềng so với các chỉ số chứng khoán của Hoa Kỳ, Nhật Bản và Trung Quốc. Những mối tương quan này trở nên mạnh mẽ hơn khi thị trường chứng khoán tăng mạnh hoặc sụt giảm mạnh. Nói cách khác, nghiên cứu này cung cấp bằng chứng định lượng thực nghiệm đầu tiên về sự phụ thuộc lẫn nhau giữa VN-Index và các thị trường chứng khoán quốc tế, đóng góp vào việc cung cấp bằng chứng về hiệu ứng lan tỏa giữa các thị trường chứng khoán nói chung và các thị trường mới nổi nói riêng.
- Lợi suất trái phiếu
Lợi suất trái phiếu chính phủ (Government Bond Yield) là một trong những yếu tố kinh tế vĩ mô quan trọng, có ảnh hưởng trực tiếp đến chi phí vốn và kỳ vọng lợi suất đầu tư trên thị trường chứng khoán. Cụ thể, khi lợi suất trái phiếu tăng, chi phí sử dụng vốn của doanh nghiệp cũng tăng theo, dẫn đến giá trị hiện tại của dòng tiền kỳ vọng giảm xuống, từ đó làm giảm giá cổ phiếu. Đồng thời, nhà đầu tư cũng có xu hướng rút vốn khỏi thị trường cổ phiếu để chuyển sang trái phiếu – kênh đầu tư an toàn hơn với lợi suất hấp dẫn hơn. Nghiên cứu kinh điển của Chen, Roll và Ross (1986) trong mô hình APT (Arbitrage Pricing Theory) đã chỉ ra rằng lợi suất trái phiếu chính phủ là một trong những yếu tố vĩ mô ảnh hưởng đáng kể đến lợi suất cổ phiếu, thông qua việc thay đổi kỳ vọng lợi nhuận và rủi ro của nhà đầu tư trên thị trường.
- Chỉ số VIX Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Chỉ số VIX, còn được gọi là “chỉ số sợ hãi”, đo lường mức độ biến động kỳ vọng của thị trường chứng khoán Mỹ trong ngắn hạn, dựa trên dữ liệu quyền chọn của chỉ số S&P 500. VIX thường được xem là thước đo tâm lý rủi ro của nhà đầu tư toàn cầu. Khi chỉ số VIX tăng, điều này phản ánh sự gia tăng kỳ vọng về biến động thị trường trong tương lai, kéo theo tâm lý lo ngại và hành vi bán tháo trên các thị trường chứng khoán, bao gồm cả thị trường mới nổi như Việt Nam. Nói cách khác, VIX tăng thường phản ánh kỳ vọng của nhà đầu tư về sự gia tăng biến động thị trường trong tương lai, điều này thường đi kèm với sự suy giảm giá cổ phiếu, đặc biệt trong các giai đoạn thị trường bất ổn. Nghiên cứu quốc tế đã khẳng định mối quan hệ này. Ví dụ như Sarwar (2012) cho thấy rằng sự gia tăng của chỉ số VIX có tác động tiêu cực đến lợi suất của nhiều thị trường chứng khoán trên thế giới, trong đó các thị trường mới nổi chịu ảnh hưởng mạnh hơn do mức độ mở cửa và hội nhập tài chính ngày càng cao. Trong nghiên cứu của Altinkeski và các cộng sự (2024) thì chỉ số VIX có vai trò là nguồn phát tín hiệu rủi ro đáng kể tới thị trường chứng khoán, đặc biệt tại các giai đoạn có mức biến động mạnh. Ngoài ra, mối liên kết này mạnh hơn ở các thị trường phát triển so với thị trường mới nổi.
- Quỹ ETF
Các quỹ ETF (Exchange Traded Funds) là các công cụ đầu tư mô phỏng theo một chỉ số chứng khoán hoặc một nhóm tài sản. Quỹ ETF lớn thường đầu tư vào nhiều cổ phiếu hoặc tài sản khác nhau trong một danh mục, giúp nhà đầu tư dễ dàng tiếp cận và giao dịch mà không cần phải mua từng cổ phiếu riêng lẻ. Theo nghiên cứu tổng quan của Luca Liebi (2020), sự phát triển nhanh chóng của các quỹ ETF đã dẫn đến sự gia tăng đáng kể trong khối lượng giao dịch và ảnh hưởng đến các yếu tố như thanh khoản, phát hiện giá, biến động và sự đồng biến của các chứng khoán cơ sở. Mặc dù các quỹ ETF cung cấp nhiều lợi ích như chi phí giao dịch thấp và tính thanh khoản cao, nhưng cũng có những tác động tiêu cực tiềm ẩn. Cụ thể, trong các giai đoạn thị trường có biến động mạnh, hoạt động của các quỹ ETF có thể làm gia tăng sự biến động giá của các chứng khoán cơ sở, gây ra sự bất ổn cho thị trường. Tương tự với Luca Liebi (2020) thì theo nghiên cứu của Chen & Xu (2023) cũng cho rằng hoạt động của các quỹ ETF, thông qua việc sở hữu cổ phiếu, có thể làm tăng sự biến động của giá cổ phiếu, đặc biệt là trong các giai đoạn thị trường có tính biến động cao. Điều này cho thấy quỹ ETF có thể vừa đóng vai trò là công cụ ổn định, vừa là nguồn gây ra sự biến động lớn trong thời gian ngắn.
2.5.2.2 Thị trường hàng hóa thế giới Giá vàng thế giới
Vàng từ lâu đã được coi là phương tiện cất trữ giá trị hiệu quả, đặc biệt trong bối cảnh bất ổn kinh tế hoặc lạm phát gia tăng (Al-Ameer,Areej, & Hamdan, 2018). Không giống như các tài sản tài chính khác, vàng có tính thanh khoản cao và thường được lựa chọn như một nơi trú ẩn an toàn khi thị trường tài chính biến động mạnh. Khi giá vàng tăng, suất sinh lợi kỳ vọng từ việc nắm giữ vàng có thể vượt trội hơn so với đầu tư vào cổ phiếu, từ đó nhà đầu tư có xu hướng chuyển vốn từ thị trường chứng khoán sang thị trường vàng. Hệ quả là cầu đối với cổ phiếu giảm, kéo theo sự suy giảm giá cổ phiếu và chỉ số thị trường. Nhiều nghiên cứu thực nghiệm quốc tế đã chỉ ra mối quan hệ nghịch chiều giữa giá vàng và lợi suất cổ phiếu. Chẳng hạn, Baur và Lucey (2010) chỉ ra rằng vàng có vai trò như “nơi trú ẩn an toàn” (safe haven) trong thời kỳ khủng hoảng tài chính và có thể thay thế cổ phiếu trong danh mục đầu tư khi thị trường suy giảm. Theo Trương Đông Lộc (2014), sự biến động của giá vàng có tương quan nghịch với tỷ suất sinh lời của các cổ phiếu; cụ thể, khi giá vàng tăng hoặc giảm 1% thì tỷ suất sinh lời của cổ phiếu sẽ giảm hoặc tăng tương ứng 0,72%. Mối quan hệ này phản ánh xu hướng dịch chuyển dòng vốn của nhà đầu tư giữa hai loại tài sản tùy thuộc vào mức độ rủi ro của thị trường. Tương tự, Akbar và các cộng sự (2019) đã sử dụng mô hình VAR để phân tích và cũng tìm thấy mối quan hệ tác động qua lại giữa giá vàng và giá chứng khoán, trong đó hai biến này có ảnh hưởng lẫn nhau theo chiều ngược.
- Giá dầu thế giới Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Dầu mỏ là một trong những nguồn năng lượng quan trọng và là nguyên liệu thiết yếu cho quá trình vận hành của nhiều ngành công nghiệp. Ngoài vai trò là nhiên liệu, dầu còn là một mặt hàng có giá trị thương mại toàn cầu, do đó sự biến động giá dầu có thể ảnh hưởng mạnh mẽ đến chỉ số giá chứng khoán (Sharma và các cộng sự, 2018). Nghiên cứu của Hamilton (2008) cho thấy giá dầu tăng có thể ảnh hưởng tiêu cực đến các công ty sản xuất, vì nó làm tăng chi phí đầu vào, giảm lợi nhuận và ảnh hưởng đến giá cổ phiếu. Mặt khác, giá dầu cao có thể phản ánh sự tăng trưởng kinh tế mạnh mẽ, từ đó có thể tác động tích cực đến thị trường chứng khoán. Tương tự, nghiên cứu của Smyth và Narayan (2018) chỉ ra rằng giá dầu tăng có thể dẫn đến sự gia tăng lạm phát kỳ vọng và lãi suất, làm giảm lợi nhuận từ cổ tức trong tương lai và do đó ảnh hưởng tiêu cực đến thị trường chứng khoán như chi phí sản xuất, lạm phát, thu nhập quốc dân, cũng như quyết định đầu tư. Bên cạnh đó, theo nghiên cứu của Chen và các cộng sự (1986), giá dầu cũng tác động đến chi phí vốn và kỳ vọng lợi suất, ảnh hưởng trực tiếp đến giá trị cổ phiếu và quyết định đầu tư của nhà đầu tư. Trong khi đó, khi giá dầu giảm, sự kỳ vọng về tăng trưởng kinh tế có thể bị suy yếu, làm giảm sự tự tin của nhà đầu tư và kéo theo sự sụt giảm của thị trường chứng khoán. Tóm lại, mối quan hệ giữa giá dầu và thị trường chứng khoán là phức tạp, có thể tích cực hoặc tiêu cực tùy vào bối cảnh kinh tế và mức độ ảnh hưởng của biến động giá dầu đến các ngành công nghiệp khác nhau.
2.5.2.3 Các yếu tố vĩ mô Tỷ giá hối đoái
Tác động của tỷ giá hối đoái đối với hiệu suất thị trường chứng khoán đã được nghiên cứu rộng rãi bởi nhiều học giả trong suốt các năm qua. Nhiều kết quả và lập luận khác nhau đã được đưa ra khi nghiên cứu mối quan hệ này, khiến nó trở thành một chủ đề rất được quan tâm. Trong nhiều nghiên cứu đã kết luận rằng một quốc gia có đồng tiền mạnh, sẽ phản ánh một nền kinh tế ổn định, thường được nhà đầu tư nhìn nhận tích cực và có thể thu hút thêm dòng vốn đầu tư vào thị trường vốn, từ đó tác động đến giá cổ phiếu nói riêng và thị trường chứng khoán nói chung. Bên cạnh ảnh hưởng trực tiếp, tỷ giá hối đoái còn tác động gián tiếp thông qua các chính sách tiền tệ. Khi tỷ giá biến động, ngân hàng trung ương có thể điều chỉnh lãi suất để ổn định nền kinh tế. Việc thay đổi lãi suất này sẽ ảnh hưởng đến quyết định đầu tư và chi tiêu của doanh nghiệp và người dân, từ đó cũng ảnh hưởng mạnh mẽ đến thị trường chứng khoán. Ngoài ra, biến động tỷ giá cũng làm gia tăng mức độ bất ổn trên thị trường, khiến nhà đầu tư lo ngại, điều này có thể dẫn đến sự sụt giảm mạnh mẽ giá cổ phiếu, đặc biệt là đối với những doanh nghiệp có nhiều hoạt động kinh doanh ở nước ngoài (Rjoub, 2012) (Lakshmanasamy, 2021) (Sari, 2024).
- Lãi suất Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Tác động của lãi suất lên thị trường chứng khoán luôn là một vấn đề được quan tâm đặc biệt, đặc biệt là đối với các thị trường chứng khoán mới nổi, trong đó có Việt Nam. Lãi suất là yếu tố quan trọng trong việc định hình chính sách tiền tệ và tác động trực tiếp đến các quyết định đầu tư, chi tiêu và tiết kiệm không chỉ của các cá nhân và cả của tổ chức. Đã có nhiều nghiên cứu chỉ ra rằng trong bối cảnh thị trường chứng khoán bị tác động mạnh mẽ dưới sự thay đổi của lãi suất. Việt Nam, với thị trường chứng khoán đang phát triển mạnh mẽ, cũng chịu ảnh hưởng không nhỏ từ biến động lãi suất. Khi Ngân hàng Nhà nước thay đổi lãi suất, điều này không chỉ tác động đến các doanh nghiệp trong nước mà còn ảnh hưởng đến tâm lý của các nhà đầu tư trong và ngoài nước. Theo nghiên cứu của Susanto (2020) cho thấy, lãi suất có mối quan hệ tiêu cực với thị trường chứng khoán Indonesia (IDX), điều này có thể tương tự xảy ra đối với Việt Nam. Khi lãi suất tăng, các doanh nghiệp sẽ đối mặt với chi phí vay mượn cao hơn, điều này làm giảm khả năng sinh lợi và ảnh hưởng tiêu cực đến giá cổ phiếu. Đặc biệt, những doanh nghiệp sử dụng nhiều đòn bẩy tài chính sẽ chịu tác động mạnh mẽ hơn khi chi phí vay tăng. Các nhà đầu tư trong nước có thể trở nên thận trọng hơn và giảm bớt đầu tư vào thị trường chứng khoán, khiến thanh khoản suy giảm và giá cổ phiếu giảm. Tuy nhiên, khi lãi suất giảm, điều này sẽ kích thích nền kinh tế tăng trưởng, doanh nghiệp sẽ dễ dàng huy động vốn hơn, từ đó có thể mở rộng sản xuất, tăng trưởng lợi nhuận và thúc đẩy giá cổ phiếu. Đặc biệt, trong bối cảnh lạm phát ổn định, lãi suất thấp có thể là một yếu tố thúc đẩy sự tăng trưởng của thị trường chứng khoán Việt Nam. Một yếu tố quan trọng khác là tác động của các yếu tố bên ngoài, như chính sách tiền tệ của các quốc gia lớn (chẳng hạn như Hoa Kỳ) và tình hình kinh tế toàn cầu. Việt Nam là nền kinh tế mở, chịu sự tác động của các dòng vốn quốc tế. Do đó, sự thay đổi lãi suất tại các nền kinh tế phát triển có thể ảnh hưởng đến quyết định đầu tư vào thị trường chứng khoán Việt Nam. Ví dụ, khi lãi suất ở các quốc gia phát triển tăng, dòng vốn đầu tư có thể rút ra khỏi các thị trường chứng khoán mới nổi như Việt Nam để tìm kiếm lợi suất cao hơn, gây áp lực giảm giá cổ phiếu (Sajor, Ulla & Pizarro-Uy, 2023; Long & Hanh, 2019).
- Chỉ số giá tiêu dùng (CPI)
Chỉ số giá tiêu dùng (CPI) là một trong những chỉ báo quan trọng phản ánh mức độ biến động của giá cả hàng hóa và dịch vụ trong nền kinh tế, qua đó giúp đánh giá tình trạng lạm phát. Theo nghiên cứu của Chen và các cộng sự (1986), lạm phát là một yếu tố vĩ mô có ảnh hưởng đến tỷ suất sinh lợi của cổ phiếu, vì nó phản ánh rủi ro hệ thống ảnh hưởng đến toàn bộ nền kinh tế và thị trường tài chính. Trong nghiên cứu của Barakat và các cộng sự (2016), các tác giả cho rằng khi CPI tăng mạnh, nhà đầu tư có thể lo ngại về khả năng tăng trưởng của nền kinh tế, đặc biệt là trong các lĩnh vực tiêu dùng và sản xuất. Sự lo ngại này có thể dẫn đến việc bán tháo cổ phiếu, kéo theo sự giảm giá của thị trường chứng khoán. Bên cạnh đó khi giá hàng hóa và dịch vụ tăng do lạm phát (CPI cao), chi phí sản xuất của các công ty cũng có thể tăng lên. Điều này có thể làm giảm lợi nhuận của công ty, ảnh hưởng đến khả năng chi trả cổ tức và làm giảm sự hấp dẫn của cổ phiếu đối với nhà đầu tư trên thị trường chứng khoán. Trong nghiên cứu của Omran và Pointon (2004) cũng cho kết luận rằng lạm phát cao làm giảm sức mua và làm giảm dòng tiền đầu tư vào thị trường chứng khoán, từ đó dẫn đến sự suy giảm của thị trường.
- Chỉ số Sản xuất Công nghiệp (IPP) Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Chỉ số Sản xuất Công nghiệp (IPP) là một trong những chỉ báo kinh tế quan trọng, phản ánh tình hình sản xuất và sức khỏe tổng thể của nền kinh tế thực, đồng thời, nó cũng có mối liên hệ mật thiết với sự biến động của thị trường chứng khoán. Khi chỉ số IPP ghi nhận mức tăng trưởng mạnh mẽ, điều này thường chỉ ra rằng các nhà máy đang hoạt động hết công suất, nhu cầu tiêu dùng và đầu tư trong nền kinh tế ở mức cao, từ đó kỳ vọng về lợi nhuận doanh nghiệp được củng cố. Tâm lý lạc quan này có thể thúc đẩy nhà đầu tư gia tăng hoạt động mua vào cổ phiếu, dẫn đến sự tăng trưởng mạnh mẽ của giá cổ phiếu và các chỉ số chứng khoán. Ngược lại, sự suy giảm của chỉ số IPP có thể là dấu hiệu của sự chậm lại trong hoạt động sản xuất, có thể do giảm cầu tiêu dùng hoặc các vấn đề phát sinh trong chuỗi cung ứng. Khi đó, lo ngại về sự sụt giảm lợi nhuận của các công ty niêm yết sẽ gia tăng, dẫn đến xu hướng bán tháo cổ phiếu và làm giảm giá trị của các chỉ số chứng khoán. Do đó, chỉ số IPP thường được các nhà đầu tư và các nhà phân tích thị trường theo dõi sát sao, xem như một công cụ dự báo tiềm năng cho xu hướng phát triển của thị trường chứng khoán trong thời gian tới. Trong nghiên cứu của Khaled và Le (2009) tại thị trường Việt Nam cũng đã kết luận rằng sản xuất công nghiệp có tác động tích cực đến giá cổ phiếu Việt Nam. Nguyên nhân là khi hoạt động sản xuất phát triển, các doanh nghiệp có thể tạo ra nhiều lợi nhuận hơn, dẫn đến kỳ vọng về cổ tức cao hơn trong tương lai. Khi nhà đầu tư tin rằng sẽ nhận được cổ tức cao, họ sẵn sàng mua cổ phiếu với giá cao hơn, từ đó làm giá cổ phiếu tăng lên.
- Nguồn cung tiền (M2)
Nguồn cung tiền, đặc biệt là cung tiền M2, là một yếu tố quan trọng ảnh hưởng đến tính thanh khoản của nền kinh tế. Khi cung tiền gia tăng, lượng tiền lưu thông trong nền kinh tế cũng tăng lên, góp phần cải thiện thanh khoản và khả năng tiếp cận vốn của các chủ thể kinh tế bao gồm cả đầu tư vào thị trường chứng khoán. Theo Hirota (2023), qua việc xây dựng một mô hình đơn giản nhằm chỉ ra vai trò của lượng cung tiền trong việc hình thành giá cổ phiếu, tác giả cho rằng khi các nhà đầu tư có những quan điểm khác nhau về giá trị thực của cổ phiếu và phải đối mặt với các rào cản thị trường, thì lượng tiền trong nền kinh tế sẽ ảnh hưởng đến nhu cầu mua cổ phiếu, từ đó làm giá cổ phiếu tăng lên. Khác với mô hình chiết khấu dòng tiền (discounted-cash-flow model), mô hình của Hirota cho thấy giá cổ phiếu thường xuyên lệch khỏi giá trị cơ bản; tình trạng định giá quá cao hoặc quá thấp xảy ra là do sự thay đổi của cung tiền, và chính sách tiền tệ có thể là nguyên nhân dẫn đến sự chênh lệch giữa thị trường chứng khoán và nền kinh tế thực. Khi các ngân hàng trung ương trên thế giới bơm một lượng lớn tiền vào thị trường tài chính nhằm giảm lãi suất, với mục tiêu ngăn chặn tình trạng trì trệ kinh tế. Việc giảm lãi suất này đã làm giảm tỷ lệ chiết khấu đối với cổ phiếu, từ đó kỳ vọng sẽ thúc đẩy nền kinh tế và kéo theo giá trị cổ phiếu tăng lên (BIS, 2021).
- Khối lượng giao dịch (VOLUME) Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
Khối lượng giao dịch là một chỉ báo quan trọng phản ánh mức độ quan tâm và hành vi của nhà đầu tư trên thị trường chứng khoán. Khối lượng giao dịch cao không chỉ phản ánh thanh khoản mà còn có thể hàm ý hành vi đầu cơ theo đám đông (herding), đặc biệt trong các giai đoạn biến động thị trường lớn (Karpoff, 1987; Bikhchandani & Sharma, 2001). Khi khối lượng giao dịch tăng cao kèm theo xu hướng tăng giá, điều này thường được xem là tín hiệu xác nhận xu hướng tăng vững chắc, ngược lại nếu giá tăng nhưng khối lượng thấp thì có thể là tín hiệu của một xu hướng yếu hoặc mang tính đầu cơ. Bên cạnh đó, khối lượng giao dịch cao còn cho thấy thị trường có tính thanh khoản tốt, giúp nhà đầu tư dễ dàng mua bán cổ phiếu, trong khi thị trường có khối lượng thấp thường tiềm ẩn rủi ro do khó khớp lệnh và biến động giá lớn. Ngoài ra, sự gia tăng đột biến khối lượng giao dịch có thể dự báo khả năng đảo chiều xu hướng giá trong tương lai, đặc biệt khi xuất hiện trong giai đoạn tích lũy hoặc phân phối. Khối lượng giao dịch cũng phản ánh tâm lý thị trường – khi khối lượng tăng mạnh trong bối cảnh biến động lớn, điều đó cho thấy sự thiếu ổn định trong kỳ vọng nhà đầu tư (Portnoy, 2011). Theo các nghiên cứu thực nghiệm như Karpoff (1987) hay Lee & Swaminathan (2000), có mối quan hệ tích cực giữa khối lượng giao dịch và lợi suất cổ phiếu trong ngắn hạn, tuy nhiên cũng cảnh báo rằng khi khối lượng quá cao có thể làm gia tăng rủi ro và biến động giá. Điều này cho thấy việc theo dõi khối lượng giao dịch là rất cần thiết trong phân tích và ra quyết định đầu tư.
- KẾT LUẬN CHƯƠNG 2
Chương này đã trình bày tổng quan về lý thuyết thị trường chứng khoán và các phương pháp dự báo chỉ số giá chứng khoán, đặc biệt là trong bối cảnh ứng dụng học máy. Cụ thể, chương 2 đã đi sâu vào các khái niệm cơ bản về dự báo và vai trò của nó trong thị trường chứng khoán, các mô hình dự báo phổ biến, và các thông số đánh giá hiệu quả của mô hình dự báo. Bên cạnh đó, chương cũng đã giới thiệu về học máy, một công cụ quan trọng trong việc cải thiện độ chính xác của dự báo chỉ số giá chứng khoán, cũng như tổng hợp các nghiên cứu trong và ngoài nước có liên quan đến vấn đề này. Những nội dung này sẽ là cơ sở quan trọng cho các nghiên cứu và ứng dụng tiếp theo trong lĩnh vực dự báo chỉ số giá chứng khoán. Luận văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại VN.
XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:
===>>> Luận văn: PPNC Hiệu quả trong dự báo chỉ số giá chứng khoán
Pingback: Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán