Nghiên cứu sinh Bùi Quốc Hoàn bảo vệ luận án tiến sĩ
NHỮNG ĐÓNG GÓP MỚI CỦA LUẬN ÁN
Đề tài luận án: Tiếp cận Machine Learning trong quản trị danh mục trên thị trường chứng khoán Việt Nam
Chuyên ngành: Toán kinh tế Mã số: 9310101
Nghiên cứu sinh: Bùi Quốc Hoàn Mã NCS: NCS38.004TKT
Người hướng dẫn: TS. Nguyễn Mạnh Thế, TS. Vương Mai Phương
Cơ sở đào tạo: Trường Đại học Kinh tế Quốc dân
Những đóng góp mới về mặt học thuật, lý luận
Luận án phân tích về hiệu quả của các phương pháp Học máy kết hợp Tối ưu (Machine Learning - Mean Variance: ML-MV) trong bài toán tối ưu hóa danh mục cho thị trường Việt Nam – thuộc nhóm thị trường cận biên – là nhóm thị trường hầu như chưa được nghiên cứu trên thế giới (sử dụng các phương pháp này). Điều này giúp cho việc đánh giá về hiệu quả của phương pháp ML-MV trên các thị trường chứng khoán với mức độ phát triển khác nhau được toàn diện hơn.
Luận án đã tận dụng 2 tình huống thị trường có biến động (khủng hoảng tài chính quốc tế, và đại dịch Covid) để đối sánh hiệu quả của các phương pháp trên các tình huống khác nhau của thị trường. Các nghiên cứu hiện có thường chỉ tập trung so sánh hiệu quả của các phương pháp trong cùng thời kỳ, do đó luận án giúp cung cấp bằng chứng mới để từ đó có thể đưa ra một cái nhìn đầy đủ hơn về hiệu quả thực nghiệm của các phương pháp với các trạng thái khác nhau của cùng một thị trường.
Những phát hiện, đề xuất mới rút ra được từ kết quả nghiên cứu, khảo sát của luận án
Kết quả thực nghiệm cho thấy, sử dụng các phương pháp Học máy có thể giúp cải thiện hiệu quả của danh mục so với phương pháp Trung bình - Phương sai (Mean - Variance: MV) tiêu chuẩn. Trong cả ba giai đoạn nghiên cứu, danh mục có lợi suất tích lũy cao nhất trong các danh mục Học máy có hiệu quả hơn về mặt lợi suất so với danh mục MV tiêu chuẩn, và sự vượt trội này là có ý nghĩa thống kê. Điều này cũng tương tự như các nghiên cứu trước đây trên thế giới. Tuy nhiên, hiệu quả của danh mục Học máy mang lại (so với danh mục MV tiêu chuẩn) ở thị trường Việt Nam lớn hơn khá đáng kể so với trên thị trường phát triển.
Trong cả ba giai đoạn nghiên cứu, giá trị rủi ro của các danh mục Học máy cũng cao hơn so với danh mục MV. Điều này có nghĩa rằng, về mặt dài hạn danh mục Học máy ưu việt hơn so với danh mục MV tiêu chuẩn do sự vượt trội về lợi suất đã được khẳng định bởi kết quả kiểm định. Tuy nhiên, trong ngắn hạn thì sự ưu việt này chưa hẳn đã có tính thuyết phục, bởi vì tuy lợi suất cao hơn nhưng độ biến động cũng cao hơn và giá trị rủi ro (VaR) hay tổn thất kỳ vọng (CVaR) cũng lớn hơn.
Trong hai giai đoạn thị trường có biến động, hiệu quả của các danh mục Học máy có thể rất khác biệt với nhau và với danh mục MV tiêu chuẩn. Cụ thể, danh mục đề xuất từ phương pháp Bộ nhớ ngắn - dài hạn (LSTM-MV) là có ưu việt một cách ổn định, trong khi hai danh mục còn lại, đề xuất từ phương pháp phân cụm chuỗi thời gian (MTS-MV) và từ phương pháp Lasso (Lasso), hoặc sự khác biệt là không đáng kể hoặc thua kém so với danh mục MV tiêu chuẩn.
Sự vượt trội về lợi suất của danh mục LSTM-MV và danh mục MTS-MV so với danh mục MV đều chỉ được thể hiện trong giai đoạn thị trường bình thường. Trong đó, độ rủi ro của danh mục LSTM-MV lại cao hơn một cách đáng kể so với danh mục MTS-MV. Do vậy nhà đầu tư cần có những cân nhắc thận trọng trong việc lựa chọn danh mục.
---------------------------------------------------------------
THE NEW CONTRIBUTIONS OF THE THESIS
Theme of the dissertation: Approaching Machine Learning in Portfolio Management in Vietnam Stock Market.
Major: Mathematical Economics Code of major: 9310101
PhD candidate: Bui Quoc Hoan Code of PhD candidate: NCS38.004TKT
Instructor: Dr. Nguyen Manh The, Dr. Vuong Mai Phuong
Training Institution: National Economics University
The new contributions of the thesis
The thesis analyzes the effectiveness of combining Machine Learning and Mean-Variance methods (ML-MV) in portfolio optimization for the Vietnamese market, a frontier market that has largely remained unexplored globally using these techniques. This analysis provides a more comprehensive assessment of the ML-MV method's effectiveness across stock markets with varying levels of development.
By examining two distinct market volatility scenarios - the international financial crisis and the COVID-19 pandemic - the thesis compares the effectiveness of these methods under different market conditions. Existing research often focuses on comparing the effectiveness of methods within a single period. Therefore, this thesis offers new evidence that provides a more comprehensive view of the empirical effectiveness of these methods across various states of the same market.
New conclusions and recommendations from research results
The empirical results indicate that using Machine Learning methods can enhance the performance of a portfolio compared to the standard Mean-Variance (MV) method. Across all three research periods, the portfolio with the highest cumulative return among the Machine Learning portfolios outperformed the standard MV portfolio in terms of return, and this advantage was statistically significant. This finding aligns with previous studies worldwide. Notably, the outperformance of the Machine Learning portfolio compared to the standard MV portfolio is significantly greater in the Vietnamese market than in developed markets.
Nevertheless, in all three research periods, the risk values of the Machine Learning portfolios were also higher than those of the MV portfolio. This suggests that, in the long term, the Machine Learning portfolio is advantageous over the standard MV portfolio due to the confirmed superiority in return. However, in the short term, this advantage may not be as convincing, as higher returns are accompanied by increased volatility and higher values of risk metrics such as Value at Risk (VaR) or Conditional Value at Risk (CVaR).
During the two periods of market volatility, the performance of the Machine Learning portfolios varied significantly from each other and from the standard MV portfolio. Specifically, the portfolio proposed by the Long Short-Term Memory (LSTM-MV) method consistently outperformed others, while the portfolios proposed by the Time Series Clustering (MTS-MV) method and the Lasso method (Lasso) showed either insignificant differences or were inferior to the standard MV portfolio.
The superiority of the LSTM-MV and MTS-MV portfolios over the MV portfolio was only evident during the normal market period, with the risk associated with the LSTM-MV portfolio being significantly higher than that of the MTS-MV portfolio. Therefore, investors should carefully consider their choices when selecting a portfolio.
