Ứng dụng học máy để xây dựng mô hình tối ưu hóa danh mục đầu tư trên thị trường chứng khoán Việt Nam

Abstract

Thị trường chứng khoán Việt Nam hiện đối mặt với nhiều biến động do ảnh hưởng từ kinh tế vĩ mô toàn cầu, dòng vốn ngoại và tâm lý nhà đầu tư cá nhân, đặt ra thách thức trong việc tối ưu hóa danh mục đầu tư. Trong khi các phương pháp truyền thống bộc lộ hạn chế, việc ứng dụng học máy trong bối cảnh thị trường Việt Nam vẫn còn là một khoảng trống nghiên cứu cần được lấp đầy. Nghiên cứu này nhằm xây dựng mô hình dự đoán lợi suất cổ phiếu và tối ưu hóa danh mục đầu tư bằng học máy, tập trung vào dữ liệu thực tế của 10 cổ phiếu thuộc chỉ số VN30. Phương pháp nghiên cứu sử dụng bốn mô hình học máy gồm Long Short-Term Memory (LSTM), SARIMAX, XGBoost và Prophet để dự đoán giá cổ phiếu, kết hợp với các chỉ số kỹ thuật như RSI và MA. Dữ liệu được thu thập từ Vietstock (01/2015- 03/2025), sau đó tối ưu hóa danh mục thông qua phương pháp Mean-Variance Optimization sử dụng PyPortfolioOpt và đánh giá hiệu quả bằng backtesting với các chỉ số MAE, RMSE và R². Kết quả cho thấy mô hình SARIMAX có hiệu suất cao nhất MAE ≈ 0,0462, RMSE ≈ 0,0928 và R² cao nhất (0,99). Các mô hình khác cũng đạt kết quả tốt với R² trên 0,77. Nghiên cứu cho thấy tiềm năng ứng dụng học máy trong đầu tư chứng khoán Việt Nam, đồng thời cung cấp công cụ hỗ trợ ra quyết định cho nhà đầu tư cá nhân, tổ chức tài chính và có thể định hướng cho các nghiên cứu tiếp theo trong lĩnh vực tài chính công nghệ tại các thị trường mới nổi.