XÂY DỰNG MÔ HÌNH DỰ BÁO THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM DƯỚI TÁC ĐỘNG CỦA CÁC YẾU TỐ VĨ MÔ

Tóm tắt

Nghiên cứu này nhằm mục đích ứng dụng các mô hình học máy để đánh giá và so sánh khả năng dự báo xu hướng chỉ số VNIndex, HNX Index, Upcom Index và lợi nhuận của các ngành dưới tác động của các nhân tố vĩ mô. Nghiên cứu tập trung đánh giá và so sánh hiệu suất dự báo của các mô hình học máy bao gồm: Linear Regression, K-nearest Neighbors, Random Forest, Lasso Regression và Ridge Regression với bộ dữ liệu được sử dụng bao gồm dữ liệu lịch sử của các nhân tố vĩ mô: cung tiền M2, lãi suất huy động, lãi suất cho vay liên ngân hàng, chỉ số giá tiêu dùng (CPI), tỷ giá USD/VND; các chỉ số chứng khoán (Dow Jones, Nikkei 225, S&P 500, VN-Index, VN30-Index, Upcom-Index); các chỉ số khác (giá dầu, giá vàng) và dữ liệu tỷ suất sinh lợi của 5 nhóm ngành (Ngân hàng, Chứng khoán, Bất động sản, Thép, Bán lẻ). Nghiên cứu sử dụng các thông số như R2, MSE, RMSE, MAE để đánh giá hiệu suất dự báo của các mô hình. Kết quả nghiên cứu cho thấy các mô hình Linear Regression, Random Forest, Lasso Regression có hiệu suất dự báo tốt hơn các mô hình còn lại khi biến mục tiêu là tỷ suất sinh lời của các chỉ số giá chứng khoán. Trong khi đó, mô hình Ridge Regression lại chiếm ưu thế trong việc dự báo tỷ suất sinh lời của các nhóm ngành.