Nghiên cứu: Developing A Hybrid Model Based On Machine Learning For Predicting Stock Prices: Evidence From The Vietnamese Stock Market

Bài viết “Big Data in Finance” của Itay Goldstein, Chester S. Spatt và Mao Ye, được công bố dưới dạng NBER Working Paper số 28615 vào tháng 3 năm 2021, khám phá sự trỗi dậy của dữ liệu lớn (Big Data) và tác động của nó đối với ngành tài chính. Bài viết này không chỉ định nghĩa khái niệm “Big Data” trong bối cảnh tài chính mà còn đánh giá các nghiên cứu gần đây, đồng thời đề xuất các hướng nghiên cứu tiềm năng trong tương lai. Bài viết là một phần giới thiệu cho số đặc biệt của Review of Financial Studies (RFS) về chủ đề dữ liệu lớn trong tài chính, bao gồm các bài viết được trình bày tại hội nghị NBER/RFS về Big Data năm 2019. Các tác giả nhấn mạnh rằng Big Data không chỉ là về kích thước mà còn về chiều (dimension) và cấu trúc phức tạp, mở ra những cơ hội mới để giải quyết các vấn đề kinh tế và tài chính quan trọng. Để hiểu rõ hơn về tầm quan trọng của thông tin trong tài chính, bạn có thể tham khảo thêm về lý thuyết bất cân xứng thông tin.

Định nghĩa Dữ liệu Lớn trong Tài chính

Các tác giả đưa ra một định nghĩa cụ thể về “Big Data” trong lĩnh vực tài chính, bao gồm ba đặc điểm chính:

Kích thước Lớn (Large Size)

Đề cập đến khối lượng dữ liệu khổng lồ, có thể đo lường bằng gigabyte, terabyte hoặc thậm chí petabyte. Kích thước lớn có thể là tuyệt đối (ví dụ: dữ liệu giao dịch ở cấp độ vi mô) hoặc tương đối (lớn hơn so với các tập dữ liệu hiện có). Việc sử dụng các tập dữ liệu lớn hơn có thể khắc phục các vấn đề về thiên vị chọn mẫu và nắm bắt các hoạt động kinh tế quan trọng không được thể hiện trong các tập dữ liệu nhỏ hơn.

Chiều Cao (High Dimension)

Đề cập đến số lượng biến lớn so với kích thước mẫu. Các kỹ thuật học máy (Machine Learning) thường được sử dụng để giải quyết thách thức về chiều cao này và đang ngày càng được áp dụng rộng rãi trong nghiên cứu tài chính. Học máy trở nên có ý nghĩa kinh tế khi giải quyết các vấn đề thực tế liên quan đến nhiều biến, tác động phi tuyến tính hoặc tương tác giữa các biến, và khi dự đoán quan trọng hơn suy luận thống kê.

Cấu trúc Phức tạp (Complex Structure)

Đề cập đến dữ liệu không có định dạng hàng-cột truyền thống, chẳng hạn như văn bản, hình ảnh, video, âm thanh và giọng nói. Dữ liệu phi cấu trúc có thể cung cấp thông tin về các hoạt động kinh tế không thể nắm bắt bằng dữ liệu cấu trúc. Để hiểu rõ hơn về các loại dữ liệu khác nhau, bạn có thể xem thêm về phân loại dữ liệu định tính và định lượng. Phân tích dữ liệu phi cấu trúc thường đòi hỏi các kỹ thuật học sâu và xử lý ngôn ngữ tự nhiên (NLP).

Tổng quan về Các Bài viết trong Số Đặc Biệt

Bài viết điểm qua sáu bài nghiên cứu nổi bật trong số đặc biệt của RFS, mỗi bài đều đóng góp vào việc làm sáng tỏ các khía cạnh khác nhau của Big Data trong tài chính:

“Selecting Directors Using Machine Learning” (Erel et al., 2021)

Nghiên cứu này cho thấy rằng các thuật toán học máy có thể đưa ra lựa chọn tốt hơn so với con người trong việc chọn thành viên hội đồng quản trị. Các tác giả chứng minh rằng các giám đốc được dự đoán là hoạt động kém hiệu quả bởi thuật toán thực sự hoạt động kém hơn so với các ứng viên tiềm năng khác.

“Measuring Corporate Culture Using Machine Learning” (Li et al., 2021)

Bài viết này sử dụng các mô hình NLP để trích xuất các đặc điểm chính của văn hóa doanh nghiệp từ bản ghi cuộc gọi thu nhập. Các tác giả phân tích văn hóa doanh nghiệp dựa trên năm chiều: đổi mới, tính chính trực, chất lượng, sự tôn trọng và làm việc nhóm. Họ phát hiện ra rằng mối liên hệ giữa văn hóa và hiệu suất trở nên quan trọng hơn trong thời kỳ khó khăn.

“Microstructure in the Machine Age” (Easley et al., 2021)

Nghiên cứu này khám phá tác động của giao dịch dựa trên máy móc đối với hiệu quả của các thước đo cấu trúc thị trường truyền thống. Các tác giả phát hiện ra rằng các thước đo này vẫn có thể dự đoán giá và tính thanh khoản trong tương lai, nhưng hình thức chức năng để đưa ra các dự đoán như vậy phụ thuộc vào ứng dụng.

“Institutional Order Handling and Broker-Affiliated Trading Venues” (Anand et al., 2021)

Bài viết này sử dụng một tập dữ liệu lớn từ FINRA để xác định các xung đột lợi ích giữa các nhà giao dịch tổ chức và nhà môi giới của họ. Các tác giả phát hiện ra rằng các nhà môi giới chuyển nhiều lệnh hơn đến các hệ thống giao dịch thay thế (ATS) liên kết thường cung cấp chất lượng thực hiện thấp hơn cho khách hàng của họ.

“Demand for Information, Uncertainty, and the Response of US Treasury Securities to News” (Benamar et al., 2021)

Nghiên cứu này sử dụng dữ liệu clickstream để đo lường nhu cầu thông tin và sự không chắc chắn trong thị trường tài chính. Các tác giả cho thấy rằng nhu cầu thông tin là một proxy tốt cho sự không chắc chắn và có thể dự đoán sự nhạy cảm của lợi suất trái phiếu kho bạc Hoa Kỳ đối với các thông báo về chính sách tiền tệ.

“Thousands of Alpha Tests” (Giglio et al., 2021)

Bài viết này đề xuất một khuôn khổ mới để thực hiện kiểm định giả thuyết đa dạng trong các mô hình định giá tài sản tuyến tính, tập trung vào việc giải quyết vấn đề rình mò dữ liệu. Các tác giả sử dụng các kỹ thuật học máy để ước tính các yếu tố tiềm ẩn và kiểm soát tỷ lệ phát hiện sai.

Định hướng Nghiên cứu Tương lai

Các tác giả đề xuất một số hướng nghiên cứu đầy hứa hẹn trong lĩnh vực Big Data và tài chính:

Học máy và Máy học (Machine Learning and Learning Machines)

Tập trung vào việc sử dụng học máy để hiểu hành vi của máy móc trong thị trường tài chính. Điều này có thể dẫn đến sự phát triển của một lĩnh vực mới: tài chính hành vi thuật toán (algorithmic behavioral finance).

Hiệu ứng Phản hồi của Cuộc Cách Mạng Dữ Liệu Lớn (Feedback Effects of the Big Data Revolution)

Nghiên cứu cách các công ty thay đổi hành vi của họ khi máy móc trở thành người ra quyết định. Ví dụ: các công ty có thể điều chỉnh báo cáo tài chính của họ để phục vụ cho các hệ thống đọc máy.

Tác Động Không Đồng Nhất của Cuộc Cách Mạng Dữ Liệu Lớn (Heterogeneous Impact of the Big Data Revolution)

Khám phá tác động của Big Data đối với các loại tác nhân khác nhau trong thị trường tài chính, bao gồm cả nhà đầu tư cá nhân và nhà đầu tư tổ chức.

Dữ Liệu Phức Tạp Hơn (More Complex Data)

Phân tích dữ liệu có cấu trúc phức tạp hơn, chẳng hạn như âm thanh, video và hình ảnh, để cung cấp thêm thông tin chi tiết về các hoạt động kinh tế.

Quy Định (Regulations)

Đánh giá xem các quy định hiện hành có cần được điều chỉnh để phù hợp với môi trường mà máy móc đóng vai trò chính hay không.

Lý Thuyết (Theory)

Phát triển các mô hình lý thuyết mới để giải thích các tương tác bậc cao giữa các biến và tác động phi tuyến tính của các biến. Để hiểu thêm về vai trò của lý thuyết trong nghiên cứu, bạn có thể tham khảo bài viết về sự hình thành và nguyên lý của lý thuyết tín hiệu.

Hợp Tác Liên Ngành (Interdisciplinary Collaborations)

Tăng cường hợp tác giữa các nhà nghiên cứu tài chính và các chuyên gia từ các lĩnh vực khác, chẳng hạn như toán học, thống kê và khoa học máy tính.

Kết luận

Bài viết “Big Data in Finance” cung cấp một cái nhìn tổng quan toàn diện về sự trỗi dậy của Big Data và tác động của nó đối với ngành tài chính. Các tác giả định nghĩa Big Data trong bối cảnh tài chính, đánh giá các nghiên cứu gần đây và đề xuất các hướng nghiên cứu tiềm năng trong tương lai. Bài viết nhấn mạnh rằng Big Data không chỉ là về kích thước mà còn về chiều và cấu trúc phức tạp, mở ra những cơ hội mới để giải quyết các vấn đề kinh tế và tài chính quan trọng. Nghiên cứu này đóng vai trò là một nguồn tài liệu tham khảo hữu ích cho các nhà nghiên cứu và chuyên gia tài chính quan tâm đến việc khám phá tiềm năng của Big Data trong lĩnh vực của họ. Để hiểu rõ hơn về các yếu tố ảnh hưởng đến hiệu quả hoạt động trong lĩnh vực tài chính, bạn có thể tham khảo thêm về các nhân tố ảnh hưởng tới hiệu quả quản trị tài chính trong doanh nghiệp. Với sự phát triển không ngừng của công nghệ và sự gia tăng của dữ liệu, Big Data sẽ tiếp tục đóng một vai trò ngày càng quan trọng trong việc định hình tương lai của ngành tài chính.

Download Nghiên cứu khoa học: Developing A Hybrid Model Based On Machine Learning For Predicting Stock Prices: Evidence From The Vietnamese Stock Market