Võ Minh Hiếu
Sinh viên K59 CLC Tài chính quốc tế
Trường Đại học Ngoại Thương Cơ sở II tại TP. Hồ Chí Minh
Lê Trung Thành
Giảng viên cơ sở II
Trường Đại học Ngoại Thương Cơ sở II tại TP. Hồ Chí Minh
Tóm tắt
Quản trị danh mục đầu tư tài chính được định nghĩa là việc tạo và duy trì danh mục đầu tư với mục đích đạt được các mục tiêu tài chính cụ thể. Quá trình này bao gồm việc xác định sự kết hợp tối ưu của các loại tài sản khác nhau dựa trên các yếu tố như mục tiêu tài chính của nhà đầu tư, mức độ chấp nhận rủi ro và thời hạn đầu tư. Có nhiều cách tiếp cận khác nhau để quản lý danh mục đầu tư tài chính, từ các phương pháp truyền thống như lý thuyết danh mục đầu tư hiện đại của Harry Markowitz đến các kỹ thuật học máy như học tăng cường. Mặc dù các mô hình học tập tăng cường đã chứng minh sự hiệu quả trong việc quản lý các tài sản có tính thanh khoản cao như tiền điện tử, ngoại hối hoặc cổ phiếu ở các thị trường phát triển, ứng dụng của chúng ở các thị trường chứng khoán cận biên vẫn chưa được nghiên cứu rộng rãi. Trong nghiên cứu này, chúng tôi tinh chỉnh mô hình Policy Gradient Portfolio (PGPortfolio), một mô hình quản lý danh mục đầu tư dựa trên học tập tăng cường hiện đại, cho thị trường chứng khoán Việt Nam. Chúng tôi xem xét hai đặc tính của thị trường chứng khoán Việt Nam, bao gồm thời gian thanh toán T+2 và phí hoa hồng cao. Thử nghiệm của chúng tôi trải dài trong phạm vi dữ liệu 5 năm từ 2018 đến 2023. Kết quả cho thấy mô hình được điều chỉnh có thể hoạt động tốt hơn các quỹ ETF lớn tại Việt Nam, ngay cả khi có chi phí giao dịch cao và hạn chế thanh khoản. Nghiên cứu này góp phần nâng cao hiểu biết về việc áp dụng các kỹ thuật học tăng cường để giải quyết những thách thức cụ thể tại các thị trường chứng khoán cận biên như Việt Nam
Từ khóa: quản trị danh mục đầu tư, học sâu tăng cường, policy gradient portfolio, thị trường chứng khoán Việt Nam, trí tuệ nhân tạo
Abstract
Financial portfolio management is defined as the creation and maintenance of an investment portfolio with the aim of achieving specific financial objectives. This process involves determining the optimal mix of asset classes based on factors like an investor’s financial goals, risk tolerance, and investment horizon. Various approaches exist for financial portfolio management, ranging from traditional methods like Harry Markowitz’s Modern Portfolio Theory to machine learning techniques such as reinforcement learning. While existing reinforcement learning-based models have proven effective for managing highly liquid assets like cryptocurrencies, forex, or stocks in developed markets, their application in frontier stock markets has not been extensively explored. In this study, we adapt and fine-tune the Policy Gradient Portfolio (PGPortfolio), a state-of-the-art reinforcement learning-based portfolio management model, for the stock market in Vietnam. We aim to consider two unique characteristics of the Vietnam stock market, including a T+2 settlement period and high commission fees. Our experiment spans a 5-year data range from 2018 to 2023. The results indicate that the adapted model can outperform certain elite passive fund benchmarks, even in the presence of high transaction costs and liquidity restrictions. This study contributes to the understanding of applying reinforcement learning techniques to address specific challenges in frontier stock markets like Vietnam
Keywords: portfolio management, deep reinforcement learning, policy gradient portfolio, Vietnam stock market, artificial intelligence