Khóa luận tốt nghiệp: Ứng dụng thuật toán di truyền để lựa chọn danh mục cổ phiếu trong khu vực Asian

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH

QUAN NGỌC LINH

ỨNG DỤNG THUẬT TOÁN DI TRUYỀN ĐỂ LỰA CHỌN DANH MỤC CỔ PHIẾU TRONG

KHU VỰC ASIAN

KHÓA LUẬN TỐT NGHIỆP

CHUYÊN NGÀNH: TÀI CHÍNH – NGÂN HÀNG MÃ SỐ: 7340201

TP.HỒ CHÍ MINH, NĂM 2021

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH

QUAN NGỌC LINH

ỨNG DỤNG THUẬT TOÁN DI TRUYỀN ĐỂ LỰA CHỌN DANH MỤC CỔ PHIẾU TRONG

KHU VỰC ASIAN

KHÓA LUẬN TỐT NGHIỆP

CHUYÊN NGÀNH: TÀI CHÍNH – NGÂN HÀNG MÃ SỐ: 7340201

NGƯỜI HƯỚNG DẪN KHOA HỌC TS LƯU THU QUANG

TP.HỒ CHÍ MINH, NĂM 2021

TÓM TẮT 1 Tiêu đề

ỨNG DỤNG THUẬT TOÁN DI TRUYỀN ĐỂ LỰA CHỌN DANH MỤC CỔ PHIẾU TRONG KHU VỰC ASIAN

2 Tóm tắt

Mục tiêu chính của bài nghiên cứu là tìm hiểu thuật toán di truyền về định nghĩa, quy trình và cách thức hoạt động trong thuật toán và ứng dụng vào việc giải quyết các bài toán gồm các tài sản đa dạng ngành nghề với nhiều mức độ rủi ro khác nhau với mục tiêu là tìm một danh mục cổ phiếu đi kèm tiêu chí lợi nhuận cao và mức rủi ro phù hợp dựa vào tỷ lệ lợi nhuận trên mức rủi ro cao nhất, ngoài ra bài nghiên cứu còn giúp điều chỉnh chiến lược đầu tư vào mỗi tài sản với các tỷ trọng tương ứng từng cổ phiếu một cách phù hợp cho các nhà đầu tư

Bài nghiên cứu thực hiện các nội dung sau đây: thứ nhất tác giả sẽ tìm hiểu cơ sở lý thuyết về quản lý danh mục đầu tư thông qua lý thuyết danh mục của Markowitz và lý thuyết về thuật toán di truyền Đồng thời, tác giả sẽ nghiên cứu và lựa chọn được cho bài nghiên cứu một hàm mục tiêu phù hợp với mục đích ban đầu là dùng tỷ lệ Sharpe để tính toán cho các danh mục Trên cơ sở lý thuyết và các nghiên cứu liên quan, tác giả ứng dụng từng bước có trong quy trình giải thuật toán di truyền để xâu chuỗi các dữ liệu và từng bước giải lại với nhau cho phù hợp

Thứ hai, bằng cách áp dụng phương pháp nghiên cứu là sử dụng ngôn ngữ lập trình Python dựa trên công cụ Jupyter Notebook, tác giả đã cho ra kết quả mô hình gồm 6 danh mục cổ phiếu, mỗi danh mục gồm 30 mã cổ phiếu được lựa chọn với tiêu chí vốn hóa thị trường và tính thanh khoản cao của 6 thị trường trong khu vực Asian là Việt Nam, Thái Lan, Malaysia, Indonesia, Philippine và Singapore Cần lưu ý rằng, có một số mã cổ phiếu, tác giả chọn lọc dựa vào các chỉ số đứng đầu của mỗi nước đã được tính toán đó là VN30 tại thị trường Việt Nam, chỉ số Strait time index tại thị trường Singapore và chỉ số SET50 tại thị trường Thái Lan Qua kết quả nhận được, tác giả đã xác định được 4 danh mục từ 4 thị trường là Việt Nam, Thái Lan, Philippine và Singapore là đáp ứng mục tiêu về cả lợi nhuận và

mức độ rủi ro mà tác giả kỳ vọng Riêng thị trường Malaysia đã đáp ứng được mục tiêu rủi ro nhưng lợi nhuận mang lại từ danh mục chỉ xấp xỉ gần mức tỷ lệ mà tác giả mong muốn và thị trường Indonesia vượt trên cả kỳ vọng về mặt lợi nhuận, nhưng đồng nghĩa lợi nhuận cao thì mức rủi ro đi kèm cũng không thấp vì vậy thị trường này mang lại mức rủi ro khá quan ngại so với mức lợi nhuận và rủi ro mà các thị trường khác được đo lường Tương ứng với kết quả là các mức phân bổ vào các cổ phiếu được khuyến nghị rất phù hợp và rất cần được xem xét của mỗi danh mục

Cuối cùng, trên cơ sở kết quả đạt được, tác giả tiến hành đề xuất một số hàm ý chính sách liên quan đến việc quản lý và vận hành thị trường để nhằm hạn chế sự biến động giá cả không cần thiết của các công ty và có thể làm ảnh hưởng đến tình hình kinh doanh của các công ty

3 Từ khóa

Thuật toán di truyền, Genetic Algorithms, Gas, danh mục cổ phiếu, Asian

ABSTRACT

Investing in assets, especially stocks, bonds, foreign exchange, with the purpose of obtaining high returns and limiting any risks are always the top concern of investors when making investment decisions in a certain asset In fact, there are many ways to choose a suitable portfolio such as investors can rely on fundamental analysis methods by combining financial signals about efficiency performance and financial risk of the company in which the investor is considering capital expenditure Another method such as technical analysis - a fairly new method when individual investors have just started entering the stock market, this is a method based on historical value to create price charts then analyze stock situation However, this method cannot predict what future prices will be, it can only predict long-term price movements of the future The last method that author know can be used to predict potential portfolio is genetic algorithm, this is a little-known method and actually a new concept in Vietnam, leading to very few studies on applying genetic algorithms to optimize stock portfolios While in the world, the research on genetic algorithms has been applied a lot not only in investment but also in the application of artificial intelligence such as neural networks, fuzzy logic and education, These are all possible extensions of the genetic algorithm method Therefore, this is really a method that not only investors but also educators need to pay attention to because in the future, sooner or later, the combination of the financial sector and artificial intelligence which will support to the development of a large scientific projects Vietnam is in the stage of world economic integration so knowledge need to be enhanced greatly for integrating on schedule and be on par with developed countries Especially in the current context, when the disease problem is becoming more and more serious not only in Vietnam but also in the world, it is extremely necessary to come up with solutions to stabilize the domestic market The pandemic has greatly affected and devastated the entire global economy, leading to the business situation of companies in general being affected in terms of profits and even leading to the risk of bankruptcy This affects to people

holding stocks that have fallen in price that make losing all the capital they invest Finding a right direction on what to invest in is always an urgent and necessary thing to be able to maintain your finances and help your capital more abundant Finally, genetic algorithm is really a method that has appeared since the twentieth century, but very few studies have applied it seriously and popularly on selecting a portfolio of stocks by optimizing returns and limiting the appropriate level of risk in Vietnam Therefore, the topic "Application of genetic algorithms to select stock portfolios in the Asian region" was chosen by me to carry out the graduation thesis

The thesis include 5 chapters

- CHAPTER 1: INTRODUCTION TO THE TOPIC

Chapter 1 presents the general issues of the research, including the urgency of the topic, research objectives, research questions, research object and scope, research methods, contributions and topic layout

- CHAPTER 2: THEORETICAL OVERVIEW OF STOCK PORTFOLIO MANAGEMENT AND GENETIC ALGORITHMS

Chapter 2 presents the basic contents of portfolio management by focusing on Markowitz portfolio theory and related formulas to solve the problem mentioned in the research paper Then, the author will present theoretical basis and the main processes in genetic algorithms After that, author will explore economic variables of six markets in research scope

- CHAPTER 3: RESEARCH METHODS AND DATABASE

Based on the theoretical basis of chapter 2 and chapter 3 will focus on describing the mentioned method for data processing and analysis on the system using Python programming language through code to solve the problem of building an effective portfolio

- CHAPTER 4: EXPERIAMENTAL RESULTS AND ASSESSMENT

Based on the theoretical background and the use of computer codes introduced in chapters 2 and 3, the author research the experimental results obtained

when applying genetic algorithms to select a list of stocks with portfolio weight allocations such that the return on risk is the highest in the potential Asian region

- CHAPTER 5: CONCLUSIONS AND RECOMMENDATIONS

Chapter 5, author will review and summarize the main research results, in addition to explaining the research questions Secondly, some policy implications are given to improve and overcome some mixed opinions in the market affecting stock prices Finally, some limitations of the study and future research directions are proposed

Result

After applying the processes in the genetic algorithm on selection, mutation, and crossover have resulted in 6 categories in 6 different markets in Southeast Asia including Vietnam, Thailand, Malaysia, Indonesia, Philippines and Singapore; with capital allocation to each stock in the portfolio that meets the author's expected rate return of 20% and expected risk of 5% The result consists of 4 portfolios that satisfy the author's expectation, that are market portfolios corresponding to each market's rate of return and risk level as follows: Vietnam (60.23% - 4.6%), Thailand (42.7% - 4.37%), Philippines (33.14% - 4.52%), Singapore (28.2% - 1.7%) Only two portfolios are also quite positive in terms of results, namely Malaysia (19.46% - 0.88%), Indonesia (53.13% - 6.04%), although Malaysia has not met the level of return, but the risk ratio accounting for less than 1% is really a very potential number An immutable rule in investing is that the higher the investor's expectation of return on their assets, the higher risk tolerance they need to be Therefore, a portfolio of 30 stocks from the Indonesian market with very good portfolio results, there is still a level of risk that needs to be accepted

Considering to the Sharpe ratio of the portfolios, the top 30 companies with the largest market capitalization in Malaysia with 19.81% of the possible return per unit of risk We can see that although the return on this market has not met the author's requirement, but it is worth seriously considering and investing In second place is Singapore, with the sharpe ratio of 15.07%, if we only consider the separate

returns and risks, we would think that this is a portfolio with a return that is not comparable to other countries but the calculation Sharpe's calculations gave the author a completely different view of the risk premium that this potential market offers The third thing to mention is that the Vietnamese market has a figure of 12.67%, with the profit that the VN30 stock basket brings far ahead in terms of profits for other countries in Southeast Asia Ranked fourth is Thailand, the land of golden pagodas reaching 9.33% of the risk premium of the whole portfolio The fourth market among six countries in Southeast Asia is Indonesia with a research rate of 8.46% and the Philippine market with a rate of 6.9% We can see the significance after the above summary statistics step, when both portfolios have not met the requirements of the expected rate of return or risk are Malaysia and Indonesia, the Sharpe ratio in the Malaysian market is higher than Indonesia Not only is it important to expect a portfolio with optimal returns, but it's also important to consider and risk level It determines how the total capital of investors will be in the future and whether the level of insurance is really good or not

Currently, in the market, there are many phenomena of rumors that affect stock prices, leading to a situation where many investors buy stocks according to rumors without any analysis and calculation the profits and risks level they may face in the future That is also the reason that many individual investors often suffer Therefore, to be able to invest successfully, investors need to calculate and collect the necessary information about that stock code to make a foundation for future development Setting an expected return and risk level not only helps investors balance their position in thinking about the market when there is volatility, but it is also a matter of knowing when to stop at a certain time point The direction proposed to select stocks in this study is also a method that investors should apply in building a valuable portfolio for themselves

Research limitations and future development directions

Although the study has achieved certain results, there are still some limitations in data collection Because the author uses the VN30 basket, the late

listing of companies on the market has made to shorten the research time to give priority in diversifying the portfolio with a wide range of industries Therefore, the author proposes to increase the sample time to cover and the study to be extended the time frame

The study has assumed some variables such as the dividend per share depending on the company is 0 and the risk-free rate is 2% for the entire period Therefore, the next research direction needs to clearly quantify two variables based on the market of each country

Finally, the author proposes to use some other crossover methods that can be used for better optimization are heuristic hybridization or two-point hybridization, etc., so that the results can be compared more abundantly

LỜI CAM ĐOAN

Tôi tên: QUAN NGỌC LINH

Sinh ngày 20 tháng 07 năm 1999 Nơi sinh: TP Hồ Chí Minh Hiện đang là sinh viên Đại học khoá 5 Chất lượng cao (2017 – 2021), học lớp HQ5-GE04 chuyên ngành Tài chính – Ngân hàng (Mã số: 7340201) tại trường Đại học Ngân hàng TP.HCM, với đề tài khoá luận:

ỨNG DỤNG THUẬT TOÁN DI TRUYỀN ĐỂ LỰA CHỌN DANH MỤC CỔ PHIẾU TRONG KHU VỰC ASIAN

Người hướng dẫn khoa học: TS LƯU THU QUANG

Tôi cam đoan: Khoá luận này là công trình nghiên cứu riêng của tôi, kết quả nghiên cứu là trung thực, trong đó không có các nội dung đã được công bố trước đây hoặc các nội dung do người khác thực hiện ngoại trừ các trích dẫn được dẫn nguồn đầy đủ trong khoá luận

Tôi xin chịu trách nhiệm hoàn toàn về lời cam đoan của mình

TP.HCM, Ngày … tháng … năm 2021

Tác giả

QUAN NGỌC LINH

LỜI CẢM ƠN

Lời đầu tiên, tôi muốn gửi lời cảm ơn chân thành và sâu sắc nhất đến giảng viên hướng dẫn của tôi, TS Lưu Thu Quang – người thầy đã tận tình hướng dẫn, chỉ bảo, truyền đạt các kiến thức, các kinh nghiệm quý báu và tạo điều kiện tốt nhất cho tôi trong suốt quá trình nghiên cứu và thực hiện khoá luận này

Ngoài ra, tôi cũng xin bày tỏ sự biết ơn đối với các Thầy, Cô trường Đại học Ngân hàng TP Hồ Chí Minh, đặc biệt là các Thầy, Cô trong khoa Tài chính – Ngân hàng đã truyền đạt những kiến thức bổ ích, vô cùng quý báu giúp tôi ngày ngày hoàn thiện kiến thức của mình và đó cũng là nền tảng vững chắc cho tôi trong con đường sự nghiệp sau này

Và cuối cùng, tôi cũng muốn gửi lời cảm ơn đến gia đình, bạn bè tôi, những người luôn ủng hộ, động viên và khuyến khích tôi những lúc khó khăn nhất để tôi có thể hoàn thành tốt luận văn này Tự thấy bản thân còn hạn chế về mặt kiến thức và thiếu nhiều kinh nghiệm nên bài nghiên cứu khó tránh khỏi những sai sót, tuy nhiên bài nghiên cứu này là một cơ hội tốt để tôi có thể tổng kết và ứng dụng những kiến thức đã học trong khoảng thời gian qua Vì thế em rất mong nhận được sự góp ý của quý Thầy, Cô để khoá luận được hoàn thiện hơn

Em xin chân thành cảm ơn!

TP.HCM, Ngày … tháng … năm 2021

Tác giả

QUAN NGỌC LINH

DANH SÁCH CÁC CÔNG THỨC xvi

CHƯƠNG 1: GIỚI THIỆU 1

1.1 Tính cấp thiết của đề tài 1

1.2 Mục tiêu nghiên cứu 3

1.2.1 Mục tiêu nghiên cứu tổng quát 3

1.2.2 Mục tiêu nghiên cứu cụ thể 3

1.3 Câu hỏi nghiên cứu 3

1.4 Đối tượng và phạm vi nghiên cứu 4

1.4.1 Đối tượng nghiên cứu 4

1.4.2 Phạm vi nghiên cứu 4

1.5 Phương pháp nghiên cứu 4

1.6 Đóng góp của đề tài 5

1.7 Kết cấu bài nghiên cứu 5

CHƯƠNG 2: TỔNG QUAN LÝ THUYẾT QUẢN LÝ DANH MỤC CỔ PHIẾU VÀ THUẬT TOÁN DI TRUYỀN 7

2.1 Cơ sở lý thuyết về quản lý danh mục cổ phiếu 7

2.1.1 Định nghĩa danh mục cổ phiếu 7

2.1.2 Định nghĩa quản lý danh mục cổ phiếu 7

2.1.3 Nội dung về quản lý danh mục đầu tư 8

2.2 Cơ sở lý thuyết về thuật toán di truyền 13

2.2.1 Giới thiệu về quá trình tiến hoá tự nhiên 13

2.2.2 Giới thiệu về thuật toán di truyền 14

2.2.3 Các quá trình chính trong thuật toán di truyền 16

2.3 Tổng quan các nghiên cứu trước 22

2.4 Giới thiệu các biến số kinh tế của các nước trong khu vực Đông Nam Á 26 TÓM TẮT CHƯƠNG 2 31

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU VÀ CƠ SỞ DỮ LIỆU 32

4.2.2 Tỷ lệ Sharpe của các danh mục 48

4.2.3 Phân tích tỷ trọng phân bổ của các danh mục 50

4.3 So sánh kết quả với các nghiên cứu trước 57

KẾT LUẬN CHUNG 63

TÀI LIỆU THAM KHẢO 1

PHỤ LỤC 01: Danh mục cổ phiếu nghiên cứu 4

PHỤ LỤC 02: Lãi suất trái phiếu chính phủ của 6 thị trường trong khu vực Đông Nam Á 11

PHỤ LỤC 03: Kết quả nghiên cứu của Việt Nam 12

PHỤ LỤC 04: Kết quả nghiên cứu của Thái Lan 16

PHỤ LỤC 05: Kết quả nghiên cứu của Malaysia 20

PHỤ LỤC 06: Kết quả nghiên cứu của Indonesia 24

PHỤ LỤC 07: Kết quả nghiên cứu của Philippine 28

PHỤ LỤC 08: Kết quả nghiên cứu của Singapore 32

PHỤ LỤC 09: Bảng tổng hợp kết quả lợi nhuận, rủi ro và tỷ lệ Sharpe của 6 danh mục 36

DANH MỤC TỪ VIẾT TẮT

Từ viết tắt Diễn giải tiếng Anh Diễn giải tiếng Việt

Gas Genetic Algorithms Thuật toán di truyền GDP Gross Domestic Product Tổng sản phẩm nội địa

DANH MỤC CÁC BẢNG

Bảng 2.1 Vốn hóa thị trường của 6 nước trong khu vực Đông Nam Á từ năm 2018 đến 2020 28

DANH MỤC CÁC HÌNH

Hình 2.1 Sơ đồ mã hóa dữ liệu thuật toán di truyền 16

Hình 2.2 Tốc độ tăng trưởng của các nước Đông Nam Á từ 2017 đến 2020 26

Hình 2.3 Tỷ lệ lạm phát của các nước Đông Nam Á từ năm 2017 đến 2020 27

Hình 2.4 Vốn hóa thị trường của các nước Đông Nam Á từ năm 2018 đến 2020 29

Hình 4.1 Tỷ suất sinh lời và mức rủi ro của danh mục cổ phiếu tại 6 nước trong khu vực Đông Nam Á 46

Hình 4.2 Tỷ lệ Sharpe của 6 danh mục tại 6 thị trường trong khu vực Đông Nam Á 49

Hình 4.3 Tỷ trọng phân bổ vốn đầu tư vào danh mục cổ phiếu tại Việt Nam 51

Hình 4.4 Tỷ trọng phân bổ vốn đầu tư vào danh mục cổ phiếu tại Thailand 52

Hình 4.5 Tỷ trọng phân bổ vốn đầu tư vào danh mục cổ phiếu tại Malaysia 53

Hình 4.6 Tỷ trọng phân bổ vốn đầu tư vào danh mục cổ phiếu tại Indonesia 54

Hình 4.7 Tỷ trọng phân bổ vốn đầu tư vào danh mục cổ phiếu tại Philippine 55

Hình 4.8 Tỷ trọng phân bổ vốn đầu tư vào danh mục cổ phiếu tại Singapore 56

DANH SÁCH CÁC CÔNG THỨC

Công thức tính tỷ suất sinh lời

Công thức tính lợi nhuận kỳ vọng

Công thức tính tỷ suất sinh lời kỳ vọng của một danh mục

Công thức tính phương sai của tỷ suất sinh lời

Công thức tính độ lệch chuẩn của tỷ suất sinh lời

Công thức tính hiệp phương sai của tỷ suất sinh lời

Công thức tính độ lệch chuẩn của một danh mục

Công thức tính tỷ lệ Sharpe của một danh mục

CHƯƠNG 1: GIỚI THIỆU 1.1 Tính cấp thiết của đề tài

Bên cạnh việc phát triển của thị trường tài chính nói chung thì việc bùng nổ thị trường chứng khoán vào những năm gần đây với một số lượng khá lớn các nhà đầu tư lớn nhỏ đã đổ xô gia nhập vào, điều này đồng nghĩa với việc một lượng vốn hoá lớn đã tạo thành một dòng tiền vào và ra kích thích tiềm năng phát triển của thị trường đầy sự biến động này Cùng với sự phát triển không ngừng ấy thì trên thế giới lần lượt xuất hiện các phương pháp phân tích đầu tư chứng khoán, đặc biệt là phương pháp phân tích kỹ thuật được sử dụng khá phổ biến và rộng rãi trên thế giới Nhưng đã có những nghiên cứu chỉ rằng phương pháp ấy có những hạn chế nhất định nên việc phân tích sẽ không còn đem lại hiệu quả như nghiên cứu của Trần Quốc Tuấn và Hoàng Thị Bảo Chi (2004), Bessembinder và Chan (1995) đã đề cập

Trong quá trình tìm hiểu đầu tư, việc tối ưu danh mục đầu tư là một trong những vấn đề thách thức nhất trong lĩnh vực tài chính Vì đó là một quá trình không chỉ đơn giản là việc kết hợp các mã chứng khoán riêng lẻ cùng với các tỷ trọng đầu tư không được xem xét mà nhà đầu tư cần tìm cách tối đa hoá khoản đầu tư sinh lời và hạn chế rủi ro bằng việc tìm hiểu thị trường và đặt cho mình một mức sinh lời mong muốn kèm mức rủi ro có thể chấp nhận được Đối phó với vấn đề này, gần đây một phương pháp dựa trên trí tuệ nhân tạo như thuật toán di truyền đã được áp dụng để khắc phục vấn đề này Thuật toán di truyền hay còn gọi là giải thuật di truyền (Genetic Algorithms) là một phương pháp tối ưu và được sử dụng rộng rãi trong rất nhiều lĩnh vực khác nhau như y tế, kỹ thuật, điện tử,… không riêng gì lĩnh vực phân tích đầu tư tài chính để tối ưu giá trị và giải quyết được những bài toán thông qua các quá trình cơ bản là chọn lọc, lai tạo và đột biến giữa các cá thể trong quần thể để tạo ra những cá thể đời sau tốt hơn, nâng cao khả năng thích nghi của cá thể đó trong môi trường tự nhiên hơn

Trong những năm gần đây, việc ứng dụng thuật toán di truyền để lập nên một danh mục cổ phiếu tiềm năng ngày càng có nhiều tác giả trên thế giới thực hiện Có thể điểm qua các nghiên cứu sau: nhóm tác giả Sefiane và Benbouziane (2012) hay

tác giả Xiaolou Yang (2006) nghiên cứu quy trình của thuật toán di truyền và đo độ chính xác của thời gian khi chạy phân tích và đánh giá về việc ứng dụng thuật toán vào phân tích danh mục cổ phiếu; hoặc có nhóm tác giả Chou và các cộng sự (2017) với nghiên cứu tối ưu hoá danh mục đầu tư dựa trên hai cách là nguồn quỹ được tiêu chuẩn hoá và giải thuật di truyền; Dubinskas và Urbsiene (2017) có bài nghiên cứu cũng với phương pháp thuật toán tương tự và so sánh kết quả đạt được với phương pháp lập trình xác định hoặc ngẫu nhiên để đánh giá phương pháp nào mang lại lợi nhuận cao hơn và đáng mong đợi hơn Các kết quả đều cho thấy có sự khả quan và phù hợp khi áp dụng thuật toán di truyền vào việc phân tích danh mục cổ phiếu hiệu quả Tuy nhiên, phạm vi của các nghiên cứu trên đều ở thị trường nước ngoài, nơi các đặc điểm thị trường khá khác biệt so với thị trường chứng khoán ở Việt Nam, hơn nữa là khu vực Đông Nam Á, trong khi đó xét về việc mua và bán cổ phiếu hàng ngày của các nhà đầu tư trong nước mong muốn tiêu chuẩn hoá một danh mục tối ưu lại ngày càng phổ biến

Tại Việt Nam, các nghiên cứu về phương pháp thuật toán di truyền này đã được áp dụng và nghiên cứu ở nhiều lĩnh vực khác như y tế, sinh học, kỹ thuật, xây dựng, công nghệ thông tin, để giải quyết các bài toán khác nhau, việc ứng dụng phương pháp này vào lĩnh vực tài chính vẫn còn khá ít Vì thế, việc thực hiện nghiên cứu này ở thị trường trong khu vực Asian là một điều hoàn toàn cần thiết và có khả thi, đặc biệt là trong bối cảnh thị trường chứng khoán không kể gì Việt Nam mà các thị trường quốc tế cũng đang ngày càng phát triển và luôn biến động không ngừng

Bài nghiên cứu sẽ giúp trả lời câu hỏi: “Liệu có nên ứng dụng thuật toán di truyền vào việc lập một danh mục cổ phiếu hiệu quả không?” Để trả lời được câu hỏi đó, tác giả sẽ nghiên cứu, tìm hiểu và vận dụng các quy trình của thuật toán vào một danh mục gồm nhiều loại tài sản có mức độ rủi ro khác nhau để chọn lọc và tạo nên một danh mục cổ phiếu tiềm năng với tiêu chí lợi nhuận mang lại cao cùng với mức rủi ro phù hợp

1.2 Mục tiêu nghiên cứu

1.2.1 Mục tiêu nghiên cứu tổng quát

Tìm hiểu phương pháp thuật toán di truyền để giải quyết một bài toán gồm các cổ phiếu với nhiều mức độ rủi ro khác nhau nhằm ứng dụng vào việc tìm một danh mục cổ phiếu với tiêu chí lợi nhuận thu được trên một đơn vị rủi ro cao nhất và giúp điều chỉnh chiến lược mua bán và đầu tư vào mỗi cổ phiếu với tỷ trọng phù hợp cho nhà đầu tư

1.2.2 Mục tiêu nghiên cứu cụ thể

- Tìm hiểu lý thuyết danh mục Markowitz nhằm hỗ trợ và giải quyết bài toán - Tìm hiểu khái niệm và nghiên cứu cách thức hoạt động chính thông qua các

quy trình cơ bản của phương pháp thuật toán di truyền

- Mô tả thuật toán bằng các dữ liệu thu thập vào giải quyết một danh mục các mã cổ phiếu

- Báo cáo kết quả thực nghiệm và đánh giá dựa trên tiêu chí ban đầu

1.3 Câu hỏi nghiên cứu

Để thực hiện được các mục tiêu nghiên cứu, bài nghiên cứu tập trung trả lời các câu hỏi nghiên cứu chính:

Câu hỏi 1: Lý thuyết danh mục Markowitz là gì và gồm các công thức gì?

Các chỉ số giúp đo lường hiệu quả nhằm tạo ra giá trị có ý nghĩa cho một danh mục đầu tư như lợi nhuận, rủi ro, tỷ lệ Sharpe,…

Câu hỏi 2: Thuật toán di truyền là gì? Quy trình của thuật toán di truyền

gồm các bước gì?

Thuật toán di truyền là một phương pháp cần tiếp cận và tìm hiểu với điều kiện ràng buộc bài toán nằm trên một không gian lớn và có mối quan hệ tiệm cận đến quá trình tiến hoá sinh học trong tự nhiên Quy trình của thuật toán di truyền bao gồm các bước cơ bản chọn lọc, lai ghép, đột biến

Câu hỏi 3: Làm thế nào để ứng dụng thuật toán vào việc mô tả một danh

mục cổ phiếu?

Giải quyết bài toán dựa trên thuật toán di truyền để đưa ra kết quả cụ thể, chính xác và phù hợp Sau khi tìm hiểu rõ các quy trình và tuần tự của giải thuật di truyền và các kiến thức cơ bản thì sẽ ứng dụng mô hình vào danh mục các cổ phiếu khác nhau

Câu hỏi 4: Kết quả của các danh mục có đạt mục tiêu?

Đánh giá và xem xét kết quả để lựa chọn danh mục cổ phiếu đáp ứng đầy đủ tiêu chí đảm bảo mức rủi ro phù hợp và lợi nhuận đáng kể

1.4 Đối tượng và phạm vi nghiên cứu 1.4.1 Đối tượng nghiên cứu

Đề tài tập trung nghiên cứu vào danh mục cổ phiếu trong khu vực Asian từ đó ứng dụng quy trình giải thuật toán di truyền để lựa chọn một danh mục gồm tổ hợp các cổ phiếu với mức lợi nhuận cao và rủi ro phù hợp

1.4.2 Phạm vi nghiên cứu

Về không gian: Phạm vi nghiên cứu bao gồm các mã cổ phiếu của các công ty

được niêm yết trên thị trường chứng khoán Việt Nam, cụ thể gồm các công ty thuộc sàn VN30 tại Việt Nam Ngoài ra, nghiên cứu còn mở rộng danh mục bằng cách kết hợp 30 công ty có vốn hoá thị trường lớn nhất trong mỗi nước sau Singapore, Thailand, Malaysia, Indonesia và Philippine

Về thời gian: Nghiên cứu sẽ sử dụng dữ liệu thu thập theo tháng trong giai đoạn

từ tháng 07/2018 đến tháng 04/2021 để làm căn cứ xây dựng danh mục đầu tư

1.5 Phương pháp nghiên cứu

Bài nghiên cứu sử dụng phương pháp thuật toán di truyền bằng cách áp dụng các quy trình có trong việc giải thuật toán và kết hợp một ngôn ngữ lập trình Python chạy bằng môi trường web là Jupyter Notebook nhằm hỗ trợ phân tích dữ liệu

Để có dữ liệu phục vụ cho bài nghiên cứu, tác giả đã sử dụng nguồn dữ liệu phong phú thu thập từ hệ thống datastream được cập nhật chi tiết và công khai trong giai đoạn từ tháng 07/2018 đến tháng 04/2021

1.6 Đóng góp của đề tài

Về mặt thực tiễn: Sau khi nghiên cứu thành công, đề tài sẽ cung cấp thêm

các thông tin, kiến thức về mô hình giải thuật di truyền cho những nhà tham khảo Đó là dựa trên cơ sở lý thuyết của phương pháp giải thuật di truyền để xác định và tạo lập danh mục cổ phiếu hiệu quả Hơn nữa, tác giả nghiên cứu với một không gian và thời gian được mở rộng để có được một cái nhìn khái quát, cụ thể và rộng hơn để tạo ra một danh sách cổ phiếu đa dạng trong và ngoài nước Từ đó, các nhà nghiên cứu không chỉ có thể tham khảo, sử dụng thông tin cho những nghiên cứu có liên quan mà còn có thể mở rộng và đào sâu thêm về nghiên cứu này

Về mặt khoa học: Đề tài góp phần thêm một góc nhìn khác khi ứng dụng

thuật toán di truyền – một phương pháp trong trí tuệ nhân tạo vào lĩnh vực tài chính, đặc biệt là thị trường chứng khoán Đây là một điều khá thú vị và mới mẻ và đó cũng có thể là căn cứ giúp các nhà quản trị hoạch định và phân tích tốt hơn các dữ liệu, thông tin để ra quyết định đầu tư vào danh mục mang lại tỷ suất sinh lời cao

1.7 Kết cấu bài nghiên cứu

Nội dung bài nghiên cứu thực hiện thành các phần nhằm giải đáp các câu hỏi nghiên cứu đã đặt ra Phần thứ nhất, tác giả sẽ giới thiệu đôi chút về đề tài nghiên cứu và đi sơ lược về mục tiêu và phương pháp nghiên cứu Phần thứ hai diễn giải các học thuyết kinh tế nhằm giải quyết bài toán đề ra, bên cạnh là cơ sở lý thuyết của thuật toán di truyền và tổng quan kinh tế của 6 nước nghiên cứu Phần thứ ba là mô tả phương pháp, quy trình thực hiện một thuật toán di truyền kết hợp các học thuyết liên quan bằng phần mềm nghiên cứu đã đề cập Phần thứ tư dựa trên nền tảng lý thuyết đã có, tác giả tiến hành nghiên cứu và khảo nghiệm kết quả thực nghiệm khi đã vận dụng thuật toán di truyền để tìm kiếm mức tỷ trọng phân bổ phù hợp cho các danh mục cổ phiếu trong khu vực Asian Cuối cùng, tác giả đề xuất một số hàm ý chính sách và hạn chế của bài nghiên cứu Cụ thể và chi tiết như sau:

Chương 1: Giới thiệu đề tài

Chương 1 sẽ trình bày về tính cấp thiết của đề tài nghiên cứu, mục tiêu nghiên cứu bao gồm mục tiêu tổng quát và mục tiêu cụ thể từ đó đề xuất các câu hỏi

liên quan, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu cũng như sự đóng góp về thực tiễn và khoa học của bài nghiên cứu cũng được tóm tắt trong chương này

Chương 2: Tổng quan lý thuyết về quản lý danh mục cổ phiếu và thuật toán di truyền

Chương 2 bắt đầu với việc giới thiệu về khái niệm quản lý danh mục đầu tư và trình bày lý thuyết danh mục Markowitz cùng các khái niệm liên quan Tiếp theo sẽ trình bày các quy chình chính trong thuật toán di truyền nhằm giải quyết bài toán xây dựng danh mục đầu tư hiệu quả Sau đó tác giả điểm sơ lược về tình hình kinh tế và vốn hoá thị trường tại 6 nước đã đề cập trong khu vực Asian

Chương 3: Phương pháp nghiên cứu và cơ sở dữ liệu

Chương này sẽ tập trung mô tả quy trình bài toán bằng các dữ liệu, phương pháp đã đề cập để xử lý dữ liệu và phân tích trên hệ thống dựa trên cơ sở lý thuyết chương 2 nhằm thu được kết quả phù hợp với mục tiêu đề ra

Chương 4: Kết quả thực nghiệm và đánh giá

Dựa trên nền tảng lý thuyết và cách sử dụng các đoạn mã tin học đã giới thiệu trong chương 2 và 3, tác giả tiến hành nghiên cứu và khảo nghiệm kết quả thực nghiệm thu được khi đã vận dụng thuật toán di truyền để chọn lọc một danh sách các cổ phiếu gồm các mức phân bổ tỷ trọng đầu tư vào danh mục sao cho lợi nhuận trên mức rủi ro là cao nhất trong khu vực Asian tiềm năng

Chương 5: Kết luận và kiến nghị

Chương 5 sẽ xem xét và tóm tắt kết quả nghiên cứu chính, bên cạnh đó là giải thích các câu hỏi nghiên cứu đã đặt ra trong bài Từ đó, đưa ra một số hàm ý chính sách nhằm nâng cao và khắc phục được một số ý kiến trái chiều trên thị trường làm ảnh hưởng đến giá cổ phiếu của các công ty Cuối cùng là nêu lên một số hạn chế của bài nghiên cứu và đề xuất hướng nghiên cứu tiếp theo

CHƯƠNG 2: TỔNG QUAN LÝ THUYẾT QUẢN LÝ DANH MỤC CỔ PHIẾU VÀ THUẬT TOÁN DI TRUYỀN 2.1 Cơ sở lý thuyết về quản lý danh mục cổ phiếu

2.1.1 Định nghĩa danh mục cổ phiếu

Danh mục cổ phiếu gồm một nhóm các mã cổ phiếu khác nhau dùng để sinh lời theo tỷ suất sinh lời kỳ vọng Lợi nhuận kỳ vọng này có mối liên kết trực tiếp với rủi ro dự kiến có thể xảy ra của toàn danh mục Hay nói cách khác, đầu tư vào một danh mục cổ phiếu là việc nắm giữ một lượng cổ phần của một hay nhiều công ty khác trên sàn chứng khoán Việc sắp xếp và chọn lọc cổ phiếu nằm trong danh mục có thể đầu tư phụ thuộc vào rất nhiều yếu tố khác nhau như số vốn đầu tư, thời gian đầu tư và khả năng chấp nhận rủi ro của các nhà đầu tư

Trong đầu tư chứng khoán, việc cực kỳ quan trọng đối với một nhà đầu tư đó là lựa chọn cổ phiếu Đó là quá trình xem xét hai vấn đề là rủi ro và lợi tức của cổ phiếu, ai ai cũng hiểu rằng hai yếu tố trên luôn đồng biến cùng nhau, tức có nghĩa là một cổ phiếu có lợi nhuận cao thường kéo theo rủi ro cao trong khi một cổ phiếu có rủi ro thấp thì lợi nhuận thấp Đó là một việc đánh đổi giữa việc mạo hiểm và không mạo hiểm trong đầu tư, nếu ta kỳ vọng lợi nhuận cao thì sẽ luôn đồng nghĩa với việc rủi ro cao Và đối với việc đầu tư, ai cũng mong muốn cổ phiếu mình nắm giữ sẽ có lợi nhuận trong tương lai với một mức độ rủi ro thấp Do đó bài nghiên cứu sẽ cung cấp một danh mục đầu tư đồng thời xem xét rủi ro và lợi nhuận bằng cách tổng hợp đa dạng nhiều mã cổ phiếu khác nhau trong một danh mục bởi vì nếu ta kết hợp các mã cổ phiếu tốt cùng nhau không những có thể làm hạn chế bớt rủi ro mà còn làm tăng lợi nhuận tổng thể của toàn bộ danh mục cổ phiếu

2.1.2 Định nghĩa quản lý danh mục cổ phiếu

Thực chất, việc quản lý danh mục cổ phiếu nằm trong khái niệm quản lý danh mục đầu tư vì nó bao gồm các loại đầu tư tài sản ngoài cổ phiếu như trái phiếu chính phủ, trái phiếu công ty, tín phiếu kho bạc, các loại quỹ và chứng chỉ tiền gửi Do vậy, theo khái niệm được cung cấp trên trang web Investopedia thì quản lý danh mục đầu tư là việc lựa chọn và giám sát một danh mục đầu tư một cách nghệ thuật

và khoa học nhằm đáp ứng các mục tiêu tài chính dài hạn và khả năng chấp nhận rủi ro của khách hàng, công ty hoặc tổ chức (Adam Hayes, 2021)

Trong lĩnh vực đầu tư thì việc quản lý danh mục nhằm đáp ứng các mục tiêu về tối đa hoá giá trị, hạn chế rủi ro xảy ra, sự cân bằng trong danh mục và số lượng các cổ phiếu phù hợp là rất quan trọng và mang tính thách thức Hơn nữa, quản lý danh mục đầu tư đòi hỏi về việc cân bằng điểm mạnh và điểm yếu, cơ hội và các mối đe doạ trên toàn bộ các khoản đầu tư Điều quan trọng là để tối ưu một danh mục mà chúng ta đang xây dựng thì không chỉ phải xét đến mối quan hệ làm cách nào để tối ưu mà danh mục đó cần phải đơn giản là đáp ứng các mục tiêu đầu tư mà chúng ta đã đặt ra ngay từ ban đầu đó là thiết lập một danh mục với lợi nhuận trên mức rủi ro cao, tức có nghĩa xem xét cả hai khía cạnh là lợi nhuận và cả rủi ro

2.1.3 Nội dung về quản lý danh mục đầu tư 2.1.3.1 Lý thuyết về danh mục Markowitz

Một lý thuyết danh mục đầu tư cơ bản không thể không nhắc đến được một nhà kinh tế học Hoa Kỳ đã sáng tác và phát triển là ông Harry Markowitz Ông đã phát triển một mô hình định lượng, còn được gọi là mô hình phương sai trung bình Mô hình này thường được coi là sự tối thiểu hoá của một hàm mục tiêu đại diện cho phương sai danh mục đầu tư, hay còn được gọi là rủi ro của danh mục đầu tư, đi kèm đó là một mức sinh lời nhất định hoặc tối đa hoá một hàm mục tiêu đại diện cho mức lợi nhuận của danh mục đầu tư đối với một mức rủi ro nhất định Hơn nữa, mô hình này không có bất kỳ ràng buộc nào về việc đầu tư vào một số lượng tài sản khác nhau cũng không hạn chế số tiền đầu tư vào mỗi tài sản (Fernandez và Gomez, 2007)

Học thuyết do ông phát triển nhằm nhấn mạnh tầm quan trọng của việc quản lý danh mục đầu tư gồm 2 việc chính đó là kiểm soát rủi ro và đo lường mức độ tương quan giữa các cổ phiếu thông qua việc phân bổ tỷ trọng trong danh mục đầu tư Chính nhờ lý thuyết của ông đã hỗ trợ một phần nào vào việc xây dựng mô hình danh mục đầu tư đó là xác định được lượng rủi ro có thể xảy ra

2.1.3.2 Các khái niệm liên quan tới lý thuyết danh mục

➢ Tỷ suất sinh lời (Rate of Return)

Tỷ suất sinh lời là một đại lượng đo lường mức độ lợi nhuận mà nhà đầu tư sẽ có được khi họ bỏ vốn và đầu tư vào một loại tài sản và thu hồi vốn kèm phần tiền lãi khi đầu tư Giả sử chúng ta nắm giữ cổ phiếu bắt đầu từ thời điểm t đến thời điểm t + Δt, Δt là khoảng thời gian nhà đầu tư nắm giữ cổ phiếu đến lúc có dự định bán hoặc tính toán tỷ suất lợi nhuận Do vậy ở thời điểm t, ta sẽ có giá cổ phiếu là P(t) và ở thời điểm t + Δt, ta sẽ có giá cổ phiếu là P(t + Δt), và cổ tức nhận được trong suốt thời kỳ là d(t) Vậy tổng tỷ suất sinh lời của chứng khoán là:

➢ Lợi nhuận kỳ vọng (Expected Return)

Lợi nhuận kỳ vọng của một tài sản rủi ro là khoảng lợi nhuận mà nhà đầu tư mong đợi nhận được trong tương lai khi thực hiện khoản đầu tư này Lợi nhuận kỳ vọng có thể được tính bằng cách gán xác suất cho các khoản lợi nhuận có thể thu được từ khoản đầu tư hoặc sử dụng tỷ suất sinh lời trung bình của lợi nhuận lịch sử Đối với bài nghiên cứu, tác giả sử dụng công thức tính giá trị trung bình như sau:

Trong đó:

- E(Ri) là lợi nhuận kỳ vọng của tài sản i

- wi là tỷ trọng đầu tư tài sản i trong danh mục (điều kiện 0 ≤ wi ≤ 1)

➢ Phương sai và độ lệch chuẩn của tỷ suất sinh lời đối với một tài sản

Phương sai hay độ lệch chuẩn là một phép đo lường được sử dụng làm công cụ thống kê trong tài chính nhằm đo lường mức biến động của tài sản đó trong quá khứ Hay nói cách khác, phương sai là một phương pháp ước lượng chênh lệch của mức tỷ suất sinh lời có thể có Ri so với tỷ suất sinh lời kỳ vọng E(Ri) Đối với cổ phiếu, độ lệch chuẩn càng lớn hay phương sai giữa giá cổ phiếu và giá trị trung bình càng lớn cho thấy mức độ dao động càng rộng (Marshall Hargrave, 2021)

Phương sai (Variance) của một tỷ suất sinh lời kỳ vọng đối với một tài sản càng lớn đồng nghĩa với việc mức độ rủi ro của toàn danh mục càng lớn và tỷ suất lợi nhuận kỳ vọng cũng đồng biến với mức độ rủi ro đo lường trên toàn danh mục Đại lượng được đo lường như sau:

Trong đó:

- E(Ri) là lợi nhuận kỳ vọng của tài sản thứ i

- Ri là tỷ suất sinh lời của tài sản rủi ro trong trường hợp i - N là số cổ phiếu thực hiện trong danh mục

Độ lệch chuẩn (Standard deviation):

Phương sai hay độ lệch chuẩn của một danh mục đầu tư là thước đo rủi ro về mức lợi nhuận tổng hợp thực tế của một nhóm gồm các chứng khoán riêng lẻ tạo

nên một danh mục đầu tư Và theo lý thuyết của Harry Markowitz, độ lệch chuẩn của danh mục đầu tư được tính toán như sau:

Trong đó:

- wi, wj là tỷ trọng đầu tư tài sản riêng lẻ trong danh mục - là phương sai của tỷ suất sinh lời đối với tài sản i

- là hiệp phương sai giữa tỷ suất sinh lời đối với tài sản i và tài sản

j trong danh mục đầu tư

Công thức độ lệch chuẩn của danh mục đầu tư bao gồm không chỉ phương sai của những tài sản riêng lẻ mà còn kèm theo là hiệp phương sai của các tài sản trong danh mục đầu tư Hơn nữa, để tính toán được rủi ro trong danh mục cổ phiếu thì cần phải xét qua các hiệp phương sai của từng mã chứng khoán trong danh mục

➢ Hiệp phương sai của những tỷ suất sinh lời

Trong việc phân tích và lựa chọn danh mục ngoài việc xem xét sự biến động giá cả thì chúng ta nên quan tâm đến hiệp phương sai Theo Quỳnh Anh (2018) cho rằng hiệp phương sai là đại lượng phản ánh mức độ tương quan tuyến tính của hai biến số Hiệp phương sai đo lường mối quan hệ lợi nhuận của hai tài sản và được tính toán bằng cách phân tích các biến động về độ lệch chuẩn so với lợi nhuận kỳ vọng hoặc bằng độ lệch chuẩn của hai tài sản khác nhau (Lê Thảo, 2019)

Một giá trị hiệp phương sai có thể âm hoặc dương, phản ánh mối quan hệ thuận hay nghịch giữa hai tài sản Hiệp phương sai dương tức nghĩa là tỷ suất sinh lời của hai tài sản có khuynh hướng dịch chuyển về một hướng, so với mức trung bình của chúng trong suốt một khoảng thời gian Ngược lại, hiệp phương sai mang giá trị âm cho thấy tỷ suất sinh lời của hai tài sản dịch chuyển theo hai hướng khác nhau, liên quan đến mức trung bình vào từng thời điểm cụ thể trong một khoảng thời gian Nói chung, giá trị tuyệt đối của hiệp phương sai của hai loại tài sản càng nhỏ thì độ liên kết chặt chẽ của mối quan hệ này càng thấp

Ví dụ như xét đến lợi nhuận của cổ phiếu i và j đều đồng loạt tăng hoặc đều đồng loạt giảm thì hai loại cổ phiếu này được xem là có mối quan hệ giá trị hiệp phương sai dương vì tỷ suất sinh lời của hai tài sản dịch chuyển cùng chiều Đối với hai tài sản tạm gọi là i và j thì hiệp phương sai của tỷ suất sinh lời được định công thức như sau:

Trong đó:

- Ri, Rj là tỷ suất sinh lời của 2 tài sản i và j tương ứng

- E(Ri), E(Rj) là tỷ suất sinh lời kỳ vọng của 2 tài sản i và j tương ứng - N là số cổ phiếu thực hiện trong danh mục

➢ Tỷ lệ Sharpe

Tỷ lệ Sharpe là một chỉ số khá quan trọng trong việc quản lý danh mục đầu tư, nó được ví như là một thước đo nhằm giúp các nhà đầu tư đo lường lợi nhuận thu về là bao nhiêu trên một đơn vị rủi ro khi đầu tư vào một tài sản bất kỳ Hay nói cách khác, tỷ lệ Sharpe là chỉ số xem xét các lợi ích và rủi ro Trong thực tế, các nhà đầu tư sẽ chọn lựa và nắm giữ một danh mục đầu tư phù hợp như một danh mục có một mức độ rủi ro để có thể tối đa hóa lợi nhuận như mức kỳ vọng ban đầu hoặc một danh mục với sự tìm kiếm tỷ suất sinh lời kỳ vọng nhất định để giảm thiểu rủi ro trong danh mục đầu tư Tuy vậy, chúng ta đều tin rằng các nhà đầu tư trong việc thiết lập một danh mục đầu tư thì việc đạt được tối đa mức lợi nhuận trên mức rủi ro hoặc nhiều hơn là điều cần thiết Đối với tỷ lệ này, giá trị cao thì đồng nghĩa với việc mức bù rủi ro càng lớn và ngược lại giá trị thấp thì đồng nghĩa với việc mức bù rủi ro càng nhỏ Mức bù rủi ro ở đây có thể được hiểu rằng là mức bồi thường sẽ nhận được trên một đơn vị rủi ro Cụ thể cách tính tỷ lệ Sharpe như sau:

Trong đó:

- là tỷ suất sinh lời kỳ vọng đối với một danh mục đầu tư

- rf là lãi suất phi rủi ro

- là độ lệch chuẩn của danh mục đầu tư

2.2 Cơ sở lý thuyết về thuật toán di truyền 2.2.1 Giới thiệu về quá trình tiến hoá tự nhiên

Để có cái nhìn khái quát và hiểu thêm về thuật toán di truyền, ta hãy xét đến vài khái niệm cơ bản và các chi tiết quan trọng trong sự tiến hoá của sinh vật vì thuật toán di truyền bắt nguồn từ một phần đặc tính của sự tiến hoá giống loài Thuyết tiến hoá do chọn lọc tự nhiên cho biết quá trình biến đổi của các sinh vật qua thời gian và không gian do các thay đổi thể chất và hành vi di truyền (Đặng Vũ Tuấn Sơn, 2020)

Như chúng ta đều biết, trong cơ thể con người và sinh vật nói chung đều tồn tại các kiểu di truyền đặc biệt nhằm xác định và giới hạn khả năng sinh tồn cũng như phát triển cơ thể của mỗi loài Mỗi sinh vật và cá thể sẽ phản ứng như thế nào đối với các hoàn cảnh khác nhau trong môi trường sống, ngày qua ngày duy trì sự tồn tại trước những thử thách của thiên nhiên đều phụ thuộc vào kiểu di truyền đó Và trong thuật toán di truyền, tính chất này sẽ được đo lường bởi một hệ số thích nghi Cha đẻ của thuyết tiến hoá – Charles Darwin đã có một câu nói rất hay được dịch rằng “Kẻ sống sót không phải là kẻ mạnh nhất hay thông minh nhất, mà là kẻ thích nghi nhất” Ông đã chứng minh được mọi loài vật trên thế giới qua thời gian khi trải qua sự tiến hoá từ đời tổ tiên đều sẽ qua một quá trình chọn lọc tự nhiên, tồn tại được hay không đều phụ thuộc vào sự thích nghi của loài vật

Thực tế cho thấy, quá trình tiến hoá tự nhiên là một quá trình phát triển mang đến sự tối ưu, cụ thể thế hệ sau bao giờ cũng tốt hơn các thế hệ trước Nhờ sự chọn lọc và lai ghép giúp thế hệ con mang tính chất di truyền từ cha mẹ hoặc mang những tính trạng hoàn toàn mới nhằm giúp thích nghi với môi trường Những cá thể nào thích nghi với môi trường sống hơn sẽ đồng nghĩa với việc tồn tại lâu hơn và có cơ hội truyền giống cho thế hệ kế tiếp, ngược lại, cá thể nào không thích ứng được sẽ bị đào thải Quá trình trên dù có ổn định nhưng không phải sự kết hợp nào cũng

mang lại sự hoàn hảo do đó trong một số trường hợp mang lại kết quả không mấy khả quan, đó là do các cá thể trải qua quá trình đột biến, dù rằng xác suất xảy ra hiện tượng đột biến thấp hơn rất nhiều so với hiện tượng di truyền nhưng về lâu dài sự đột biến này sẽ có ảnh hưởng nghiêm trọng (Hoàng Kiếm và Lê Hoàng Thái, 2000)

2.2.2 Giới thiệu về thuật toán di truyền

Thuật toán di truyền (Genetic Algorithms – Gas) đã được các nhà sinh vật học phát biểu vào những năm 1950s, 1960s của thế kỷ XX Trong đó Box (1957) và Fraser (1957) là hai người đã nêu lên sự tương quan giữa thuật toán di truyền và sự tiến hoá của sinh vật để tồn tại và phát triển trong tự nhiên Fraser đã thực hiện mô phỏng các quy trình trong cách giải thuật toán di truyền bằng cách sử dụng máy tính Sau đó cụ thể vào năm 1962, Bremermann đã lấy đó làm nền tảng để phục vụ cho việc tính toán các hệ phương trình và nghiên cứu, trong bài nghiên cứu của ông thì lý thuyết ấy đã được củng cố và được áp dụng để giải các hệ phương trình Tuy nhiên, chính một nhà khoa học người Mỹ, John Henry Holland mới là người phát triển và nghiên cứu sâu về ý tưởng này Ông được xem là người cha của thuật toán

di truyền và vào năm 1975, ông đã xuất bản quyển sách “Adaptation in Natural

and Artificial Systems” nghiên cứu về thuật toán di truyền Sau đó đến năm 1989,

ông cùng hai đồng nghiệp David và Kenneth hợp tác tạo nên một nền lý thuyết vững chắc và thực hiện các áp dụng của Gas để giải quyết các vấn đề phức tạp trong thực tế Và đề tài này thu hút các tác giả nghiên cứu khác trên thế giới như Bauer (1994), Berger (1998), Fichter (2000),…

Dubinskas và Urbšienė (2017) đã nêu nhận xét rằng do hệ thống tài chính kinh tế toàn cầu khá phức tạp nên hiện nay đã có một số nhà kinh tế đang cố gắng thay đổi hệ thống bằng các phương trình vi phân ngẫu nhiên được mô phỏng bằng máy tính Việc ứng dụng trí tuệ nhân tạo này không những đề ra được các giải pháp phù hợp và mang tính khả thi hơn mà còn làm tăng hiệu quả đưa ra giải pháp trong quá trình đầu tư Đồng quan điểm, Roberto Pereira (2000) cũng đã tuyên bố rằng các thuật toán di truyền phù hợp để giải quyết các vấn đề trong tài chính, đặc biệt là

trong việc xây dựng một danh mục đầu tư tối ưu hoá hiệu quả và phức tạp thay vì các thuật toán xác định cổ điển khác

Nhóm tác giả Sefiane và Benbouziane (2012) cho rằng thuật toán di truyền là một phương pháp lặp đi lặp lại để tìm kiếm giải pháp tối ưu, nó sử dụng một quần thể với kích thước không đổi Quần thể này bao gồm các nhiễm sắc thể, mỗi nhiễm sắc thể là mã hóa của một giải pháp tiềm năng cho việc giải quyết các vấn đề, nó được tạo thành từ một tập hợp các yếu tố được gọi là gen Các nhiễm sắc thể phát triển qua các lần lặp lại liên tiếp, được gọi là thế hệ Ở mỗi lần lặp lại, một quần thể mới được tạo ra với cùng kích thước, thế hệ này bao gồm các nhiễm sắc thể tốt hơn và việc "thích nghi" với môi trường của chúng được biểu thị bằng chức năng chọn lọc

Đây là phương pháp dựa trên trí tuệ nhân tạo thông qua các mẫu kỹ thuật ngẫu nhiên dựa trên các nguyên tắc chọn lọc tự nhiên và phương pháp này có thể giải quyết các vấn đề tối ưu hoá phi tuyến tính với mục tiêu có thể không rõ ràng và thậm chí là dữ liệu sử dụng có thể không liên tục do bị ngắt quãng (Lin và Gen, 2007)

Nói chung, thuật toán di truyền là một kỹ thuật của khoa học máy tính dựa trên cách hành xử và phản ứng của con người và sinh vật Thuật toán di truyền có thể ứng dụng trong lĩnh vực tài chính bằng cách dự báo lợi nhuận, giá cổ phiếu, tối ưu hoá danh mục đầu tư, xác định quy tắc giao dịch, định giá quyền chọn, Thuật toán di truyền bao gồm các phương thức biến hoá gồm chọn lọc, lai ghép, đột biến Việc xác định cá thể trong thế hệ hiện tại được giữ lại trong thế hệ tiếp theo được gọi là quá trình chọn lọc Việc ngẫu nhiên kết hợp hai cá thể khác nhau, dùng những thứ có sẵn ở thế hệ trước truyền lại cho thế hệ sau được gọi là quá trình lai ghép Việc ngẫu nhiên thay đổi cấu trúc của cá thể, biến hoá thành những cá thể mới được gọi là quá trình đột biến

2.2.3 Các quá trình chính trong thuật toán di truyền 2.2.3.1 Mã hóa dữ liệu

Để có thể thực hiện được các bước trong thuật toán di truyền, việc quan trọng nhất là chọn một cấu trúc dữ liệu tương ứng và phù hợp Theo tìm hiểu, tác giả nhận thấy được có 3 loại cấu trúc dữ liệu thường được dùng trong thuật toán di truyền đó là chuỗi nhị phân, chuỗi số thực và cấu trúc cây Một sơ đồ đơn giản về mã hóa dữ liệu trong thuật toán di truyền được trình bày như sau:

Hình 2.1 Sơ đồ mã hóa dữ liệu thuật toán di truyền

Nguồn: Genetic Algorithm của Tom V Mathew Assistant Professor

Loại 1: Biểu diễn gen bằng chuỗi nhị phân

Thuật ngữ thuật toán di truyền như đã đề cập là một dạng về ứng dụng ngôn ngữ máy tính để có thể trình bày và giải thích các bước có trong thuật toán Ở đây, việc sử dụng chuỗi nhị phân để thể hiện cấu trúc gen của một cá thể nào đó và sâu xa hơn là để thực hiện quy trình đột biến và lai ghép

Loại 2: Biểu diễn gen bằng cấu trúc cây

Phương thức này khá phức tạp nên rất ít có tác giả sử dụng và thực nghiệm, đây là một loại cấu trúc sử dụng cho dữ liệu có dạng cây một nhánh hoặc hai nhánh

Loại 3: Biểu diễn gen bằng số thực

Đây là dạng biểu diễn cải tiến hơn khi bài toán phải đối mặt có nhiều tham số mà dạng chuỗi nhị phân không thể giải quyết được vì độ phức tạp đa tham số của bài toán đó Cần có một quy tắc phải lưu ý trong cách biểu diễn này đó là “phải đảm bảo tiết kiệm không gian đối với từng thành phần gen”

Trong bài nghiên cứu, tác giả sẽ sử dụng phương thức biểu diễn gen bằng chuỗi nhị phân để có thể giải quyết bài toán đơn giản hơn

2.2.3.2 Hàm thích nghi

Như đã đề cập trước đây, thuật toán di truyền dựa vào nguyên tắc tồn tại của sinh học là cá thể nào phù hợp nhất sẽ được chọn để thực hiện quá trình sinh sản là lai ghép và đột biến Do vậy, thuật toán di truyền đương nhiên phù hợp để giải quyết các vấn đề liên quan đến tối ưu hóa, hay nói cách khác đây là các bài toán thực hiện việc biến đổi để phù hợp mục tiêu bài toán Tính chất phù hợp (thích nghi) là rất quan trọng quyết định xem đặc điểm cá thể đó có thể hoạt động tốt hay không, những cá thể có thể thích nghi cao hơn sẽ có xác suất cao hơn được chọn lọc để vào các bước di truyền sau

Đối với một cá thể thì hàm thích nghi của chúng phải là một giá trị không âm Cheong (2017) đã nêu ý kiến rằng các giá trị thích nghi của các nhiễm sắc thể ngoài việc nhằm đánh giá độ tốt của nhiễm sắc thể đó còn đại diện cho trọng lượng của các cổ phiếu có trong danh mục

Tuỳ vào giá trị hàm thích nghi mà ta biết và đánh giá độ tốt của một cá thể, lấy một ví dụ về bài toán tìm cực đại khi giá trị càng lớn thì chứng tỏ cá thể đó sẽ sinh sống tốt và tương lai có thể có nhiều đời con được sinh sản và với một bài toán tìm giá trị cực tiểu thì nếu đáp án của bài toán ra kết quả càng nhỏ thì cá thể đó sẽ được đánh giá cao về mặt tốt (Lại Thị Nhung, 2011) Giả sử một quần thể có N nhiễm sắc thể ban đầu được ký hiệu x1, x2, x3,… xN được tạo ngẫu nhiên Giá trị thích nghi hay còn được gọi là mức độ phù hợp của mỗi nhiễm sắc thể được đánh giá như sau: f(x1), f(x2), f(x3),… f(xN) Các cặp nhiễm sắc thể có giá trị hàm thích nghi phù hợp sẽ cho thấy một xác suất tối đa để chọn lọc Việc thiết kế một hàm thích nghi là một việc rất quan trọng trong thuật toán di truyền, nếu việc chọn lựa hàm đánh giá không chính xác có thể làm mất đi các cá thể tốt trong quần thể

2.2.3.3 Toán tử chọn cá thể

Đối với tiến trình chọn lọc, nhà nghiên cứu sẽ lựa chọn ngẫu nhiên một số cá thể trong nhóm quần thể ban đầu để phát triển ở lần lặp lại tiếp theo dựa trên ý

tưởng các cá thể có giá trị thích nghi càng lớn thì khả năng cá thể đó được chọn để lai ghép vào thế hệ sau, thực hiện lại vòng lặp càng cao Các cá thể được chọn, được gọi là bố mẹ, sẽ sản sinh ra đời con cái cho lần lặp lại tiếp theo (Yang, 2006)

Theo thuyết tiến hoá của Darwin, các nhiễm sắc thể có thể trạng tốt sẽ tồn tại và có cơ hội tạo ra các cá thể đời con mới Có nhiều phương pháp để thực hiện quá trình chọn lọc này nhằm tìm kiếm các nhiễm sắc thể tốt nhất, đó là chọn lọc Roulette, nhị phân, xếp hạng hoặc cạnh tranh Trong bài nghiên cứu này, tác giả sẽ chọn phương pháp chọn lọc Roulette (phương pháp vòng quay bánh xe) Đây là phương pháp dựa trên xác suất để lựa chọn cá thể và đặc biệt xác suất chọn lọc sẽ tỷ lệ thuận với giá trị hàm thích nghi (Phan Việt Anh và Bùi Thu Lâm, 2013)

Hoàng Kiếm và Lê Hoàng Thái (2000, trang 27) cho rằng “ Xử lý chọn lọc

các cá thể cha mẹ được hình thành theo mô hình tái tạo quay trên vòng tròn Vòng quay của chúng có kích cỡ khác nhau ứng với những giá trị hợp lý của các cá thể ”

Sefiane và Benbouziane (2012), Dubinskas và Urbšienė (2017) đều cho rằng trong quá trình này, ta sẽ chọn một quần thể mới thoả việc phân bổ xác suất dựa trên các độ thích nghi, ta sẽ dùng phương pháp bánh xe Roulette được xây dựng như sau:

- Tính độ thích nghi eval(vi) của mỗi nhiễm sắc thể vi (i = 1 … pop_size) với pop_size là kích thước quần thể (số nhiễm sắc thể trong quần thể)

- Tính tổng giá trị thích nghi toàn quần thể:

Với giá trị thích nghi của một quần thể được tính toán như sau:

- Tính xác suất chọn pi cho mỗi nhiễm sắc thể vi (i = 1 … pop_size):

- Tính vị trí xác suất qi của mỗi nhiễm sắc thể vi (i = 1 … pop_size):

Trong quá trình này, cách mỗi lần chọn một nhiễm sắc thể từ quần thể hiện có vào quần thể mới theo cách sau:

- Phát sinh ngẫu nhiên một số r trong đoạn [0 … 1]

- Nếu r < qi thì chọn nhiễm sắc thể đầu tiên vi, ngược lại thì chọn nhiễm sắc thể thứ i là vi (2 ≤ i ≤pop_size) sao cho qi-1 < r < qi

2.2.3.4 Toán tử lai ghép cá thể

Bước đầu tiên trong quá trình là chọn lọc các cá thể có khả năng tồn tại khoẻ mạnh trong những lần lặp sau, tuy vậy, quá trình đó chưa tạo ra được các cá thể mới hoàn toàn mà chỉ dựa vào một nhóm các cá thể có sẵn để sàng lọc ra các cá thể tốt hơn Vì vậy, tiến trình lai ghép sẽ giúp ta kết hợp các cá thể cha mẹ để nhằm tạo ra các đời con lai có cấu trúc đặc biệt hơn, khắc phục được những nhược điểm của cha mẹ bằng cách ghép một hoặc nhiều đoạn gen của hai (hay nhiều) nhiễm sắc thể cha mẹ với nhau Các con được tạo ra sẽ được đưa vào một quần thể mới, trong khi bố mẹ của chúng sẽ bị loại bỏ nhưng cũng sẽ có vài bố mẹ phù hợp nhất vẫn sẽ được giữ lại cho lần lặp sau

Đối với quá trình này, theo Yang (2006, trang 6) cho rằng “ Nhà điều hành

giao nhau lấy hai cá thể được chọn và kết hợp chúng tại một điểm giao nhau để tạo ra các cá thể mới Trong mỗi lần lặp lại, những ứng cử viên tương đối tốt có cơ hội cao hơn được chọn để sinh sản con cái”

Quá trình lai ghép có thể xảy ra thông qua các phương pháp khác nhau như lai ghép một điểm, nhiều điểm, hoán vị, chéo số học, Lai một điểm tức là lựa chọn ngẫu nhiên một vị trí ghép chéo trên hai chuỗi ba mẹ được chọn ra trong quá trình chọn lọc và tiến hành lai ghép tại vị trí đã chọn, kết thúc quá trình này sẽ tạo ra hai chuỗi mới (Chou và các cộng sự, 2017)

Tuy nhiên, bài nghiên cứu sẽ sử dụng kiểu lai ghép số học vì phương pháp này mang lại kết quả chính xác hơn khi tối đa hóa một vấn đề nào đó so với các phương pháp khác (Sefiane và Benouziane, 2012) Phương pháp này sử dụng các

giá trị của hai nhiễm sắc thể cha và mẹ để nhằm xác định được cá thể con phù hợp, tức có nghĩa dựa vào tính chất và đặc điểm của các cá thể đời đầu nhằm phát triển và khắc phục những điểm yếu của đời đầu, và kiểu lai này được trình bày như sau:

- Phát sinh một số ngẫu nhiên trong đoạn [0;1]

- Nếu < pc thì chọn nhiễm sắc thể đó để lai ghép

Sau đó, ta kết hợp các nhiễm sắc thể được chọn một cách ngẫu nhiên lại và đối với mỗi cặp nhiễm sắc thể, ta sẽ phát sinh một số ngẫu nhiên pos nhằm xác định vị trí lai ghép từ [1,L] với L là chiều dài (gen) của mỗi nhiễm sắc thể

2.2.3.5 Toán tử đột biến cá thể

Nhiễm sắc thể bao gồm nhiều gen, trong trường hợp này, gen được coi là trọng lượng wi được quy cho cổ phiếu có trong danh mục đầu tư (Dubinskas và Urbšienė, 2017) Kết thúc quá trình lai ghép, các cá thể trong quần thể sẽ trải qua quá trình đột biến, quá trình này là thay đổi ngẫu nhiên các gen của một cá thể đối với một yếu tố đột biến nhỏ Nhờ các yếu tố đột biến ngẫu nhiên sẽ giúp sửa đổi các gen của một cá thể sang một tính trạng phù hợp hoặc mang tính trạng tốt hơn và sau đó tập hợp các gen đó thành nhóm ứng viên mới có tiềm năng hơn

Phép đột biến xảy ra với xác suất pm (pmutation), xác suất này cho chúng ta một số lượng gồm các cấu trúc(gen) đột biến pm*L*n gen Những cá thể có giá trị

thích nghi thấp hơn sẽ bị loại khỏi nhóm ban đầu Quá trình lặp lại này tiếp tục cho đến khi các tiêu chí kết thúc được đáp ứng

Hoàng Kiếm và Lê Hoàng Thái (2000) đề xuất cách xử lý với mỗi nhiễm sắc thể trong quần thể như sau:

- Phát sinh một số ngẫu nhiên r trong miền [0;1] - Nếu r < pm tiến hành đột biến tại vị trí đó

Sau quá trình chọn lọc, đột biến và lai ghép, quần thể sẽ tiếp tục được tính toán các giá trị thích nghi nhằm xây dựng phân bố xác suất cho quá trình tiếp theo

2.2.3.6 Điều kiện kết thúc lặp của thuật toán di truyền

Trước khi bắt đầu với việc ứng dụng chọn một danh mục cổ phiếu, ta sẽ định trước số thế hệ (cổ phiếu) cần tạo vào bước cuối cùng Vì vậy, để kết thúc vòng lặp của một thuật toán di truyền, ta sẽ kiểm tra độ thích nghi của những cá thể tốt nhất bằng cách so sánh với những cá thể ban đầu Thường sau một số vòng lặp khi không tìm kiếm được một quần thể được cải tiến tốt hơn so sánh với kết quả trước ta sẽ lặp lại quá trình từ đầu

2.2.3.7 Tóm tắt trình tự thuật toán di truyền

Tóm lại, một thuật toán di truyền phải có 5 bước sau:

Bước 1: Lập một quần thể các nhiễm sắc thể nhằm thiết lập số lượng nhiễm

sắc thể ngẫu nhiên ban đầu với kích cỡ quần thể được xác định trước

Bước 2: Xác định giá trị thích nghi của từng nhiễm sắc thể Bằng cách này,

ta có thể chọn những cá thể trong quần thể sẽ được sử dụng cho mục đích sinh sản về sau

Bước 3: Sao chép lại các nhiễm sắc thể dựa vào giá trị thích nghi của chúng

và tạo ra những nhiễm sắc thể mới bằng việc kết hợp các nhiễm sắc thể hiện tại thông qua các toán tử lai ghép và đột biến

Bước 4: Loại bỏ các nhiễm sắc thể với giá trị hàm thích nghi thấp nhất

trong quần thể

Bước 5: Chèn những nhiễm sắc thể mới vào quần thể để hình thành một

quần thể mới Và cứ tiếp tục quy trình lặp lại này cho đến khi đạt được điều kiện định trước

2.3 Tổng quan các nghiên cứu trước

Cụ thể trong các nghiên cứu gần đây, nghiên cứu của Yang (2006) bằng việc so sánh 3 phương pháp tiếp cận từ giải thuật di truyền, phương sai trung bình và phương pháp Bayes nhằm cải thiện danh mục đầu tư hiệu quả với mẫu nghiên cứu gồm tập dữ liệu MSCI (Morgan Stanley Capital International) gồm các chỉ số tổng lợi nhuận trên vốn chủ sở hữu của Canada, Pháp, Đức, Nhật Bản, Vương Quốc Anh, Mỹ gồm cổ phiếu, trái phiếu và trái phiếu châu Âu dựa trên giá trị đô la Mỹ trong thời gian từ tháng 1 năm 1975 đến tháng 12 năm 2004, lấy tỷ suất sinh lời phi rủi ro là lãi suất T-bill của 3 tháng Kết quả của bài toán đem lại là danh mục đầu tư có độ lệch chuẩn nhỏ hơn, lợi nhuận ngoài mẫu cũng có giá trị trung bình cao hơn đáng kể so với chiến lược danh mục đầu tư phương sai trung bình tiêu chuẩn và phương pháp tiếp cận Bayes Trọng số danh mục đầu tư sử dụng thuật toán di truyền ít bị mất cân bằng hơn và dao động ít hơn nhiều theo thời gian so với phương pháp phương sai trung bình chuẩn và phương pháp Bayes Hơn nữa, tác giả đã nhận định rằng thuật toán là mô hình kết hợp cả thông tin lịch sử và sự không chắc chắn trong tương lai nhằm cải thiện đáng kể độ chính xác trong ước lượng trung bình, giúp nâng cao hiệu suất của mô hình, khắc phục được những khó khăn về tính toán khi tiếp cận bằng phương pháp Bayes

Lin (2007) cũng với sự đồng tình rằng việc áp dụng thuật toán di truyền sẽ mang lại giá trị tối ưu cho việc lập một danh mục đầu tư Tác giả đã khẳng định rằng thuật toán di truyền được thiết kế để giải quyết các vấn đề tối ưu hoá tương ứng vì các phương pháp tối ưu hoá truyền thống hiện có không thể giải quyết hiệu quả được Và với việc nghiên cứu dựa trên một nhóm gồm 40 công ty mẫu được thu thập từ thị trường Đài Loan được sử dụng để chứng minh phương pháp được đề xuất với xác suất lai tạo và đột biến ngẫu nhiên