Ứng Dụng Phương Pháp Học Máy Trong Giao Dịch Cổ Phiếu Theo Chỉ Báo Bằng Ngôn Ngữ Lập Trình Python.pdf

NGUYỄN LÊ THANH THY

TP HỒ CHÍ MINH, NĂM 2024

Họ và tên sinh viên: NGUYỄN LÊ THANH THY Mã số sinh viên: 050608200708

Lớp sinh hoạt: HQ8-GE14

NGƯỜI HƯỚNG DẪN KHOA HỌC TS LÊ HOÀNG ANH

TP HỒ CHÍ MINH, NĂM 2024

TÓM TẮT

Tên đề tài: “Ứng dụng phương pháp học máy trong giao dịch cổ phiếu theo chỉ

báo bằng ngôn ngữ lập trình Python”

Tóm tắt nội dung đề tài: Trong nền kinh tế hiện tại, thị trường chứng khoán

không chỉ đóng vai trò quan trọng cho nguồn vốn hoạt động kinh doanh của các công ty mà còn là một kênh đầu tư hấp dẫn, nhiều tiềm năng cho các nhà đầu tư cá nhân Tuy vậy, thị trường chứng khoán khó lường và biến động nhanh chóng đòi hỏi nhà đầu tư phải nắm bắt và phân tích đánh giá nhanh chóng với lượng dữ liệu khổng lồ Khóa luận với đề tài “Ứng dụng phương pháp học máy trong giao dịch cổ phiếu theo chỉ báo bằng ngôn ngữ lập trình Python” nghiên cứu quy trình cho phép nhà đầu tư hay các nhà quản lý quỹ kiểm tra hiệu quả chiến lược giao dịch theo tín hiệu từ các chỉ báo và tìm kiếm danh mục tối ưu tương ứng Cụ thể, các chiến lược giao dịch được xây dựng trong khóa luận dựa trên tín hiệu mua bán của các chỉ báo SMA, dải Bollinger, RSI và MACD Đồng thời, việc tối ưu hóa rủi ro DMĐT dựa trên phương pháp tỷ lệ Sharpe Với dữ liệu thu thập trong giai đoạn 2018 – 2023, kết quả nghiên cứu của khóa luận cho thấy hiệu quả của việc ứng dụng phương pháp học máy trong kiểm tra chiến thuật và tối ưu rủi ro danh mục thông qua tỷ suất lợi nhuận đạt được sau giao dịch Cũng thông qua đó, khóa luận đề xuất quy trình ứng dụng nghiên cứu vào thực tiễn dành cho nhà đầu tư hay các nhà quản lý quỹ

Từ khóa: Chỉ báo, SMA, dải Bollinger, RSI, MACD, tỷ lệ Sharpe, Python

ABSTRACT

Title: “Applying machine learning methods in stock trading based on indicators

using the Python programming language”

Summary of the topic content: In the current economy, the stock market not

only plays an important role in providing capital for companies' business operations, but is also an attractive, potential investment channel for individual investors However, the unpredictable and rapidly fluctuating stock market requires investors to quickly capture, analyze and evaluate huge amounts of data Thesis with the topic "Application of machine learning method in stock trading based on indicators using Python programming language" researches the process that allows investors or fund managers to check the effectiveness of trading strategies follow signals from indicators and search for the corresponding optimal portfolio Specifically, the trading strategies built in the thesis are based on the buying and selling signals of the SMA, Bollinger bands, RSI and MACD indicators At the same time, portfolio risk optimization is based on the Sharpe ratio method With data collected in the period 2018 - 2023, the research results of the thesis show the effectiveness of applying machine learning methods in testing tactics and optimizing portfolio risk through achieved profit margins received after the transaction Through that, the thesis proposes a process for applying research into practice for investors or fund managers

Keywords: Technical indicators, SMA, Bollinger Bands, RSI, MACD and

Python

LỜI CAM ĐOAN

Khoá luận này là công trình nghiên cứu riêng của tác giả, 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

Tác giả

Nguyễn Lê Thanh Thy

LỜI CẢM ƠN

Em xin gửi lời cảm ơn chân thành đến với Quý Thầy Cô tại Trường Đại học Ngân hàng Thành phố Hồ Chí Minh vì đã luôn hỗ trợ và truyền đạt kiến thức cho em trong quá trình học tại trường Đặc biệt em xin trân trọng gửi lời cảm ơn đến giảng viên TS Lê Hoàng Anh cũng như lòng biết ơn vì đã được thầy hướng dẫn hoàn thành khoá luận này

Trong quá trình làm luận, em không tránh khỏi những thiếu sót do góc nhìn của bạn thân còn hạn hẹp Vì thế, kính mong nhận được sự đồng cảm, thông cảm và chỉ dẫn thêm của Quý Thầy Cô

Cuối cùng, em xin kính chúc Quý Thầy Cô thật nhiều sức khoẻ và thành công trong công việc cũng như cuộc sống Em xin chân thành cảm ơn

Tác giả

Nguyễn Lê Thanh Thy

CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU 1

Giới thiệu chương 1 1

1.1 Lý do chọn đề tài 1

1.2 Mục tiêu nghiên cứu 3

1.3 Câu hỏi nghiên cứu 3

1.4 Đối tượng và phạm vi nghiên cứu 4

1.5 Phương pháp nghiên cứu 4

1.6 Bố cục khóa luận 5

Kết luận chương 1 6

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM 7

Giới thiệu chương 2 7

2.1 Các khái niệm liên quan 7

2.1.1 Cổ phiếu 7

2.1.2 Ngôn ngữ lập trình Python 8

2.1.3 Chỉ báo kỹ thuật 10

2.2 Cơ sở lý thuyết 19

2.2.1 Lý thuyết Markowitz 19

2.2.2 Phương pháp đo lường hiệu quả của danh mục đầu tư 21

2.3 Khảo lược nghiên cứu có liên quan 22

Kết luận chương 2 24

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 25

Giới thiệu chương 3 25

3.1 Quy trình nghiên cứu 25

3.2 Chiến lược giao dịch 27

3.2.1 Chiến lược giao dịch theo chỉ báo SMA 27

3.2.2 Chiến lược giao dịch theo dải Bollinger 28

3.2.3 Chiến lược giao dịch theo chỉ báo RSI 29

3.2.4 Chiến lược giao dịch thep chỉ báo MACD 29

3.3 Danh mục tối ưu rủi ro 30

3.4 Thuật toán thực thi chiến lược giao dịch 32

3.4.1 Giai đoạn huấn luyện: 32

3.4.2 Giai đoạn kiểm tra 33

3.5 Dữ liệu 35

Kết luận chương 3 38

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU 39

Giới thiệu chương 4 39

4.1 Giao dịch theo các chiến lược giai đoạn 2018 – 2022 39

4.1.1 Chiến lược giao dịch theo chỉ báo SMA 39

4.1.2 Chiến lược giao dịch theo dải Bollinger 41

4.1.3 Chiến lược giao dịch theo chỉ báo RSI 42

4.1.4 Chiến lược giao dịch theo chỉ báo MACD 44

4.2 Tối ưu rủi ro các danh mục đầu tư 46

4.2.1 Danh mục theo chỉ báo SMA 46

4.2.2 Danh mục theo dải Bollinger 47

4.2.3 Danh mục theo chỉ báo RSI 47

4.2.4 Danh mục theo chỉ báo MACD 48

4.3 Kết quả giao dịch của các danh mục trong năm 2023 49

4.3.1 Danh mục theo chỉ báo SMA 49

4.3.2 Danh mục theo dải Bollinger 49

4.3.3 Danh mục theo chỉ báo RSI 50

4.3.4 Danh mục theo chỉ báo MACD 52

4.3.5 Danh mục tối ưu nhất 53

Kết luận chương 4 54

CHƯƠNG 5: KẾT LUẬN VÀ ĐỀ XUẤT 55

Giới thiệu chương 5 55

5.1 Kết luận 55

5.2 Đề xuất áp dụng thực tiễn 56

Kết luận chương 5 59TÀI LIỆU THAM KHẢO

PHỤ LỤC

DANH MỤC CHỮ VIẾT TẮT

DANH MỤC BIỂU ĐỒ

Biểu đồ 4.1 Tỷ suất sinh lợi của từng mã cổ phiếu sau giao dịch với chiến lược giao dịch theo chỉ báo SMA trong giai đoạn 2018 – 2022 40Biểu đồ 4.2 Mức độ thua lỗ của từng mã cổ phiếu sau giao dịch với chiến lược giao dịch theo chỉ báo SMA trong giai đoạn 2018 – 2022 40Biểu đồ 4.3 Tỷ suất sinh lợi của từng mã cổ phiếu sau giao dịch với chiến lược giao dịch theo dải Bollinger trong giai đoạn 2018 – 2022 41Biểu đồ 4.4 Mức độ thua lỗ của từng mã cổ phiếu sau giao dịch với chiến lược giao dịch theo dải Bollinger trong giai đoạn 2018 – 2022 42Biểu đồ 4.5 Tỷ suất sinh lợi của từng mã cổ phiếu sau giao dịch với chiến lược giao dịch theo chỉ báo RSI trong giai đoạn 2018 – 2022 43Biểu đồ 4.6 Mức độ thua lỗ của từng mã cổ phiếu sau giao dịch với chiến lược giao dịch theo chỉ báo RSI trong giai đoạn 2018 – 2022 43Biểu đồ 4.7 Tỷ suất sinh lợi của từng mã cổ phiếu sau giao dịch với chiến lược giao dịch theo chỉ báo MACD trong giai đoạn 2018 – 2022 44Biểu đồ 4.8 Mức độ thua lỗ của từng mã cổ phiếu sau giao dịch với chiến lược giao dịch theo chỉ báo MACD trong giai đoạn 2018 – 2022 45Biểu đồ 4.9 Tỷ trọng phân bổ vốn tối ưu cho danh mục đầu tư theo chỉ báo SMA 46Biểu đồ 4.10 Tỷ trọng phân bổ vốn tối ưu cho danh mục đầu tư theo dải Bollinger 47Biểu đồ 4.11 Tỷ trọng phân bổ vốn tối ưu cho danh mục đầu tư theo chỉ báo RSI 48Biểu đồ 4.12 Tỷ trọng phân bổ vốn tối ưu cho danh mục đầu tư theo chỉ báo MACD 48Biểu đồ 4.13 Tỷ suất sinh lợi của từng mã cổ phiếu trong danh mục theo chỉ báo SMA sau giao dịch trong năm 2023 49Biểu đồ 4.14 Tỷ suất sinh lợi của từng mã cổ phiếu trong danh mục theo dải Bollinger sau giao dịch trong năm 2023 50Biểu đồ 4.15 Tỷ suất sinh lợi của từng mã cổ phiếu trong danh mục theo chỉ báo RSI sau giao dịch trong năm 2023 50

Biểu đồ 4.16 Giao dịch với chiến lược theo chỉ báo RSI của mã ACB trong năm 2023 51Biểu đồ 4.17 Tỷ suất sinh lợi của từng mã cổ phiếu trong danh mục theo chỉ báo RSI sau giao dịch trong năm 2023 52Biểu đồ 4.18 Tỷ suất sinh lợi của các danh mục đầu tư theo chỉ báo sau giao dịch năm 2023 53

DANH MỤC SƠ ĐỒ

Sơ đồ 2-1 Các phiên bản Python được ra mắt đến nay 9

Sơ đồ 3-1 Quy trình nghiên cứu 25

Sơ đồ 5-1 Quy trình ứng dụng nghiên cứu vào thực tiễn 56

DANH MỤC HÌNH Hình 2-1 Đường SMA50 của cổ phiếu FPT năm 2023 11

Hình 2-2 Dải Bollinger của cổ phiếu FPT năm 2023 13

Hình 2-3 Đường RSI của cổ phiếu FPT năm 2023 15

Hình 2-4 Đường MACD của cổ phiếu FPT năm 2023 18

DANH MỤC BẢNG Bảng 3-1 Danh sách các mã cổ phiếu thuộc VN30 35

CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU GIỚI THIỆU CHƯƠNG 1

Với đề tài “Ứng dụng phương pháp học máy trong giao dịch cổ phiếutheo chỉ báo bằng ngôn ngữ lập trình Python”, ở chương 1 khóa luận trình bày lý do chọn đề tài này cũng như là các mục tiêu, đối tượng nghiên cứu, phương pháp nghiên cứu, ý nghĩa khoa học và thực tiễn, khoảng trống nghiên cứu và cả bố cục của khóa luận

1.1 Lý do chọn đề tài

Thị trường chứng khoán có mặt từ rất lâu ở các nước phát triển và hầu hết các nước đang phát triển Đến nay, thị trường chứng khoán đã trở thành một thị trường không thể thiếu ở mọi nền kinh tế muốn phát triển vững mạnh Sau hơn 23 năm hình thành và phát triển đến ngày này, thị trường chứng khoán đã đạt những thành tựu nhất định cũng với những chuyển mình lớn mạnh của nền kinh tế Đặc biệt là khi dịch bệnh COVID – 19 diễn ra dẫn đến nhiều lĩnh vực hoạt động kinh doanh bị đóng băng, thị trường chứng khoán trở thành điểm nổi bật và đáng chú ý

Cổ phiếu là công cụ đầu tư sinh lợi cao trên thị trường vốn và sự phát triển mạnh mẽ của thị trường chứng khoán đã thu hút sự quan tâm của rất nhiều nhà đầu tư muốn đa dạng thu nhập, tài sản của mình Theo thông tin từ Bộ Tài chính, chỉ trong năm 2023 số tài khoản của các nhà đầu tư mới tăng trên 350.000 tài khoản, đưa tổng số tài khoản lên hơn 7,4 triệu tài khoản, tương đương với 7,5% dân số (Bình Khánh, 2024) Cùng với mức tăng của các nhà đầu tư mới, các doanh nghiệp cũng đang gia tăng hoạt động niêm yết để có thể tiếp cận nguồn vốn trên thị trường

Tuy nhiên, lợi nhuận hấp dẫn của cổ phiếu và thị trường chứng khoán đi kèm với những biến động, khó lường, rủi ro thị trường Trong năm 2023, nhà đầu tư chứng kiến

không ít biến động và áp lực đến từ diễn biến phức tạp của thị trường chứng khoán quốc tế Thị trường chứng khoán phản ứng nhanh nhất trước lạm phát, sụt giảm kinh tế và đặc biệt là xung đột chính trị quốc tế phức tạp

Thị trường chứng khoán trở thành kênh đầu tư hấp dẫn cho người dân Tuy nhiên, với những biến động nhanh chóng và khó lường, thị trường chứng khoán đòi hỏi các nhà đầu tư tham gia thị trường phải nắm vững các kiến thức về kinh tế, xã hội, lĩnh vực đầu tư, tài chính, phân tích tài chính và cả khả năng cập nhật thông tin liên tục để đánh giá lựa chọn các mã cổ phiếu, chiến lược giao dịch phù hợp cũng như là ra quyết đính đầu tư chính xác

Việc ứng dụng công nghệ vào giao dịch chứng khoán được cho rằng tạo ra sự thay đổi lớn trong hoạt động đầu tư chứng khoán nhờ khả năng xử lý lượng dữ liệu khổng lồ trong thời gian nhanh chóng Đặc biệt khi các ngôn ngữ lập trình đã dần trở nên phổ biến và dễ học hơn, một trong số đó chính là ngôn ngữ lập trình Python Python đang được rất nhiều nhà đầu tư hay nhà quản lý quỹ sử dụng để thu thập, xử lý dữ liệu và tính toán các phân tích kỹ thuật như chỉ báo, các chỉ số hiệu quả đầu tư

Chính vì lẽ đó, ứng dụng phương pháp học máy trong giao dịch cổ phiếu là một nhu cầu cấp thiết Chủ đề này đã được nhiều nhà nghiên cứu trong và ngoài nước quan tâm đưa ra nhiều giải pháp Mỗi giải pháp đều có ưu nhược điểm khác nhau

Vì các lý do trên tôi lựa chọn đề tài “ Ứng dụng phương pháp học máy trong giao dịch cổ phiếu theo chỉ báo bằng ngôn ngữ lập trình Python” làm đề tài khóa luận tốt nghiệp của mình

1.2 Mục tiêu nghiên cứu

• Mục tiêu tổng quát

Khóa luận tập trung nghiên cứu ứng dụng phương pháp học máy trong giao dịch cổ phiếu theo chỉ báo bằng ngôn ngữ lập trình Python với mục tiêu cho phép người dùng (nhà đầu tư, nhà quản lý quỹ, ) đề xuất danh mục đầu tư cùng với chiến lược giao dịch tương ứng nhằm tối đa hóa lợi nhuận và tối ưu rủi ro

• Mục tiêu cụ thể

Khóa luận tập trung vào 3 mục tiêu chính:

- Tổng hợp, nghiên cứu các tài liệu về phương pháp học máy trong giao dịch cổ phiếu dựa trên các phân tích kỹ thuật cụ thể là các chỉ báo và tối ưu hóa rủi ro cho danh mục đầu tư

- Xây dựng thuật toán tính toán chỉ báo, giao dịch cổ phiếu dựa trên chỉ báo tương ứng và đề xuất DMĐT hiệu quả

- So sánh, đánh giá hiệu quả - tính khả thi, đề xuất giải pháp tối ưu cho hoạt động ứng dụng học máy trong giao dịch cổ phiếu tự động theo chỉ báo

1.3 Câu hỏi nghiên cứu

Khóa luận tập trung trả lời các câu hỏi nghiên cứu sau:

- Cơ sở lý thuyết nào liên quan đến cổ phiếu, ngôn ngữ lập trình, phương pháp học máy, các chỉ báo kỹ thuật, các chiến thuật giao dịch theo chỉ báo?

- Các thuật toán giao dịch tự động theo từng chỉ báo xây dựng như thế nào? Giao dịch có hiệu quả, chính xác?

- Các đề xuất nào nhằm ứng dụng học máy trong giao dịch cổ phiếu theo chỉ báo?

1.4 Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu:

Các phương pháp học máy trong giao dịch cổ phiếu theo chỉ báo bằng ngôn ngữ lập trình Python

• Phạm vi nghiên cứu:

Khóa luận sử dụng các thuật toán bằng ngôn ngữ lập trình Python và dữ liệu giao dịch của các cổ phiếu thuộc VN30 (theo cập nhật từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh ngày 18/02/2024) từ ngày 01/01/2018 đến ngày 31/12/2023 Chỉ sử dụng dữ liệu giá giao dịch của 30 cổ phiếu trên để đảm bảo dữ liệu giá không bị thiếu và nằm trong khả năng xử lý của công cụ chính để thực hiện khoá luận là Google Colab

1.5 Phương pháp nghiên cứu

Để đạt được các mục tiêu nghiên cứu, khóa luận sử dụng các phương pháp nghiên cứu sau:

Phương pháp nghiên cứu tại bàn: Phương pháp này được sử dụng để tổng hợp

cơ sở lý thuyết và các nghiên cứu liên quan về ứng dụng phương pháp học máy trong giao dịch cổ phiếu từ đó làm nền tảng cho khóa luận

Phương pháp định lượng: Phương pháp này được thực hiện nhằm xây dựng thuật

toán giao dịch cổ phiếu theo chỉ báo dựa trên cơ sở dữ liệu giá thu thập Tác giả sử dụng ngôn ngữ lập trình Python để xây dựng các thuật toán giao dịch

Phương pháp phân tích và tổng hợp: Phương pháp này được sử dụng để thực

hiện phân tích các kết quả, luận cứ đã thu được trong quá trình nghiên cứu và sau đó tổng hợp lại và đưa ra luận điểm chính

1.6 Bố cục khóa luận

Ngoài lời mở đầu, kết luận, phụ lục và danh mục các tài liệu tham khảo, khóa luận gồm 5 chương như sau:

Chương 1: Tổng quan về nghiên cứu

Trong chương này, tác giả trình bày lý do chọn đề tài, mục tiêu nghiên cứu, đặt ra câu hỏi nghiên cứu, đối tượng, phạm vi nghiên cứu, ý nghĩa lý luận – thực tiễn và cuối cùng là bố cục của khóa luận

Chương 2: Cơ sở lý thuyết và các nghiên cứu thực nghiệm

Ở chương này, tác giả đề cập đến các khái niệm tổng quát liên quan đến cổ phiếu, ngôn ngữ lập trình Python, phương pháp học máy, các chỉ báo kỹ thuật được sử dụng trong khóa luận Đồng thời, tác giả trình bày khoảng trống nghiên cứu mà đề tài đóng góp một phần lấp đầy khoảng trống đó

Chương 3: Phương pháp nghiên cứu

Trong chương này, tác giả trình bày quy trình nghiên cứu, chiến lược giao dịch theo các chỉ báo, các thuật toán thực thi giao dịch tương ứng và mô tả cụ thể về dữ liệu được sử dụng trong khóa luận

Chương 4: Kết quả nghiên cứu và thảo luận

Tại chương này, tác giả thực hiện trình bày các kết quả giao dịch theo từng chỉ báo và thảo luận, phân tích kết quả đạt được

Chương 5: Kết luận và đề xuất

Kết luận các kết quả nghiên cứu, đề xuất giải pháp, các hạn chế của nghiên cứu và đề xuất hướng nghiên cứu tiếp theo sẽ được tác giả trình bày ở chương này

KẾT LUẬN CHƯƠNG 1

Với sự tăng trưởng và hấp dẫn của thị trường chứng khoán, khóa luận được thực hiện có mục tiêu đề xuất phương pháp ứng dụng học máy cho phép các nhà đầu tư tìm kiếm DMĐT hiệu quả nhất với chiến lược giao dịch theo chỉ báo tương ứng Khóa luận xây dựng các thuật toán bằng ngôn ngữ lập trình Python để thực hiện giao dịch và tối ưu rủi ro cho DMĐT

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM

GIỚI THIỆU CHƯƠNG 2

Tại chương 2, khóa luận trình bày các khái niệm liên quan đến nghiên cứu như: cổ phiếu, ngôn ngữ lập trình Python, các chỉ báo kỹ thuật được sử dụng và các lý thuyết được áp dụng trong khóa luận này Đồng thời, chương 2 cũng trình bày lược khảo về các nghiên cứu liên quan trước đây và khoảng trống nghiên cứu của khóa luận

2.1 Các khái niệm liên quan 2.1.1 Cổ phiếu

Theo Stoll (2006), thị trường chứng khoán là loại hình trung gian tài chính đơn giản Khác với ngân hàng chuyển tiền gửi thành các khoản vay, thị trường chứng khoán chỉ chuyển quyền sở hữu từ nhà đầu tư này sang nhà đầu tư khác và giao dịch chủ yếu là cổ phiếu

Đã có rất nhiều khái niệm về cổ phiếu từ khi được hình thành cho đến nay Một số khái niệm điển hình được đề cập sau đây:

Tại Khoản 2, Điều 4 Luật Chứng khoán năm 2019 và có hiệu lực thi hành từ ngày 01/01/2021 đưa ra định nghĩa như sau: “ Cổ phiếu là loại chứng khoán xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với một phần vốn cổ phần của tổ chức phát hành.”

“Cổ phiếu, còn được gọi là vốn chủ sở hữu, là một chứng khoán đại diện cho quyền sở hữu một phần của công ty phát hành Cổ phiếu cho phép chủ sở hữu có được một phần tài sản và lợi nhuận của công ty bằng với số lượng cổ phiếu họ sở hữu” Đây

là khái niệm bao hàm tổng quát về cổ phiếu được trang giáo dục tài chính lớn nhất Investopia đưa ra và được tạm dịch

Theo Waldman (2005) cho rằng: “Cổ phiếu đại diện cho một phần quyền sở hữu của công ty bao gồm cả yêu cầu về thu nhập và tài sản của công ty” Vì vậy, các cổ đông là chủ sở hữu một phần của công ty và giá trị cổ phiếu tăng giảm theo giá trị của công ty

Với các khái niệm như trên, cổ phiếu là bằng chứng và là chứng chỉ xác nhận quyền sở hữu của các cổ đông đối với công ty phát hành

2.1.2 Ngôn ngữ lập trình Python

Python là một ngôn ngữ lập trình cấp cao, hướng đối tượng, được diễn giải với ngữ nghĩa động Cấu trúc dữ liệu được xây dựng ở cấp độ cao, kết hợp với tính năng gõ động và liên kết động Cùng với đó, Python có cú pháp đơn giản dễ học nhấn mạnh vào khả năng đọc Python còn hỗ trợ các mô – đun và gói, khuyến khích tính mô – đun chương trình và tái sử dụng thuật toán Đặc biệt, trình thông dịch Python và các thư viện tiêu chuẩn mở rộng có sẵn ở dạng nguồn hoặc dạng nhị phân miễn phí cho tất cả các nền tảng chính và có thể phân phối miễn phí

Phiên bản 0.9.0 – phiên bản đầu tiên của ngôn ngữ lập trình Python – được Guido van Rossum giới thiệu với thế giới vào năm 1991 Tuy nhiên, phải mất gần 20 năm sau, Python mới trở thành nền tảng công nghệ và ngôn ngữ lập trình chính trong ngành tài chính Trước đó, Python được chủ yếu là các quỹ phòng hộ sử dụng, việc áp dụng rộng rãi bắt đầu vào khoảng năm 2011

Sơ đồ 2-1 Các phiên bản Python được ra mắt đến nay

Nguồn: Tổng hợp của tác giả

Các phiên bản sau khắc phục hạn chế của các phiên bản trước, phát triển thêm nhiều tính năng, cụ thể như sau:

• Python 1.0: Được ra mắt vào tháng 1, 1994, có các tính năng mới là các công cụ lập trình chức năng lambda, map, filter và reduce

• Python 2.0: Được ra mắt ngày vào tháng 10, 2000, phiên bản này bao gồm toàn bộ danh sách, một bộ thu gom dọn rác đầy đủ và hỗ trợ Unicode • Python 3.0: Được ra mắt vào thàng 12, 2008, là phiên bản lớn không tương

thích ngược hoàn toàn Sau khi được xúc tiến phát triển do các vấn đề về bảo mật, khả năng một cuộc tấn công từ chối dịch vụ, Python 3.12 là bản phát hành ổn định mới nhất tính đến tháng 10, 2023

Python 0.9.0

Python 1.0

Python 2.0

Python 3.0

2.1.3 Chỉ báo kỹ thuật

Phân tích kỹ thuật là hoạt động nghiên cứu hành vi của thị trường chủ yếu bằng việc sử dụng đồ thị về giá thị trường và khối lượng giao dịch của các chứng khoán nhằm mục đích dự báo xu hướng giá trong tương lai (Nguyễn Duy Linh và cộng sự, 2023) Phân tích kỹ thuật đã tạo ra những chỉ số được sử dụng để nắm bắt và đánh giá thị trường Chỉ báo là sản phẩm của việc phân tích kỹ thuật, trở thành công cụ hữu hiệu cho những nhà đầu tư để nắm bắt thời điểm mua bán thích hợp, ra quyết định giao dịch chứng khoán phù hợp Về bản chất, các chỉ báo kỹ thuật là các hàm số toán học tích hợp vào phần mềm phân tích kỹ thuật để vẽ nên các biểu đồ kỹ thuật và được kiểm định hiệu quả đầu tư tốt

2.1.3.1 Đường trung bình di động giản đơn – SMA

Đường trung bình di động giản đơn (Simple Moving Average – SMA) là một trong những công cụ phân tích tài chính phổ biến và dễ hiểu nhất trong phân tích kỹ thuật Đường SMA được sử dụng để đo lường xu hướng giá của một cổ phiếu bằng cách tính trung bình giá đóng cửa của nến giá gần nhất trong một khoảng thời gian nhất định (Hilpisch, 2020) Về cơ bản, đường SMA là đường nối các điểm trung bình cộng của giá đóng của trong một khoảng thời gian nhất định

• Công thức tính của đường SMA:

SMA = (𝑃1+ 𝑃2+ 𝑃3+ ⋯ + 𝑃𝑛) / n Trong đó:

P: Đây là mức giá đóng cửa của nến giá

1, 2, 3, n: đây là số thứ tự của phiên gần nhất tính từ 1 N là số phiên được tính cho SMA

Hình 2-1 Đường SMA50 của cổ phiếu FPT năm 2023

Nguồn: Kết quả nghiên cứu của tác giả

• Ý nghĩa của đường SMA: - Xác định xu hướng thị trường

Đường SMA có ý nghĩa quan trọng trong những dự đoán về xu hướng của nến giá Dựa vào điểm giao cắt của đường giá và đường SMA hoặc của đường SMA ngắn hạn và dài hạn, nhà đầu tư có thể đoán biết được xu hướng tương lai Nếu đường giá cắt lên trên đường SMA hay đường SMA ngắn hạn cắt lên đường SMA dài hạn, dự đoán giá đang có xu hướng tăng Và ngược lại, nếu đường giá cắt xuống đường SMA hay đường SMA ngắn hạn cắt xuống đường SMA dài hạn, dự đoán giá có xu hướng giảm

- Xác định hỗ trợ kháng cự

Đường SMA còn đóng vai trò như một đường hỗ trợ và kháng cự trong phân tích kỹ thuật Nếu nến giá nằm trên đường SMA, nó đóng vai trò là vùng hỗ trợ Và ngược lại, khi đường SMA nằm trên nến giá, nó đóng vai trò là vùng kháng cự

- Tìm thời điểm vào lệnh, chốt lời và cắt lỗ

Dựa vào đường SMA là vùng kháng cự hay hỗ trợ, các nhà đầu tư sẽ xác định được thời điểm vào lệnh, cắt lỗ/ chốt lời khá chính xác Ngoài ra dựa vào tín hiệu giao cắt giữa hai đường SMA, nhà đầu tư hoàn toàn đưa ra được chiến lược cho mình

2.1.3.2 Dải Bollinger – Bollinger Bands

Dải Bollinger (Bollinger Bands) là một công cụ phân tích kỹ thuật được sử dụng trong thị trường tài chính để đo lường biến động của giá cổ phiếu và xác định mức hỗ trợ và kháng cự tiềm năng (Hilpisch, 2020) Công cụ này được tạo ra bởi John Bollinger vào những năm 1980

• Cấu tạo của dải Bollinger:

Dải Bollinger bao gồm 3 thành phần chính:

- Đường SMA: Thường là SMA 20 ngày nhưng hoàn toàn có thể điều chỉnh

theo sở thích hoặc chiến lược giao dịch cụ thể

- Đường Bollinger trên và dưới: Là hai đường tiếp theo được vẽ xung

quanh đường trung bình di động, là độ lệch chuẩn của giá so với đường SMA Công thức phổ biến là đường SMA cộng (đối với đường Bollinger trên) và trừ (đối với đường Bollinger dưới) một số độ lệch chuẩn nhân với độ lệch chuẩn của giá trong một thời gian nhất định

- Dữ liệu giá: Dữ liệu giá được sử dụng để tính toán các đường Bollinger

và cung cấp thông tin cho nhà đầu tư về biến động giá

Trong đó, độ lệch chuẩn là đại lượng để đo mức độ phân tán của tập dữ liệu và cho thấy được sự chênh lệch về giá trị của từng thời điểm đánh giá so với giá trị trung bình

Hình 2-2 Dải Bollinger của cổ phiếu FPT năm 2023

Nguồn: Kết quả nghiên cứu của tác giả

• Ý nghĩa của dải Bollinger:

Dải Bollinger là một chỉ báo kỹ thuật phổ biến với các nhà đầu tư Nhiều nhà đầu tư tin rằng giá càng di chuyển đến dải trên của dải Bollinger, thị trường đang quá mua Và nếu giá càng di chuyển đến dải dưới, thị trường càng quá bán

- Dải Bollinger siết chặt

Dải Bollinger siết chặt khi khoảng cách giữa dải trên và dải dưới với đường SMA được thu hẹp Dải Bollinger siết chặt cho biết cổ phiếu đang trong giai đoạn biến động

thấp Đây được cho là một dấu hiệu cho biết giá sẽ biến động mạnh trong tương lai và có thể xuất hiện cơ hội giao dịch

Ngược lại, các dải di chuyển rộng ra, có khả năng biến động sẽ giảm Tuy nhiên, những biến động này không được xem là tín hiệu giao dịch vì các biến động này không cho biết giá sẽ biến động theo hướng tăng hay giảm

- Bứt phá

Biến động giá cổ phiếu thường diễn ra giữa dãy trên và dãy dưới nên bất kỳ biến động nào vượt qua dải Bollinger trên hoặc dưới đều là sự kiện lớn Dải Bollinger đưa ra dự đoán về một sự kiện lớn có thể xảy ra nhưng đây không phải là tín hiệu giao dịch đồng thời cũng không cung cấp về manh mối về hướng và mức độ di chuyển của giá trong tương lai

2.1.3.3 Chỉ số sức mạnh tương đối – RSI

Chỉ số sức mạnh tương đối (Relative Strength Index – RSI) là chỉ báo trong phân tích kỹ thuật dùng để xác định xu hướng tiếp diễn của cổ phiếu Chỉ số RSI được giới thiệu công chúng lần đầu vào năm 1978 bởi kỹ sư cơ khí John Welles Wilder Jr

RSI so sánh độ lớn giá gần đây thay đổi giữa các cổ phiếu để xác định là cổ phiếu mua quá mức hoặc bán quá mực Chỉ báo RSI tính toán tỷ lệ giữa mức tăng giá và giảm giá trung bình trong một khoảng thời gian nhất định (thường là 14 ngày) (Jansen, 2020) Giá trị của RSI được biểu diễn theo thang từ 0 đến 100

• Công thức tính RSI:

𝑅𝑆𝐼 = 100 − [ 1001 + 𝑅𝑆] Trong đó:

- RS: sức mạnh tương đối, được tính theo công thức:

𝑅𝑆 = 𝑇𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ 𝑡ổ𝑛𝑔 𝑠ố 𝑘ỳ 𝑡ă𝑛𝑔𝑇𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ 𝑡ổ𝑛𝑔 𝑠ố 𝑘ỳ 𝑔𝑖ả𝑚- Thời gian tính: thường là 14 ngày giao dịch gần nhất

Hình 2-3 Đường RSI của cổ phiếu FPT năm 2023

Nguồn: Kết quả nghiên cứu của tác giả

• Ý nghĩa của RSI:

- Phân vùng quá mua quá bán

Khi đường RSI vượt ngưỡng 70 thì đây được coi là vùng quá mua Tại thời điểm này, giá cổ phiếu đã đạt đỉnh và có xu hướng điều chỉnh giá

Ngược lại, khi đường RSI dưới ngưỡng 30 thì đây được coi là vùng quá bán Tại thời điểm này giá cổ phiếu được coi là chuẩn bị chạm đấy và có xu hướng điều chỉnh tăng trở lại

- Dự đoán xu hướng tăng giảm trong tương lai

Nếu chỉ số RSI lớn hơn 50 theo hướng từ dưới lên hoặc nằm trong vùng 45 – 55 sau đó vượt qua khỏi ngưỡng 55 thì xu hướng thị trường là tăng điểm

Và ngược lại nếu chỉ số RSI vượt ngưỡng 50 theo hướng từ trên xuống hoặc nằm trong vùng 45 – 55 rồi vượt xuống khỏi vùng 45 thì xu hướng thị trường là giảm điểm

- Xác định hình dạng phân kỳ và hội tụ giá

Việc nối đỉnh giá với đỉnh giá và đáy giá với đáy giá giúp xác định được hình dạng hội tụ hay phân kỳ giá

Phân kỳ giá xảy ra khi hai đường nối này ra xa nhau Vào thời điểm này, giá sẽ có xu hướng đảo chiều từ tăng sang giảm Đây được xác định là thời điểm nhà đầu tư nên ngừng bán, chuẩn bị xác định thời điểm mua vào

Hội tụ giá xảy ra khi hai được nối di chuyển lại gần nhau Trái với phân kỳ giá, vào thời điểm này giá sẽ có xu hướng đảo chiều từ giảm sang tăng Đây được xác định là thời điểm nhà đầu tư nên ngừng mua, chuẩn bị xác định thời điểm bán ra

2.1.3.4 Đường trung bình động hội tụ phân kỳ

Đường trung bình động hội tụ phân kỳ (Moving Average Convergence Divergence - MACD) là chỉ báo kỹ thuật thông dụng trong phân tích chứng khoán Đường MACD ra đời năm 1979 bởi nhà phát minh Gerald Appel Đường MACD phản ánh biến động và cung cấp tín hiệu mua bán của thị trường (Hilpisch, 2020) Vì thế đã trở thành một trong những chỉ báo kỹ thuật phổ biến và thông dụng trong đầu tư chứng khoán

Đường MACD có thể xác định xu hướng giá thông qua hai yếu tố hội tụ và phân kỳ (Hilpisch, 2020) Đồng thời, đường MACD xác định mức độ của xu hướng tăng giá hay giảm giá Tuy nhiên, MACD là loại chỉ báo muộn được tính toán và định giá dựa trên dữ liệu giao dịch quá khứ

• Công thức tính của MACD

MACD là giá trị được tìm thấy khi lấy đường trung bình động (EMA) 12 ngày trừ đi đường trung bình động 26 ngày

MACD = EMA(12) – EMA(26)

• Cấu tạo của chỉ báo MACD

- Đường MACD có vai trò xác định xu hướng giá của thị trường - Đường tín hiệu (đường Signal) là đường EMA(9) của đường MACD - Biểu đồ Histogram là độ chênh lệch giữa đường MACD và đường tín hiệu - Đường Zero đóng vai trò là đường tham chiếu

Hình 2-4 Đường MACD của cổ phiếu FPT năm 2023

Nguồn: Kết quả nghiên cứu của tác giả

• Ý nghĩa của đường MACD

- Dự báo về xu hướng giá khi đường MACD giao với đường tín hiệu

Đường MACD giao với đường tín hiệu từ dưới lên là báo hiệu cho thấy giá sẽ tăng hơn mức hiện tại Đây là tín hiệu nhà đầu tư nên mua vào

Ngược lại, đường MACD giao với đường tín hiệu từ trên xuống cho thấy giá sẽ giảm so với mức hiện tại Đây là tín hiệu nhà đầu tư nên bán ra

- Dựa vào kỹ thuật phân kỳ/ hội tụ để xác định diễn biến giá

Đường MACD cung cấp tín hiệu mua bán qua sự phân kỳ/ hội tụ giữa đường MACD và diễn biến giá của cổ phiếu Khi giá cổ phiếu đi lên thì thường đường MACD

cũng đi lên và ngược lại Tuy nhiên không phải lúc nào cũng vậy và khi đó sẽ xảy ra hội tụ và phân kỳ

Phân kỳ diễn ra khi đường giá cổ phiếu đang trong xu hướng đi lên nhưng đường MACD đi xuống Khi phân kỳ xuất hiện được xem như cảnh báo cho khả năng cổ phiếu đảo chiều từ tăng sang giảm giá Vì thế, khi xảy ra phân kỳ nhà đầu tư cân nhắc việc bán cổ phiếu

Hội tụ diễn ra khi đường giá cổ phiếu đang trong xu hướng đi xuống nhưng đường MACD đi lên Khi hội tụ xuất hiện được xem như cảnh báo cho khả năng cổ phiếu đảo chiều từ giảm sang tăng giá Vì thế, khi xảy ra hội tụ nhà đầu tư cân nhắc việc mua cổ phiếu

2.2 Cơ sở lý thuyết

2.2.1 Lý thuyết Markowitz

Các nhà đầu tư muốn xây dựng một mô hình DMĐT nhưng trước hết phải xác định được rủi ro có thể có Harry Markowitz đã phát hiện ra phương sai của TSSL là một ước lượng có ý nghĩa rủi ro danh mục Thông qua đó, cho thấy tầm quan trọng của việc đa dạng hóa đầu tư để giảm thiểu tổng thể và cách thức để đa dạng hóa đầu tư hiệu quả

Các giả định của lý thuyết Markowitz:

- Các nhà đầu tư xem mỗi khoản đầu tư khác nhau được đại diện cho một phân phối xác suất của TSSL mong đợi lên một vài thời kỳ nắm giữ - Các nhà đầu tư luôn muốn tối đa hóa lợi ích mong đợi trong một thời kỳ

nhất định

- Các nhà đầu tư đánh giá rủi ro của DMĐT trên cơ sở phương sai của TSSL mong đợi

- Các nhà đầu tư căn cứ trên những quyết định độc lập của TSSL và rủi ro mong đợi Cho nên đường cong hữu dụng là một phương trình của TSSL và phương sai của TSSL

- Các nhà đầu tư ưa thích một TSSL cao hơn với một mức độ rủi ro cho trước, tương tự với một mức độ TSSL cho trước các nhà đầu tư thích rủi ro ít hơn

Tỷ suất sinh lợi kỳ vọng của một danh mục đầu tư được tính dựa trên công thức sau:

𝐸(𝑅𝑝𝑜𝑟𝑡) = ∑𝑛𝑖=1 𝑤𝑖𝑅𝑖Trong đó:

- 𝑤𝑖: Tỷ trọng của tài sản i trong DMĐT - 𝑅𝑖:TSSL kỳ vọng của tài sản

Theo lý thuyết Markowitz, rủi ro của một DMĐT được đo lường bằng độ lẹch chuẩn của TSSL trên DMĐT Rủi ro nói chung được thể hiện bằng độ lệch chuẩn của TSSL trên DMĐT như sau:

Trong đó:

- 𝜎𝑝𝑜𝑟𝑡2 : Phương sai của TSSL của DMĐT - 𝑤𝑖(𝑗): Tỷ trọng của tài sản i (hoặc j) trong DMĐT - 𝜎𝑖2 : Phương sai của TSSL đối với tài sản i

- 𝐶𝑜𝑣𝑖𝑗 : Hiệp phương sai giữa TSSL đối với tài sản i và j

2.2.2 Phương pháp đo lường hiệu quả của danh mục đầu tư

William F Sharpe đã đưa ra một phương pháp định lượng để đánh giá hiệu quả của DMĐT Phương pháp này được triển khai từ mô hình định giá tài sản vốn – CAPM Về mặt lý luận phương pháp này tập trung xoay quanh đường tuyến tính biểu diễn thị trường vốn – CML Phương pháp Sharpe đánh giá danh mục thông qua hệ số được gọi là tỷ lệ Sharpe

Tỷ lệ Sharpe (Sharpe Ratio) là một thước đo xem lợi nhuận thu được là bao nhiêu trên một đơn vị rủi ro khi đầu tư vào một tài sản hay đầu tư theo chiến lược kinh doanh (Jansen, 2020) Tỷ lệ Sharpe được sử dụng để các nhà đầu hiểu được lợi tức của khoản đầu tư so với rủi ro của nó Về cơ bản, tỷ lệ Sharpe là lợi nhuận trung bình kiếm được vượt quá lợi nhuận phi rủi ro trên mỗi đơn vị rủi ro

- 𝜎𝑝 : độ lệch chuẩn của tỷ suất lợi nhuận vượt quá danh mục

Về cơ bản, hệ số Sharpe của DMĐT càng lớn, hiệu suất được điều chỉnh theo rủi ro càng tốt Như vậy, để tối ưu rủi ro của DMĐT cần phân bổ tỷ trọng vốn của từng tài sản trong danh mục để giá trị của tỷ lệ Sharpe đạt cực đại

2.3 Khảo lược nghiên cứu có liên quan

Nghiên cứu của Lu (2016) về phương pháp học máy đối với giao dịch chứng khoán tự động đưa ra các phương pháp dự đoán giá cổ phiếu bằng mô hình học máy và chiến thuật giao dịch tự động Nghiên cứu đã chứng minh được khả năng xử lý dữ liệu lớn thông qua mức độ chính xác của dự đoán giá và hiệu quả thực thi chiến thuật

Tuy nhiên, nghiên cứu thực hiện các chiến thuật giao dịch dựa trên các dự báo giá bằng các mô hình học máy Nghiên cứu còn hạn chế khi bỏ qua các chỉ báo kỹ thuật cũng như chưa áp dụng chiến thuật giao dịch dựa trên các chỉ báo kỹ thuật Đồng thời, nghiên cứu hạn chế phạm vi dữ liệu là các mã chứng khoán thuộc S&P500 - 500 công ty đại chúng lớn nhất nước Mỹ

Nghiên cứu của Jevtic và ctg (2022) thực hiện dự đoán giá cổ phiếu bằng các phương pháp học máy và giao dịch chứng khoán tự động theo các chiến lược như chiến lược giao dịch tín hiệu chéo và chiến lược chuỗi thời gian thống kê thông thường ARMAGARCH trên thị trường dầu thô ở các giai đoạn khác nhau Thông qua đánh giá hiệu quả lợi nhuận của việc dự đoán và giao dịch thuật toán, nghiên cứu chứng minh sự mãnh mẽ và hiệu suất của phương pháp học máy nói riêng hay ngôn ngữ lập trình Python nói chung đối với lĩnh vực tài chính

Tuy nhiên, nghiên cứu của Jevtic và ctg (2022) vẫn còn một số hạn chế khi chưa làm rõ hơn và cụ thể hơn một số các chiến lược giao dịch thuật toán theo các chỉ báo kỹ thuật được xây dựng bằng chính ngôn ngữ lập trình Python Nghiên cứu chỉ thực hiện với các mã chứng khoán trên thị trường dầu thô

Nghiên cứu của Antonio Agudelo Aguirre và ctg (2020) với chủ đề ứng dụng phương pháp học máy trên thị trường chứng khoán thông qua chỉ báo đường trung bình hội tụ phân kỳ - MACD Nghiên cứu áp dụng giao dịch thuật toán theo MACD và đánh giá hiệu quả của chiến thuật giao dịch trên với chiến thuật mua và nắm giữ

Kết quả nghiên cứu đưa ra cái nhìn sâu sắc cho người đầu tư, nhà nghiên cứu tài chính để áp dụng thuật toán vào các quy tắc giao dịch trong dự báo lợi nhuận tài sản tài chính theo cách hiệu quả hơn dựa trên khả năng phân tích dữ liệu mạnh mẽ Tuy nhiên, nghiên cứu còn hạn chế khi chỉ đề cập đến chỉ báo MACD và được nghiên cứu với dữ liệu chứng khoán từ thị trường chứng khoán NASDAQ của Mỹ

Sau tìm hiểu về các nghiên cứu liên quan trước đây, tác giả nhận thấy vẫn còn khoảng trống nghiên cứu với đề tài ứng dụng các phương pháp học máy trong giao dịch chứng khoán theo chỉ báo với mục tiêu đề xuất danh mục đầu tư tối ưu cùng chiến lược tương ứng Cụ thể, việc thực hiện giao dịch theo chiến lược có thể giúp nhà đầu tư đạt được lợi nhuận mong muốn trong khi việc kết hợp với một danh mục đầu tư tối ưu sẽ giúp giảm thiểu được rủi ro Bên cạnh đó, việc thực hiện đề tài này cũng góp phần đóng góp vào việc tăng cường ứng dụng công nghệ vào giao dịch chứng khoán, lĩnh vực vẫn chưa phát triển mạnh mẽ hiện nay

KẾT LUẬN CHƯƠNG 2

Khóa luận trình bày các khái niệm về cổ phiếu, chỉ báo kỹ thuật (SMA, dải Bollinger, RSI và MACD) Đồng thời, lý thuyết Markowitz và phương pháp tối ưu rủi ro DMĐT bằng tỷ lệ Sharpe đã được trình bày trong chương này Đây là các cơ sở lý thuyết để thực hiện đề tài nghiên cứu Cùng với đó là tổng quan về các nghiên cứu liên quan trước đây để chứng minh cho đề tài khóa luận lấp một phần khoảng trống kiến thức thực nghiệm trên

Tiếp theo, chương 3 sẽ trình bày phương pháp nghiên cứu của khóa luận này

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU GIỚI THIỆU CHƯƠNG 3

Ở chương 3, khóa luận trình bày quy trình nghiên cứu, các chiến lược giao dịch dựa trên phân tích từ các chỉ báo Đồng thời, trình bày các thuật toán thực hiện giao dịch dựa trên các chiến lược đó cũng như là thuật toán tính toán tỷ trọng phân bổ vốn để tối ưu rủi ro cho DMĐT

3.1 Quy trình nghiên cứu

Nghiên cứu này được tác giả tiến hành theo quy trình sau:

Sơ đồ 3-1 Quy trình nghiên cứu

Nguồn: Đề xuất của tác giả

Thu thập dữ liệu

Xây dựng, thực hiện giao dịch theo chỉ báo

Xây dựng danh mục đầu tư tối ưu

Kiểm tra, đánh giá và

đề xuất

Bước 1: Thu thập dữ liệu

Thực hiện thu thập dữ liệu giao dịch lịch sử của các mã chứng khoán thuộc VN30 từ năm 2018 đến năm 2022 bằng các thuật toán tự động Đồng thời, thực hiện xử lý dữ liệu về các định dạng phù hợp để thực hiện các bước tiếp theo

Bước 2: Xây dựng thuật toán và giao dịch theo các chỉ báo

Xây dựng thuật toán giao dịch theo các tín hiệu mua/bán của các chỉ báo (SMA, dải Bollinger, RSI, MACD) và thực thi thuật toán giao dịch tự động bằng ngôn ngữ lập trình Python với dữ liệu giá đóng của từ năm 2018 đến năm 2022 của 30 cổ phiếu thuộc VN30

Bước 3: Xây dựng DMĐT tối ưu

Dựa vào kết quả giao dịch theo các chỉ báo trên, tạo DMĐT với 5 mã cổ phiếu có lợi nhuận cao nhất tương ứng với từng chỉ báo giao dịch trong giai đoạn Tiếp tục sử dụng thuật toán tính toán tỷ trọng đầu tư nhằm tối ưu rủi ro của danh mục dựa trên phương pháp Sharpe

Bước 4: Kiểm tra, đánh giá và đề xuất

Với 4 DMĐT được tối ưu rủi ro tương ứng với từng chỉ báo, thực hiện giao dịch theo chỉ báo bằng dữ liệu giá giao dịch năm 2023, tiếp tục thực hiện đánh giá kết quả đầu tư, đưa ra DMĐT tối ưu và chỉ báo tương ứng đem lại lợi nhuận cao nhất cho nhà đầu tư và đề xuất quy trình áp dụng trong thực tiễn

3.2 Chiến lược giao dịch

3.2.1 Chiến lược giao dịch theo chỉ báo SMA

Chiến lược giao dịch theo đường SMA phổ biến hiện nay dựa trên tín hiệu giao nhau tăng giá và giao nhau giảm giá giữa hai đường đường SMA Nếu đường SMA ngắn hạn cắt từ dưới lên đường SMA dài hạn cho thấy thị trường tăng giá nên thực hiện giao dịch mua vào Và ngược lại, nếu đường SMA ngắn hạn cắt từ trên xuống đường SMA dài hạn cho thấy thị trường giảm giá nên thực hiện giao dịch bán ra Tùy thuộc vào chiến lược giao dịch, các nhà đầu tư lựa chọn kỳ hạn của đường SMA phù hợp

Trong khóa luận này, tác giả lựa chọn kỳ hạn đối với đường SMA ngắn hạn là 20 ngày, đối với đường SMA dài hạn là 50 ngày Chiến lược được cụ thể như sau:

- Giao dịch mua khi đường SMA(20) cắt từ dưới lên đường SMA(50) - Giao dịch bán khi đường SMA(20) cắt từ trên xuống đường SMA(50)

Thuật toán thực thi chiến thuật