--

17 (1) 2022

Các yếu tố ảnh hưởng đến sai số trong dự báo tỷ suất sinh lời của cổ phiếu đơn lẻ: Ứng dụng học máy với Spark MLlib


Tác giả - Nơi làm việc:
Bùi Thành Khoa - Trường Đại học Công nghệ Thông tin, Thành phố Hồ Chí Minh Trường Đại học Quốc gia Việt Nam, Thành phố Hồ Chí Minh Trường Đại học Công nghiệp Thành phố Hồ Chí Minh , Việt Nam
Trần Trọng Huỳnh - Trường Đại học FPT, Hà Nội , Việt Nam
Thái Duy Tùng - Trường Đại học Công nghiệp Thành phố Hồ Chí Minh , Việt Nam
Nguyễn Ngọc Dụng - Trường Đại học Kinh tế Thành phố Hồ Chí Minh , Việt Nam
Nguyễn Vũ Đức - Trường Đại học Công nghiệp Thành phố Hồ Chí Minh , Việt Nam
Tác giả liên hệ, Email: Bùi Thành Khoa - buithanhkhoa@iuh.edu.vn
Ngày nộp: 17-04-2022
Ngày duyệt đăng: 27-04-2022
Ngày xuất bản: 28-04-2022

Tóm tắt
Mô hình định giá tài sản vốn (CAPM) lượng hóa mối quan hệ tuyến tính giữa lợi nhuận và rủi ro hệ thống của các tài sản rủi ro. CAPM là một trong những nền tảng lý thuyết của ngành tài chính hiện đại. Tuy nhiên, tính thực nghiệm của CAPM là một chủ đề gây tranh luận đối với các nhà nghiên cứu bởi vì CAPM sử dụng rất nhiều giả định mà khó có thể được đáp ứng trong thực tế. Xu hướng kết hợp trí tuệ nhân tạo và lý thuyết nền tảng tài chính đã tạo ra nhiều mô hình dự báo hiệu quả và phù hợp hơn trong thực nghiệm. Nghiên cứu này thực hiện nhằm 02 mục tiêu chính: Sử dụng thuật toán Support Vector Regression (SVR) trên nền tảng CAPM để dự báo tỷ suất sinh lời của các cổ phiếu riêng lẻ và xác định các yếu tố tác động đến sai số trong dự báo của mô hình kết hợp này. Nghiên cứu sử dụng dữ liệu của các công ty niêm yết trên thị trường chứng khoán Thành phố Hồ Chí Minh giai đoạn từ tháng 12/2012 đến tháng 09/2020, chu kỳ theo tháng. Nghiên cứu chia dữ liệu thành 02 giai đoạn: giai đoạn 01 sử dụng để tối ưu hóa các tham số và giai đoạn còn lại được sử dụng để đánh giá sai số của mô hình dựa trên Spark MLlib. Nghiên cứu chỉ ra rằng mô hình dự báo tỷ suất sinh lời của cổ phiếu sử dụng thuật toán SVR hiệu quả hơn so với CAPM; hơn nữa, nghiên cứu cũng phát hiện ra rằng yếu tố rủi ro đặc thù công ty (VAR), rủi ro tổng thể (SD), sai số của CAPM (RMSECAPM) và tỷ suất sinh lời trung bình (MEAN) là các yếu tố ảnh hưởng đến sự khác biệt giữa sai số dự báo của mô hình SVR đối với từng cổ phiếu đơn lẻ.

Từ khóa
học máy; mô hình định giá tài sản vốn (CAPM); thuật toán hồi quy vector hỗ trợ (SVR); Spark MLlib

Toàn văn:
PDF

Trích dẫn:

Bui, K. T., Tran, H. T., Thai, T. D., Nguyen, D. N., & Nguyen, D. V. (2022). Các yếu tố ảnh hưởng đến sai số trong dự báo tỷ suất sinh lời của cổ phiếu đơn lẻ: Ứng dụng học máy với Spark MLlib [Factor affecting the error in individual stock’s return forecasting: Appling machine learning with Spark MLlib]. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh – Kỹ thuật và Công nghệ, 17(1), 5-19. doi:10.46223/HCMCOUJS.tech.vi.17.1.2245.2022


Tài liệu tham khảo

Abraham, A., Nath, B., & Mahanti, P. K. (2001). Hybrid intelligent systems for stock market analysis. Paper presented at the International Conference on Computational Science, San Francisco, California, USA.


Amihud, Y., Christensen, B. J., & Mendelson, H. (1992). Further evidence on the risk-return relationship (Vol. 11). Stanford, CA: Stanford University.


Atsalakis, G. S., & Valavanis, K. P. (2009). Surveying stock market forecasting techniques - Part II: Soft computing methods. Expert Systems with Applications, 36(3), 5932-5941.


Banz, R. W. (1981). The relationship between return and market value of common stocks. Journal of Financial Economics, 9(1), 3-18.


Basu, S. (1983). The relationship between earnings’ yield, market value and return for NYSE common stocks: Further evidence. Journal of Financial Economics, 12(1), 129-156.


Black, F. (1972). Capital market equilibrium with restricted borrowing. The Journal of Business, 45(3), 444-455.


Breen, W. J., & Korajczyk, R. A. (1993). On selection biases in book-to-market based tests of asset pricing models. Evanston, IL: Northwestern University.


Bui, K. T., & Thai, T. D. (2021). Capital structure and trade-off theory: Evidence from Vietnam. The Journal of Asian Finance, Economics, and Business, 8(1), 45-52. doi:10.13106/jafeb.2021.vol8.no1.045


Bui, K. T., & Tran, H. T. (2021). Support vector regression algorithm under in the CAPM Framework. Paper presented at the 2021 International Conference on Data Analytics for Business and Industry (ICDABI), Sakheer, Bahrain. doi:10.1109/ICDABI53623.2021.9655797


Cao, L.-J., & Tay, F. E. H. (2003). Support vector machine with adaptive parameters in financial time series forecasting. IEEE Transactions on Neural Networks, 14(6), 1506-1518.


Chaudhary, P. (2017). Testing of CAPM in Indian context. Business Analyst, 37(1), 1-18.


Chen, H., Xiao, K., Sun, J., & Wu, S. (2017). A double-layer neural network framework for high-frequency forecasting. ACM Transactions on Management Information Systems (TMIS), 7(4), 1-17.


Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297.


da Silva Fonseca, J. G., Jr., Oozeki, T., Takashima, T., Koshimizu, G., Uchida, Y., & Ogimoto, K. (2012). Use of support vector regression and numerically predicted cloudiness to forecast power output of a photovoltaic power plant in Kitakyushu, Japan. Progress in Photovoltaics: Research and Applications, 20(7), 874-882.


Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417.


Fama, E. F. (1991). Efficient capital markets II. The Journal of Finance, 46(5), 1575-1617.


Fama, E. F., & French, K. R. (2021). The cross-section of expected stock returns. Chicago, IL: University of Chicago Press.


Fama, E. F., & James, D. (1973). Equilibrium: Empirical tests. The Journal of Political Economy, 81(3), 607-636.


Gogas, P., Papadimitriou, T., & Karagkiozis, D. (2018). The Fama 3 and Fama 5 factor models under a machine learning framework. Truy cập ngày 10/10/2021 tại https://ideas.repec.org/p/rim/rimwps/18-05.html


Graham, J. R., & Harvey, C. R. (2001). The theory and practice of corporate finance: Evidence from the field. Journal of Financial Economics, 60(2/3), 187-243.


Henrique, B. M., Sobreiro, V. A., & Kimura, H. (2018). Stock price prediction using support vector regression on daily and up to the minute prices. The Journal of Finance and Data Science, 4(3), 183-201.


Jagannathan, R., & McGrattan, E. R. (1995). The CAPM debate. Federal Reserve Bank of Minneapolis Quarterly Review, 19(4), 2-17.


Kumar, M., & Thenmozhi, M. (2014). Forecasting stock index returns using ARIMA-SVM, ARIMA-ANN, and ARIMA-random forest hybrid models. International Journal of Banking, Accounting and Finance, 5(3), 284-308.


Lohano, K., & Kashif, M. (2018). Testing asset pricing models on the Pakistan stock exchange. IBA Business Review, 13(2), 1-19.


Malkiel, B. G. (2003). The efficient market hypothesis and its critics. Journal of Economic Perspectives, 17(1), 59-82.


Markowitz, H. (1952). Portfolio selection. Journal of Finance, 7(1), 77-91.


Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock market index using fusion of machine learning techniques. Expert Systems with Applications, 42(4), 2162-2172.


Qu, H., & Zhang, Y. (2016). A new kernel of support vector regression for forecasting high-frequency stock returns. Mathematical Problems in Engineering, 2016, 1-9. doi:10.1155/2016/4907654


Ramedani, Z., Omid, M., Keyhani, A., Shamshirband, S., & Khoshnevisan, B. (2014). Potential of radial basis function based support vector regression for global solar radiation prediction. Renewable and Sustainable Energy Reviews, 39, 1005-1011.


Tay, F. E., & Cao, L. (2001). Application of support vector machines in financial time series forecasting. Omega, 29(4), 309-317.


Tong, J. (2015). The price forecasting of military aircraft based on SVR. Journal of Computer and Communications, 3(5), 234-238.


Tran, H. T. (2020). Application of Machine Learning in CAPM (Master’s thesis, University of Economics Ho Chi Minh City, Ho Chi Minh City, Vietnam). Truy cập ngày 10/10/2021 tại https://opac.ueh.edu.vn/record=b1032827~S8


Tran, K. T., Banh, T. T., & Nguyen, A. H. T. (2012). Dự đoán giá cổ phiếu trên thị trường chứng khoán Việt Nam bằng phương pháp lai GA-SVR [Predicting stock prices on Vietnam stock market by hybrid method GA-SVR]. Chuyên san Các công trình nghiên cứu, phát triển và ứng dụng Công nghệ thông tin và Truyền thông, V-1(7), 12-22.


Treynor, J. L. (1961). Market value, time, and risk. Truy cập ngày 10/10/2021 tại https://ssrn.com/abstract=2600356


Trinh, N. T. (2013). Dự đoán xu hướng thị trường chứng khoán bằng cách sử dụng Twitter [Predict stock market trends using Twitter] (Master’s thesis). Vietnam National University Hanoi, Hanoi, Vietnam.


Vapnik, V. (2013). The nature of statistical learning theory. New York, NY: Springer Science & Business Media.


Wang, J.-J., Wang, J.-Z., Zhang, Z.-G., & Guo, S.-P. (2012). Stock index forecasting based on a hybrid model. Omega, 40(6), 758-766.


Weng, B., Ahmed, M. A., & Megahed, F. M. (2017). Stock market one-day ahead movement prediction using disparate data sources. Expert Systems with Applications, 79, 153-163.


Yuan, F.-C., Lee, C.-H., & Chiu, C. (2020). Using market sentiment analysis and genetic algorithm-based least squares support vector regression to predict gold prices. International Journal of Computational Intelligence Systems, 13(1), 234-246.


Zhang, N., Lin, A., & Shang, P. (2017). Multidimensional k-nearest neighbor model based on EEMD for financial time series forecasting. Physica A: Statistical Mechanics and Its Applications, 477, 161-173.


Zhong, X., & Enke, D. (2017). Forecasting daily stock market return using dimensionality reduction. Expert Systems with Applications, 67, 126-139.



DOI: https://doi.org/10.46223/HCMCOUJS.tech.vi.17.1.2245.2022
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.