Kết hợp AI với các mô hình truyền thống trong dự báo tài chính

ThS. Hoàng Thị Thu Trang

Email: [email protected]

TS. Lương Thị Huyền

Email: [email protected]

Khoa Kế toán, Trường Đại học Lao động Xã hội

Tóm tắt

Sự phát triển của trí tuệ nhân tạo (AI) đã tạo ra nhiều thay đổi trong thị trường chứng khoán. Bài viết so sánh hiệu quả của các mô hình AI với các phương pháp truyền thống như phân tích kỹ thuật, phân tích cơ bản và mô hình chuỗi thời gian. Sử dụng phương pháp thống kê mô tả và dữ liệu thứ cấp trong giai đoạn 2021-2025, kết quả nghiên cứu cho thấy AI có độ chính xác và khả năng thích ứng cao hơn nhờ xử lý dữ liệu lớn và nhận diện quan hệ phi tuyến. Tuy nhiên, AI vẫn tồn tại rủi ro như quá khớp, phụ thuộc dữ liệu và thiếu minh bạch. Nghiên cứu đề xuất kết hợp AI với phương pháp truyền thống để nâng cao hiệu quả dự báo.

Từ khóa: Mô hình truyền thống, thị trường tài chính, trí tuệ nhân tạo

Abstract

The rapid development of Artificial Intelligence (AI) has brought significant changes to the stock market. This study compares the performance of AI-based models with traditional forecasting approaches, including technical analysis, fundamental analysis, and time-series models. Using descriptive statistical methods and secondary data collected during the 2021-2025 period, the findings indicate that AI demonstrates higher accuracy and adaptability due to its ability to process large volumes of data and identify complex nonlinear relationships. However, AI models also face several challenges, including overfitting, data dependency, and a lack of transparency in decision-making processes. Based on these findings, the study suggests integrating AI techniques with traditional forecasting methods to improve prediction accuracy and enhance investment decision-making in financial markets.

Keywords: Traditional models, financial markets, Artificial Intelligence

GIỚI THIỆU

Trong bối cảnh chuyển đổi số và sự phát triển mạnh mẽ của dữ liệu lớn, AI đang trở thành công nghệ quan trọng trong lĩnh vực tài chính, đặc biệt là dự báo giá cổ phiếu và tài sản tài chính. Theo Stuart Russell và Peter Norvig (2021), AI có khả năng xử lý dữ liệu lớn, nhận diện các mối quan hệ phi tuyến và thích ứng nhanh với biến động thị trường, từ đó nâng cao hiệu quả dự báo tài chính. Trong khi đó, các mô hình truyền thống như phân tích kỹ thuật, phân tích cơ bản và mô hình chuỗi thời gian vẫn được sử dụng phổ biến nhờ tính đơn giản và dễ giải thích.

Tuy nhiên, các mô hình truyền thống thường hạn chế trong việc xử lý dữ liệu phức tạp và thích ứng với sự biến động nhanh của thị trường tài chính hiện đại. Ngược lại, mặc dù cho thấy nhiều ưu thế về độ chính xác dự báo, các nghiên cứu của Ian Goodfellow và cộng sự (2016) cho rằng AI vẫn tồn tại những hạn chế như rủi ro quá khớp, phụ thuộc dữ liệu và thiếu minh bạch trong cơ chế hoạt động. Đồng thời, các nghiên cứu so sánh trực tiếp giữa AI và mô hình truyền thống trong điều kiện thị trường Việt Nam còn khá hạn chế, tạo ra khoảng trống nghiên cứu cần được làm rõ.

Xuất phát từ thực tiễn đó, nghiên cứu tập trung so sánh hiệu quả dự báo giữa AI và các mô hình truyền thống trong lĩnh vực tài chính giai đoạn 2021-2025 thông qua phương pháp thống kê mô tả và dữ liệu thứ cấp. Trên cơ sở đó, nghiên cứu đề xuất một số hàm ý nhằm nâng cao hiệu quả ứng dụng AI trong hoạt động dự báo và hỗ trợ ra quyết định đầu tư tại Việt Nam.

CƠ SỞ LÝ THUYẾT

Mô hình dự báo truyền thống

Trong thị trường chứng khoán, các mô hình dự báo truyền thống được sử dụng để phân tích và dự đoán xu hướng giá cổ phiếu dựa trên dữ liệu lịch sử và các quy luật thống kê. Theo Eugene Fama (1970), phân tích cơ bản giúp đánh giá giá trị nội tại của cổ phiếu thông qua các yếu tố tài chính và kinh tế vĩ mô. George Box và Jenkins (1976) đã phát triển mô hình ARIMA nhằm dự báo xu hướng thị trường dựa trên dữ liệu chuỗi thời gian quá khứ. Ngoài ra, phân tích kỹ thuật sử dụng các chỉ báo như RSI, MACD và đường trung bình động để xác định tín hiệu giao dịch.

Nhìn chung, các mô hình truyền thống có ưu điểm về tính đơn giản, dễ áp dụng và khả năng giải thích rõ ràng. Tuy nhiên, các phương pháp này còn hạn chế trong việc xử lý dữ liệu lớn và thích ứng với biến động nhanh của thị trường tài chính hiện đại.

AI trong dự báo tài chính

Sự phát triển của AI đã mở ra hướng tiếp cận mới trong dự báo tài chính nhờ khả năng xử lý dữ liệu lớn và nhận diện các mối quan hệ phi tuyến (Russell và Norvig, 2021). Các phương pháp AI phổ biến gồm học máy (ML), học sâu (Deep Learning) và xử lý ngôn ngữ tự nhiên (NLP). Theo Gu và cộng sự (2020), ML với các thuật toán như Random Forest và SVM giúp nâng cao độ chính xác dự báo tài chính. Trong khi đó, Goodfellow và cộng sự (2016) cho rằng Deep Learning có khả năng xử lý hiệu quả dữ liệu chuỗi thời gian và các quan hệ phức tạp trong thị trường tài chính. Còn NLP cho phép khai thác dữ liệu từ tin tức và mạng xã hội nhằm cải thiện khả năng phản ứng với biến động thị trường (Tetlock, 2007). Tuy nhiên, AI vẫn tồn tại hạn chế như yêu cầu dữ liệu lớn, khó giải thích kết quả và rủi ro quá khớp. Vì vậy, OECD (2020) cho rằng việc kết hợp AI với các mô hình truyền thống là hướng tiếp cận phù hợp để nâng cao hiệu quả dự báo tài chính.

So sánh AI và mô hình truyền thống trong dự báo tài chính

So sánh giữa AI và các mô hình truyền thống cho thấy sự khác biệt rõ rệt trong khả năng xử lý dữ liệu. Trong khi mô hình truyền thống dựa trên giả định thống kê, AI có khả năng học từ dữ liệu và nhận diện các mối quan hệ phi tuyến trong thị trường tài chính (Gu và cộng sự, 2020).

Bảng 1: So sánh AI và mô hình truyền thống trong dự báo tài chính

Nguồn: Định giá tài sản thực nghiệm bằng học máy, Gu và cộng sự, 2020

Thứ nhất, AI có độ chính xác dự báo cao hơn nhờ khả năng xử lý dữ liệu lớn và tối ưu mô hình tự động, trong khi mô hình truyền thống còn phụ thuộc vào giả định tuyến tính.

Thứ hai, AI có thể xử lý cả dữ liệu cấu trúc và phi cấu trúc như tin tức, mạng xã hội thông qua NLP (Russell và Norvig, 2021).

Thứ ba, các mô hình truyền thống có tính minh bạch cao hơn, còn AI thường hoạt động như “hộp đen” nên khó giải thích kết quả (OECD, 2020).

Thứ tư, AI có khả năng thích ứng nhanh với biến động thị trường nhờ cập nhật dữ liệu liên tục. Vì vậy, việc kết hợp AI với mô hình truyền thống được xem là hướng tiếp cận phù hợp trong dự báo tài chính.

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng phương pháp định tính kết hợp thống kê mô tả để so sánh hiệu quả dự báo giữa AI và các mô hình truyền thống trong lĩnh vực tài chính giai đoạn 2021-2025. Dữ liệu nghiên cứu là dữ liệu thứ cấp, được thu thập từ Báo cáo thường niên của Ủy ban Chứng khoán Nhà nước, báo cáo phân tích thị trường của các công ty chứng khoán và các tài liệu nghiên cứu liên quan đến AI trong tài chính. Sau khi thu thập, dữ liệu được xử lý chủ yếu trên Excel thông qua các phương pháp thống kê mô tả, so sánh theo thời gian và phân tích xu hướng nhằm đánh giá hiệu quả dự báo của từng phương pháp.

KẾT QUẢ NGHIÊN CỨU

Thực trạng thị trường chứng khoán và nhu cầu ứng dụng AI trong dự báo tài chính giai đoạn 2021-2025

Giai đoạn 2021-2025, thị trường chứng khoán Việt Nam biến động mạnh do ảnh hưởng của phục hồi sau COVID-19, lạm phát và lãi suất. Sau giai đoạn tăng trưởng mạnh năm 2021, thị trường điều chỉnh từ năm 2022 do áp lực lạm phát và biến động kinh tế toàn cầu. Giai đoạn 2023-2025, thị trường dần phục hồi nhưng biến động vẫn cao, làm gia tăng nhu cầu ứng dụng AI trong dự báo tài chính.

Bảng 2: Một số chỉ tiêu của thị trường chứng khoán Việt Nam giai đoạn 2021-2025

Nguồn: Tổng hợp từ Báo cáo thường niên của Ủy ban Chứng khoán Nhà nước, HOSE và VSDC, 2021-2025

Bảng 2 cho thấy thị trường chứng khoán Việt Nam giai đoạn 2021-2025 có biến động khá mạnh. VN-Index đạt mức cao 1.498 điểm năm 2021, sau đó giảm sâu xuống 1.007 điểm năm 2022 do tác động của lạm phát, lãi suất và biến động kinh tế toàn cầu. Từ năm 2023 đến 2025, VN-Index phục hồi dần lên 1.320 điểm, cho thấy thị trường có xu hướng ổn định hơn nhưng chưa quay lại mức đỉnh năm 2021.

Giá trị giao dịch bình quân/phiên cũng biến động theo xu hướng thị trường. Năm 2021 đạt 26.500 tỷ đồng/phiên, sau đó giảm còn 18.200 tỷ đồng năm 2023, phản ánh sự thận trọng của nhà đầu tư trong giai đoạn thị trường điều chỉnh. Đến năm 2024-2025, thanh khoản phục hồi lên 24.000 tỷ đồng/phiên, cho thấy dòng tiền quay trở lại thị trường.

Đáng chú ý, số tài khoản chứng khoán cá nhân tăng liên tục từ 4,3 triệu năm 2021 lên 8,8 triệu tài khoản năm 2025. Điều này phản ánh sự mở rộng nhanh của lực lượng nhà đầu tư cá nhân và quá trình số hóa trong tiếp cận dịch vụ chứng khoán. Tuy nhiên, mức độ biến động thị trường vẫn duy trì từ “trung bình - cao” đến “rất cao”, cho thấy nhu cầu ứng dụng AI trong dự báo, cảnh báo rủi ro và hỗ trợ quyết định đầu tư ngày càng cần thiết.

Thực trạng ứng dụng AI trong dự báo tài chính tại Việt Nam

Sự phát triển của Big Data, điện toán đám mây và học máy đã thúc đẩy ứng dụng AI trong thị trường tài chính. AI hiện được sử dụng trong khuyến nghị đầu tư, cảnh báo rủi ro và phân tích thị trường. Nhờ khả năng xử lý dữ liệu lớn và nhận diện quan hệ phi tuyến, AI giúp dự báo hiệu quả hơn các mô hình truyền thống.

Bảng 3: Mức độ ứng dụng AI trong dự báo tài chính giai đoạn 2021-2025

Nguồn: Tác giả tổng hợp

Bảng 3 cho thấy quá trình số hóa thị trường tài chính Việt Nam diễn ra rõ rệt trong giai đoạn 2021-2025. Số tài khoản chứng khoán tăng từ 4,3 triệu năm 2021 lên 9,0 triệu tài khoản năm 2025, cho thấy quy mô nhà đầu tư cá nhân ngày càng mở rộng. Đồng thời, tỷ lệ giao dịch trực tuyến tăng từ 95% lên 98,5%, phản ánh việc nhà đầu tư ngày càng ưu tiên các nền tảng số thay cho giao dịch truyền thống.

Bên cạnh đó, các ứng dụng AI trong tài chính cũng có xu hướng phát triển từ các công cụ hỗ trợ đầu tư cơ bản như TCWealth, TCInvest sang chatbot tài chính, robo - advisor, phân tích dữ liệu lớn và hỗ trợ đầu tư theo thời gian thực. Điều này cho thấy AI không chỉ được dùng để tự động hóa dịch vụ mà còn tham gia sâu hơn vào hoạt động phân tích, dự báo và hỗ trợ ra quyết định đầu tư. Bảng 3 phản ánh xu hướng chuyển đổi số mạnh mẽ của thị trường tài chính Việt Nam, tạo điều kiện thuận lợi cho việc ứng dụng AI trong dự báo tài chính. Tuy nhiên, sự gia tăng này cũng đặt ra yêu cầu về chất lượng dữ liệu, an toàn thông tin và năng lực quản trị rủi ro công nghệ.

So sánh hiệu quả dự báo giữa AI và mô hình truyền thống

Giai đoạn 2021-2025, AI ngày càng được ứng dụng rộng rãi trong dự báo tài chính nhờ khả năng xử lý dữ liệu lớn và thích ứng tốt với biến động thị trường.

Bảng 4: So sánh hiệu quả dự báo giữa AI và mô hình truyền thống tại Việt Nam