Cơ sở dữ liệu

Nghiên cứu này sử dụng một tập dữ liệu lớn gồm 4.065 bản tin được chọn lọc từ tổng số 36.461 bản tin công bố trên các trang thông tin chính của thị trường chứng khoán Việt Nam trong năm 2024, gồm Vnexpress, Vneconomy. Các bản tin này chứa các thông điệp chính thức về hành vi của nhà đầu tư nước ngoài, phản ánh các giao dịch và tác động của khối ngoại đối với thị trường. Năm 2024 được lựa chọn vì đây năm thời điểm tiêu biểu để phân tích hành vi của nhà đầu tư nước ngoài, khi thị trường chứng khoán Việt Nam chứng kiến nhiều biến động mạnh mẽ do tác động của dòng vốn ngoại.

Quy trình phân tích

Nghiên cứu này xây dựng quy trình 4 bước để trích xuất và phân tích hành vi đầu tư của nhà đầu tư nước ngoài từ tin tức tài chính tại Việt Nam. Kết quả của mỗi bước là đầu vào cho bước tiếp theo, đảm bảo tính hệ thống và độ tin cậy cao.

Bước 1: Trích xuất câu thông điệp

Sử dụng thuật toán Regex, nghiên cứu trích xuất 7.130 câu thông điệp từ 4.065 bản tin, phản ánh 7 hành vi đầu tư của nhà đầu tư nước ngoài (mua, bán, mua ròng, bán ròng, gom, xả, chốt).

Bước 2: Gán nhãn cảm xúc

Các chuyên gia có hơn 20 năm kinh nghiệm trên thị trường chứng khoán Việt Nam trực tiếp gán nhãn cảm xúc cho 7.130 câu, tạo ra Ngân hàng dữ liệu gán nhãn, phản ánh trạng thái cảm xúc của từng câu.

Bước 3: Mã hóa và chuẩn hóa dữ liệu

Ngân hàng dữ liệu từ Bước 2 được mã hóa và chuẩn hóa bằng mô hình nhúng ngữ nghĩa “text-embedding-3-large” của OpenAI, giúp dữ liệu tương thích với các mô hình học máy và học sâu.

Bước 4: Phân loại cảm xúc và kiểm định độ tin cậy

Dữ liệu đã được mã hóa và chuẩn hóa từ Bước 3 được phân loại cảm xúc bằng Logistic Regression, SVM và Random Forest. Mô hình nhúng “text-embedding-3-large” của OpenAI tiếp tục được sử dụng trong giai đoạn này. Đây là bước kiểm tra độ tin cậy: Nếu kết quả phân loại của các mô hình ổn định và có độ chính xác cao, điều đó chứng minh tính đồng nhất và đáng tin cậy của quá trình mã hóa dữ liệu. Kết quả phân loại được đánh giá bằng các chỉ số: Precision, Recall, F1-score, Accuracy và Confusion Matrix, đảm bảo chất lượng đầu ra.

Cuối cùng, quy trình này tạo ra sản phẩm nghiên cứu chính – “Ngân hàng câu cảm xúc tài chính về hành vi của khối ngoại”, cung cấp nền tảng quan trọng cho nghiên cứu tài chính hành vi và hỗ trợ phát triển các mô hình phân tích cảm xúc tài chính như FinBERT. Chi tiết thuật toán được trình bày trong Code sources đính kèm.

Căn cứ thiết kế quy trình phân tích

Quy trình nghiên cứu được thiết kế nhằm tối ưu hóa độ chính xác trong nhận diện cảm xúc thị trường, đặc biệt trong bối cảnh phân tích hành vi nhà đầu tư khối ngoại trên thị trường chứng khoán Việt Nam. Hai yếu tố then chốt quyết định chất lượng nghiên cứu bao gồm: phương pháp trích xuất câu thông điệp chính và quy trình gán nhãn dữ liệu thủ công bởi chuyên gia.

Thứ nhất, việc trích xuất câu thông điệp chính thay vì phân tích toàn bộ bản tin giúp giảm tải dữ liệu, tiết kiệm tài nguyên và tăng tốc độ xử lý. Quá trình này dựa trên bộ từ khóa đặc trưng phản ánh hành vi của nhà đầu tư khối ngoại (mua, bán, mua ròng, bán ròng, gom, xả, chốt), được lựa chọn bởi chuyên gia tài chính để đảm bảo tính chính xác và đại diện cao. Các câu thông điệp sau khi trích xuất được mã hóa bằng mô hình “text-embedding-3-large” của OpenAI, một công cụ có hiệu suất cao trên các bài toán phân tích ngữ nghĩa. Theo OpenAI, mô hình này vượt trội so với các phiên bản trước, với điểm trung bình hiệu suất trên tập dữ liệu thực nghiệm cao hơn từ 23,4% đến 54,9%, giúp tối ưu hóa khả năng nhận diện sắc thái ngữ nghĩa trong tin tức tài chính6.

Thứ hai, độ chính xác của phân tích cảm xúc phụ thuộc lớn vào chất lượng nhãn dữ liệu. Thay vì sử dụng phương pháp gán nhãn tự động bằng AI hay từ điển cảm xúc, nghiên cứu này áp dụng phương pháp gán nhãn thủ công, do các chuyên gia tài chính có hơn 20 năm kinh nghiệm trên thị trường Việt Nam thực hiện. Cách tiếp cận này giúp phản ánh đúng ngữ cảnh tài chính thực tế, hạn chế sai lệch do cách diễn giải máy móc của mô hình tự động. Nhiều nghiên cứu đã chứng minh rằng gán nhãn thủ công vượt trội hơn các phương pháp tự động. Van Atteveldt và cộng sự7 so sánh bốn phương pháp gán nhãn (thủ công, gán nhãn đám đông, từ điển tự động, mô hình máy học) và kết luận rằng dữ liệu do chuyên gia gán nhãn đạt hiệu suất cao nhất, trong khi từ điển cảm xúc tự động có độ tin cậy thấp nhất. Nghiên cứu của Chen và cộng sự 8 cũng nhấn mạnh rằng gán nhãn thủ công là tiêu chuẩn bắt buộc trong phân tích cảm xúc tài chính cấp sự kiện, do các nhãn tự động thường chứa nhiều nhiễu. Hayaty & Pratama 9 chứng minh rằng mô hình LSTM đạt 80% độ chính xác khi sử dụng nhãn thủ công, trong khi nhãn tự động từ từ điển như VADER, AFINN chỉ đạt 54–56%, SentiWordNet đạt 49% và từ điển Liu&Hu chỉ 26%. Điều này khẳng định rằng các mô hình học máy chỉ có thể phát huy tối đa hiệu quả khi được huấn luyện trên dữ liệu có chất lượng cao, tức dữ liệu gán nhãn thủ công. Ngoài độ chính xác, tính nhất quán của nhãn dữ liệu cũng quyết định độ tin cậy của phân tích. Chen và cộng sự8 cảnh báo rằng nhãn tự động nếu không được kiểm định kỹ có thể gây sai lệch toàn bộ kết quả, đặc biệt khi sử dụng từ điển cảm xúc tổng quát trong tài chính. Chẳng hạn, từ "đáo hạn" trong tài chính là trung tính nhưng có thể bị hiểu sai trong các lĩnh vực khác. Do đó, nghiên cứu này ưu tiên phương pháp gán nhãn thủ công, đảm bảo tính chính xác, nhất quán và phản ánh sát thực tế thị trường chứng khoán Việt Nam. Hơn nữa. phương pháp gán nhãn chuyên gia không chỉ đảm bảo độ chính xác mà còn giúp mô hình học được cách đánh giá và suy nghĩ tương tự như chuyên gia, nâng cao khả năng phản ánh thực tiễn thị trường. Nhờ đó, dữ liệu đầu vào không chỉ được chuẩn hóa mà còn mang tính định hướng cao, giúp mô hình có khả năng dự đoán chính xác hơn trong các tình huống thực tế.

Kết quả

Table 1 trình bày tóm tắt sản phẩm chính của nghiên cứu này là "Ngân hàng câu cảm xúc tài chính về hành vi của khối ngoại", một hệ thống dữ liệu gồm 5.126 câu thông điệp được trích xuất từ các bản tin tài chính tại Việt Nam. Các thông điệp này đã được phân loại theo cảm xúc tích cực hoặc tiêu cực, tạo nên một công cụ hữu ích để phân tích cảm xúc trong lĩnh vực tài chính. Cấu trúc Ngân hàng dữ liệu được xây dựng với các trường thông tin chính, trong đó nội dung trọng tâm là các câu thông điệp được trích dẫn trực tiếp từ các bản tin tài chính. Những câu trích dẫn này không chỉ đảm bảo tính chính xác trong phân tích mà còn cung cấp một cơ sở dữ liệu có thể tái sử dụng cho các nghiên cứu tiếp theo. Việc bổ sung thông tin nguồn gốc từ các bản tin gốc đảm bảo tính minh bạch của dữ liệu, đồng thời tạo điều kiện cho việc xác thực và mở rộng phạm vi ứng dụng. Ngân hàng câu cảm xúc này không chỉ là một sản phẩm nghiên cứu, mà còn đóng vai trò như một nền tảng quan trọng cho các ứng dụng phân tích cảm xúc và hành vi đầu tư, đặc biệt trong bối cảnh thị trường tài chính Việt Nam.

Bên cạnh sản phẩm “Ngân hàng câu cảm xúc tài chính về hành vi của khối ngoại”, nghiên cứu này còn mang lại những phát hiện giá trị. Một trong số đó là việc áp dụng kỹ thuật nhúng câu (Sentence Embedding) ở cấp độ toàn câu, thay vì sử dụng kỹ thuật nhúng và mã hóa truyền thống cho từng từ riêng lẻ (Word Embedding), đã giúp cải thiện đáng kể hiệu quả phân tích. Sathvik đã khẳng định tính ưu việt của kỹ thuật nhúng câu, khi so sánh với phương pháp truyền thống mã hóa từng từ thành token, như minh họa trong Figure 1 tương ứng 10.

Bên cạnh sản phẩm “Ngân hàng câu cảm xúc tài chính về hành vi của khối ngoại”, nghiên cứu này còn có những phát hiện có giá trị. Một trong số đó là việc áp dụng kỹ thuật nhúng câu (Sentence Embedding) cấp độ toàn câu thay vì kỹ thuật nhúng, mã hóa truyền thống áp dụng cho từng từ riêng lẻ (Word Embedding) giúp cải thiện đáng kể kết quả phân tích10. Sathvik đã khẳng định điều này, cho thấy có sự tối ưu hơn của việc sử dụng kỹ thuật mã hóa nguyên câu so phương pháp truyền thống mã hóa từng từ thành token (Figure 1).

Theo Sathvik, phương pháp truyền thống yêu cầu nhiều bước tiền xử lý phức tạp, bao gồm: chuyển đổi chữ viết thường (lowercasing), loại bỏ các dữ liệu không quan trọng như dấu chấm, dấu phẩy, tokenization, loại bỏ từ không mang nhiều ngữ nghĩa trong bài (stop words), và quá trình chuyển đổi một từ về dạng nguyên gốc (lemmas) của nó, dựa trên ý nghĩa và ngữ cảnh10. Ví dụ: "bán", "bán tháo", "bán ròng" sẽ được chuyển về gốc là "bán". Bức này, tiêu tốn nhiều tài nguyên, thời gian và còn làm “giảm đi mức độ cảm xúc của thông tin”. Hành vi “bán ròng” hay “bán tháo” có nhiều cảm xúc hơn so với “bán”. Ngược lại, khi sử dụng mô hình “GPT embeddings”, như phiên bản mới nhất “text-embedding-3-large” (ra mắt đầu năm 2024), các bước tiền xử lý này không còn cần thiết. GPT có khả năng giữ lại nguyên bản cảm xúc và ngữ nghĩa của các cụm từ như “bán tháo” hay “bán ròng”, nhờ được huấn luyện trên lượng dữ liệu ngôn ngữ tự nhiên khổng lồ. Theo Sathvik, toàn bộ quá trình tiền xử lý, nếu cần thiết, đều được thực hiện tự động bên trong GPT, giúp tiết kiệm thời gian và công sức mà vẫn đảm bảo độ chính xác cao10.

Kỹ thuật nhúng câu (sentence embedding) đã chứng minh tính nhất quán và độ tin cậy thông qua kết quả minh họa trong Figure 1. Hình này thể hiện và so sánh kết quả nhúng hai câu có ý nghĩa tương đồng nhưng khác nhau về cách diễn đạt:

• Câu 1: "Nhà đầu tư nước ngoài đã liên tục bán ròng trên sàn HOSE."

• Câu 2: "Nhà đầu tư khối ngoại đã duy trì xu hướng bán ròng trên thị trường HOSE."

Kết quả cho thấy, mặc dù hai câu xuất phát từ hai bài báo khác nhau và có sự khác biệt về từ ngữ, cách diễn đạt, kỹ thuật nhúng câu vẫn trả về hai vector có độ tương đồng rất cao, gần như trùng khớp. Điều này là minh chứng khẳng định khả năng vượt trội của kỹ thuật nhúng cả câu trong việc nắm bắt ngữ nghĩa, đảm bảo rằng biểu diễn vector phản ánh chính xác nội dung ngữ nghĩa, bất kể sự khác biệt về hình thức ngôn ngữ. Nhờ chất lượng nhúng cao như vậy, khi chuyển dữ liệu đã mã hóa vào huấn luyện, mô hình đạt được độ chính xác cao và nhờ đó nhận diện và phân loại cảm xúc với độ tin cậy cao. Theo đó, nghiên cứu này, nhờ cải tiến trong kỹ thuật nhúng và phân cực cảm xúc, đã khắc phục được các hạn chế trước đó, góp phần nâng cao hiệu quả phân tích ngữ nghĩa trong lĩnh vực tài chính.

Thảo luận kết quả nghiên cứu

Sản phẩm chính của nghiên cứu, "Ngân hàng câu cảm xúc tài chính về hành vi của khối ngoại, đã được kiểm tra độ tin cậy thông qua việc đánh giá độ chính xác và sự ổn định của các mô hình trong quá trình nhận diện, phân loại cảm xúc. Kết quả cho thấy các mô hình không chỉ đạt hiệu suất cao mà còn thể hiện sự ổn định vượt trội, là minh chứng cho tính vững chắc của phương pháp nghiên cứu mà chúng tôi đề xuất.

Table 2 cung cấp kết qua của cả ba mô hình, trong đó, Logistic Regression, Random Forest và SVM đều cho kết quả ổn định với độ chính xác dao động từ 87% đến 89%. Trong đó, SVM đạt hiệu suất cao nhất với độ chính xác 89%, khẳng định ưu thế vượt trội trong việc nắm bắt ngữ nghĩa và phân loại chính xác cảm xúc từ văn bản. Những kết quả này không chỉ minh chứng tính ổn định giữa các mô hình mà còn nhấn mạnh giá trị của phương pháp nhúng câu tiên tiến dựa trên "text-embedding-3-large" của OpenAI. SVM, với độ chính xác 89%, là mô hình hiệu quả nhất, vượt trội cả về khả năng phân loại cảm xúc và độ chính xác trong các trạng thái cảm xúc tích cực và tiêu cực. Từ ma trận nhầm lẫn ở Table 3, SVM cho thấy tỷ lệ nhận diện đúng lần lượt là 94,71% (cảm xúc tiêu cực) và 84,27% (cảm xúc tích cực).

Kết quả đồng bộ giữa các mô hình với độ chính xác từ 87% đến 89% phản ánh tính vững chắc và tin cậy của phương pháp luận và sản phẩm nghiên cứu. Phương pháp tách câu để phân tích, kết hợp với gán nhãn từ chuyên gia, đã đảm bảo tính nhất quán và chất lượng cao trong từng bước nghiên cứu. Kết quả nghiên cứu đến đây đã khẳng định tính vững chắc và giá trị khoa học của phương pháp. Hiệu suất cao và sự ổn định của các mô hình, đặc biệt là SVM, cho thấy rằng "Ngân hàng câu cảm xúc tài chính về hành vi của khối ngoại là một nền tảng đáng tin cậy, cung cấp dữ liệu chính xác cho phân tích cảm xúc tài chính, đồng thời tạo nên bước tiến quan trọng trong lĩnh vực nghiên cứu và ứng dụng thực tiễn.

Kết luận

Nghiên cứu này đã thành công trong việc xây dựng "Ngân hàng câu cảm xúc tài chính về hành vi của khối ngoại", một tập dữ liệu gồm 5.126 câu thông điệp được gán nhãn cảm xúc với độ chính xác và tính ổn định cao. Ngân hàng này không chỉ mở ra các tiềm năng ứng dụng trong lĩnh vực phân tích tài chính mà còn khẳng định độ tin cậy thông qua phương pháp nghiên cứu, quy trình gán nhãn và hiệu quả của các mô hình phân tích cảm xúc được áp dụng. Đây là cơ sở quan trọng để phát triển các công cụ phân tích ngôn ngữ tự nhiên dựa trên kiến trúc BERT, hỗ trợ phân tích báo cáo tài chính, tin tức thị trường và tài liệu đầu tư một cách hiệu quả. Độ tin cậy của Ngân hàng cảm xúc được đảm bảo thông qua nhiều yếu tố. Các mô hình phân tích cảm xúc, bao gồm Logistic Regression, Random Forest và SVM, cho thấy độ chính xác ổn định trong khoảng từ 87% đến 89%. Đặc biệt, mô hình SVM đạt hiệu suất cao nhất với độ chính xác 89%, cho khả năng phân loại cảm xúc tốt, với tỷ lệ nhận diện đúng là 94,71% đối với cảm xúc tiêu cực và 84,27% đối với cảm xúc tích cực (Table 3). Sự đồng bộ giữa các mô hình, cùng với hiệu quả vượt trội của SVM, nhấn mạnh tính vững chắc của phương pháp nghiên cứu và khả năng áp dụng vào thực tế. Quy trình gán nhãn và nghiên cứu được thiết kế tỉ mỉ để đảm bảo tính chính xác và phù hợp với bối cảnh tài chính. Thay vì phân tích toàn bộ bản tin, nghiên cứu sử dụng phương pháp tách câu để giảm khối lượng dữ liệu, tăng hiệu quả phân tích. Các câu được trích xuất từ bản tin tài chính và được gán nhãn cảm xúc bởi các chuyên gia có kinh nghiệm trên thị trường chứng khoán Việt Nam. Việc gán nhãn thủ công bởi chuyên gia tài chính không chỉ đảm bảo tính chính xác cao mà còn giúp các mô hình học được cách đánh giá và suy nghĩ như chuyên gia tài chính, tăng khả năng phản ánh thực tiễn. Một điểm nổi bật khác là việc sử dụng kỹ thuật nhúng câu (sentence embedding) thay vì nhúng từ (word embedding), giúp giữ lại nguyên vẹn cảm xúc và ngữ nghĩa của thông tin. Công nghệ nhúng "text-embedding-3-large" của OpenAI được áp dụng để chuyển đổi các câu thành vector, đảm bảo ngữ nghĩa và bối cảnh được giữ nguyên, đồng thời đạt hiệu suất cao hơn so với các phương pháp trước đó. Điều này khắc phục hạn chế của việc phân tích cảm xúc hoàn toàn tự động và tăng cường độ chính xác thông qua việc kết hợp ý kiến chuyên gia tài chính. Nghiên cứu đã tạo ra một quy trình có hệ thống, đảm bảo tính kế thừa, linh hoạt và khả năng mở rộng, đóng góp vào việc chuẩn hóa các phương pháp phân tích cảm xúc trong lĩnh vực tài chính. Ngân hàng cảm xúc không chỉ là nền tảng đáng tin cậy để phát triển các mô hình phân tích ngôn ngữ tự nhiên trên kiến trúc BERT bằng tiếng Việt mà còn mở rộng khả năng ứng dụng sang các tác vụ khác như tóm tắt tin tức, dự đoán xu hướng thị trường và đánh giá tác động của thông tin tài chính. Ngoài ra, nghiên cứu còn cung cấp một khuôn khổ phân tích toàn diện để đánh giá động thái của khối ngoại trên thị trường Việt Nam, giúp nhà đầu tư hiểu rõ hơn về động lực thị trường.

Hướng phát triển nghiên cứu

"Ngân hàng câu cảm xúc tài chính về hành vi của khối ngoại" là một nền tảng đáng tin cậy, được xây dựng dựa trên phương pháp nghiên cứu chặt chẽ, quy trình gán nhãn chuyên nghiệp và công nghệ tiên tiến trong xử lý ngôn ngữ tự nhiên. Sự ổn định và chính xác của mô hình không chỉ đóng góp quan trọng trong lĩnh vực phân tích cảm xúc tài chính mà còn đặt nền móng vững chắc cho các nghiên cứu và ứng dụng tương lai, đặc biệt trong bối cảnh các thị trường tài chính mới nổi như Việt Nam. Những đóng góp này không chỉ có ý nghĩa khoa học mà còn mang lại giá trị thực tiễn nhất Mặc dù đạt được nhiều thành tựu quan trọng, nghiên cứu vẫn tồn tại một số hạn chế. Đầu tiên, việc phụ thuộc vào dữ liệu chính thống khiến nghiên cứu chưa bao quát hết các thông tin phi chính thức và hành vi đầu tư dài hạn, điều này có thể làm giảm tính toàn diện của kết quả phân tích. Thêm vào đó, phạm vi nghiên cứu hiện chỉ giới hạn tại Việt Nam và chưa được kiểm chứng ở các thị trường mới nổi khác, dẫn đến việc chưa thể khái quát hóa hoàn toàn các phát hiện. Để khắc phục, các nghiên cứu trong tương lai cần mở rộng phạm vi địa lý, tích hợp thêm nguồn dữ liệu đa dạng và xem xét nhiều hành vi giao dịch khác nhằm tăng tính toàn diện và khả năng ứng dụng. Đồng thời, việc nghiên cứu sâu hơn về ước tính hệ số cảm xúc, thay vì chỉ dừng lại ở gán nhãn cảm xúc, sẽ giúp cải thiện độ chính xác và giá trị thực tiễn của các mô hình phân tích.