Bạn có 5 cổ phiếu và 100 triệu VND. Phân bổ đều 20% mỗi cổ phiếu có vẻ công bằng — nhưng liệu đó có phải phân bổ tốt nhất? Toán học tài chính nói không — và Portfolio Optimization ra đời để tìm phân bổ thực sự tối ưu.
Portfolio Optimization: Toán học giúp bạn làm nhiều hơn với cùng số tiền
Không phải chọn cổ phiếu tốt hơn — mà là kết hợp cổ phiếu hiệu quả hơn
MPT
Modern Portfolio Theory — Nobel Kinh tế 1990
3 mục tiêu
Tối đa Sharpe · Tối thiểu Volatility · Tối đa Return
Tương quan
Biến số quan trọng nhất — không phải từng cổ phiếu riêng lẻ
Modern Portfolio Theory (MPT) là gì?
MPT được phát triển bởi Harry Markowitz năm 1952 (Nobel Kinh tế 1990). Ý tưởng cốt lõi:
Nhà đầu tư không nên nhìn vào từng cổ phiếu riêng lẻ — mà phải xem xét cách chúng kết hợp với nhau trong danh mục.
Lợi nhuận kỳ vọng của danh mục = tổng có trọng số lợi nhuận các cổ phiếu. Nhưng rủi ro của danh mục < tổng có trọng số rủi ro — nhờ tương quan không hoàn hảo giữa các cổ phiếu.
Đường biên hiệu quả (Efficient Frontier)
Khi plot tất cả danh mục có thể tạo ra từ một tập cổ phiếu (với các tỷ lệ phân bổ khác nhau) lên đồ thị Return vs Risk, sẽ xuất hiện một đường cong gọi là Efficient Frontier — ranh giới của các danh mục tối ưu.
Danh mục trên Efficient Frontier: Không thể tăng Return mà không tăng Risk, và không thể giảm Risk mà không giảm Return.
Danh mục dưới Efficient Frontier: Đang "lãng phí" — có thể đạt cùng Return với Risk thấp hơn, hoặc đạt Return cao hơn với cùng Risk.
Equal Weight không phải lúc nào cũng trên Efficient Frontier
Phân bổ đều 20%/cổ phiếu thường không nằm trên đường biên hiệu quả — vì nó không xét đến tương quan giữa các cổ phiếu. Optimization tìm điểm trên đường biên đúng với mục tiêu của bạn.
3 chiến lược tối ưu hóa phổ biến
1. Maximum Sharpe Ratio (Tangency Portfolio)
Mục tiêu: Tối đa hóa lợi nhuận điều chỉnh rủi ro (Sharpe Ratio).
Kết quả: Danh mục có tỷ lệ Return/Risk tốt nhất — không phải Return cao nhất, cũng không phải Risk thấp nhất.
Phù hợp với: Hầu hết nhà đầu tư — đây là "sweet spot" cân bằng giữa lợi nhuận và rủi ro.
2. Minimum Volatility (Global Minimum Variance)
Mục tiêu: Tối thiểu hóa biến động danh mục, bất kể lợi nhuận.
Kết quả: Danh mục ổn định nhất có thể từ tập cổ phiếu cho trước.
Phù hợp với: Nhà đầu tư ưu tiên ổn định, sắp cần dùng tiền, hoặc trong giai đoạn thị trường biến động cao.
3. Maximum Return (tại mức Risk cho trước)
Mục tiêu: Tối đa hóa lợi nhuận kỳ vọng trong khi giữ volatility dưới ngưỡng X.
Kết quả: Danh mục tập trung hơn — thường có ít cổ phiếu nhưng mỗi cổ phiếu được phân bổ nhiều hơn.
Phù hợp với: Nhà đầu tư có tolerance rủi ro rõ ràng và muốn maximize trong ngưỡng đó.
| Chiến lược | Ưu tiên | Khi nào dùng | Đặc điểm |
|---|---|---|---|
| Max Sharpe | Return/Risk cân bằng | Thị trường bình thường, đầu tư dài hạn | Phân bổ đa dạng, ổn định qua chu kỳ |
| Min Volatility | Ổn định tuyệt đối | Thị trường biến động cao, gần mục tiêu tài chính | Tập trung cổ phiếu ít biến động, beta thấp |
| Max Return | Return tối đa trong ngưỡng Risk | Bull market rõ ràng, tolerance rủi ro cao | Tập trung hơn, ít đa dạng hóa hơn |
Giới hạn của Portfolio Optimization thực tế
⚠
Phụ thuộc dữ liệu lịch sử
Tương quan và volatility lịch sử có thể thay đổi trong tương lai — đặc biệt trong khủng hoảng
⚠
Nhạy cảm với tham số đầu vào
Thay đổi nhỏ trong return kỳ vọng có thể thay đổi lớn phân bổ tối ưu — 'garbage in, garbage out'
⚠
Tương quan thay đổi theo thị trường
Khi thị trường crash, hầu hết tương quan tăng về +1 — đa dạng hóa hiệu quả nhất khi ít cần nhất
Dùng Optimizer như hướng dẫn, không phải công thức tuyệt đối
Kết quả Optimizer cho bạn một điểm xuất phát tốt — nhưng đừng áp dụng máy móc. Nếu Optimizer đề xuất phân bổ 45% vào 1 cổ phiếu, hãy đặt cap tối đa (ví dụ 20%) và redistribute phần vượt. Kỷ luật position sizing thực tế quan trọng hơn tối ưu lý thuyết.
Portfolio Optimization không phải magic — nó là toán học giúp bạn khai thác triệt để lợi ích đa dạng hóa từ những cổ phiếu bạn đã chọn. Giá trị thực sự nằm ở việc hiểu tại sao một phân bổ tốt hơn phân bổ khác — không phải ở việc chạy mù theo số liệu đầu ra.