Benchmark Concentration: Khi Một Vài Cổ Phiếu Trụ Quyết Định Cả Thị Trường

Có một hiện tượng khá quen thuộc trên thị trường chứng khoán Việt Nam: VN-Index kết thúc phiên trong sắc xanh, nhưng khi mở bảng điện, số lượng cổ phiếu giảm lại nhiều hơn số lượng cổ phiếu tăng. Nhiều nhà đầu tư nhìn chỉ số thấy thị trường tương đối ổn định, nhưng khi kiểm tra danh mục cá nhân lại ghi nhận mức lỗ đáng kể. Thông thường, chúng ta giải thích hiện tượng này bằng việc một vài cổ phiếu vốn hóa lớn đang kéo chỉ số. Tuy nhiên, nếu nhìn dưới góc độ Portfolio Management và Quantitative Risk, câu chuyện không đơn giản chỉ là cổ phiếu trụ đóng góp bao nhiêu điểm cho VN-Index. Vấn đề sâu hơn nằm ở cách chỉ số được xây dựng, mức độ tập trung của trọng số và sự phân bổ rủi ro thực tế giữa các cổ phiếu. Một danh mục có thể nắm giữ hàng chục doanh nghiệp nhưng phần lớn biến động lại phụ thuộc vào một vài mã lớn nhất. Điều này đặt ra câu hỏi: Nếu quỹ đầu tư đã sở hữu nhiều cổ phiếu để đa dạng hóa, tại sao kết quả và rủi ro của toàn bộ quỹ vẫn có thể bị chi phối bởi một nhóm rất nhỏ?

Đây là chủ đề được quan tâm nhiều hơn trong nghiên cứu tài chính những năm gần đây, đặc biệt khi các thị trường lớn chứng kiến mức độ tập trung vốn hóa ngày càng cao. Một nghiên cứu đáng chú ý là The Hidden Cost of Stock Market Concentration: When Funds Hit Regulatory Limits của Lubos Pastor, Taisiya Sikorskaya và Jinrui Wang, được NBER công bố trong năm 2026. Nghiên cứu cho thấy hiện tượng tập trung thị trường không chỉ ảnh hưởng đến mức độ đa dạng hóa của quỹ, mà còn có thể làm thay đổi hành vi phân bổ vốn khi các nhà quản lý phải tuân thủ những giới hạn tập trung danh mục. Điều thú vị là những giới hạn vốn được thiết kế để bảo vệ nhà đầu tư đôi khi lại tạo ra sự đánh đổi giữa khả năng bám sát benchmark, hiệu quả đầu tư và tuân thủ quy định. Với thị trường Việt Nam, nghiên cứu này mở ra một hướng tiếp cận khá thực tế: thay vì chỉ nhìn VN-Index, VN30 hay VN100 tăng giảm bao nhiêu, chúng ta nên phân tích xem những cổ phiếu nào đang quyết định lợi nhuận và rủi ro của từng chỉ số, mức độ tập trung thay đổi ra sao và liệu những thay đổi đó có mang lại thông tin hữu ích cho quản trị danh mục hay không.

PHẦN 1. QUỸ CHỈ SỐ CÓ THẬT SỰ ĐƯỢC ĐA DẠNG HÓA KHI SỞ HỮU NHIỀU CỔ PHIẾU?

Khi bắt đầu đầu tư, chúng ta thường được khuyên không nên bỏ tất cả vốn vào một cổ phiếu mà cần phân bổ sang nhiều doanh nghiệp hoặc nhóm ngành khác nhau. Đây là nguyên tắc cơ bản của đa dạng hóa danh mục. Quỹ ETF theo chỉ số trở thành một lựa chọn phổ biến cũng vì lý do đó: thay vì tự lựa chọn từng cổ phiếu, nhà đầu tư có thể sở hữu một danh mục tương đối rộng thông qua một sản phẩm duy nhất. Tuy nhiên, điều dễ gây hiểu nhầm là số lượng cổ phiếu trong danh mục không đồng nghĩa với số lượng nguồn rủi ro độc lập. Một chỉ số gồm 30 cổ phiếu có thể rất khác một danh mục chia đều vốn cho 30 mã. Trong chỉ số sử dụng trọng số vốn hóa điều chỉnh free-float, các doanh nghiệp lớn hơn có thể được phân bổ tỷ trọng cao hơn, khiến ảnh hưởng của chúng lên biến động chỉ số lớn hơn đáng kể so với những cổ phiếu có tỷ trọng nhỏ. Nếu năm mã lớn nhất chiếm một nửa giá trị danh mục, diễn biến của năm cổ phiếu này sẽ có vai trò rất quan trọng đối với lợi nhuận chung, ngay cả khi 25 cổ phiếu còn lại đang vận động theo chiều ngược lại. Vì vậy, một trong những nguyên tắc đầu tiên của Portfolio Analytics là phải phân biệt rõ số lượng tài sản nắm giữ với mức độ phân tán vốn và rủi ro.

Trên thị trường Việt Nam, chúng ta có thể bắt đầu từ ba chỉ số quen thuộc là VN-Index, VN30 và VN100. VN-Index phản ánh diễn biến của các cổ phiếu niêm yết trên HOSE theo phương pháp tính của chỉ số, trong khi VN30 đại diện cho nhóm 30 cổ phiếu được lựa chọn theo các tiêu chí cụ thể về vốn hóa, thanh khoản và những điều kiện khác. VN100 mở rộng phạm vi bằng cách kết hợp VN30 với nhóm 70 cổ phiếu VNMidcap. Tuy nhiên, việc mở rộng số lượng mã từ 30 lên 100 không có nghĩa mỗi cổ phiếu sẽ nhận một tỷ trọng tương đương nhau. Theo factsheet của HOSE tại ngày 29/04/2025, 10 cổ phiếu lớn nhất chiếm khoảng 45,78% trọng số VN100 và cổ phiếu lớn nhất chiếm khoảng 6,96%. Đây là một ví dụ thực tế cho thấy ngay cả chỉ số sở hữu 100 mã vẫn có thể tập trung một tỷ trọng đáng kể vào nhóm cổ phiếu dẫn đầu. Các giới hạn tỷ trọng cũng được đưa vào phương pháp xây dựng chỉ số nhằm hạn chế tập trung. Chẳng hạn, bộ quy tắc HOSE-Index phiên bản 4.0 áp dụng giới hạn 10% cho một cổ phiếu trong VN30, 15% cho nhóm cổ phiếu liên quan và 40% cho một ngành tại các kỳ điều chỉnh theo quy tắc. Tuy nhiên, những giới hạn này không làm cho rủi ro tập trung biến mất, bởi trọng số còn biến động giữa các kỳ tái cơ cấu và các cổ phiếu có thể cùng chịu ảnh hưởng của những yếu tố kinh tế tương tự. Khi nghiên cứu dữ liệu năm 2026, chúng ta còn cần đối chiếu quy tắc chỉ số đang có hiệu lực tại từng thời điểm, thay vì mặc định một bộ quy tắc cũ được áp dụng không thay đổi.

Một khía cạnh khác thường bị bỏ qua là mức độ tập trung không chỉ xuất hiện ở cấp cổ phiếu mà còn ở cấp ngành và nhân tố rủi ro. Giả sử một quỹ nắm giữ nhiều ngân hàng khác nhau. Về mặt pháp lý và số lượng doanh nghiệp, đây là những cổ phiếu độc lập. Nhưng về mặt kinh tế, chúng có thể cùng chịu ảnh hưởng từ tăng trưởng tín dụng, chi phí huy động, chất lượng tài sản và điều kiện thanh khoản của hệ thống ngân hàng. Nếu những yếu tố này thay đổi bất lợi, nhiều cổ phiếu có thể giảm cùng lúc. Tương tự, một danh mục sở hữu doanh nghiệp công nghệ, tiêu dùng và bất động sản vẫn có thể tập trung vào cùng một yếu tố là kỳ vọng tăng trưởng cao hoặc mức độ nhạy cảm với lãi suất. Khi lãi suất chiết khấu thay đổi, những cổ phiếu tưởng như khác ngành vẫn có thể biến động cùng chiều. Đây là lý do việc đa dạng hóa tốt không chỉ đòi hỏi phân bổ vốn sang nhiều mã mà còn phải hiểu sự tương quan giữa các nguồn lợi nhuận và rủi ro. Một danh mục có HHI tương đối thấp vẫn có thể chịu mức rủi ro lớn nếu hầu hết cổ phiếu cùng nhạy cảm với một cú sốc vĩ mô.

Nghiên cứu NBER năm 2026 làm rõ thêm một vấn đề ít được nhắc đến: khi thị trường ngày càng tập trung vào một số doanh nghiệp lớn, các quỹ đầu tư có thể gặp khó khăn trong việc duy trì trọng số mong muốn mà vẫn tuân thủ giới hạn tập trung. Nhóm tác giả nghiên cứu 4.745 quỹ cổ phiếu Mỹ trong giai đoạn 2019–2024 và ghi nhận tỷ trọng của 10 doanh nghiệp lớn nhất trong tổng vốn hóa thị trường Mỹ tăng từ khoảng 13% năm 2015 lên 31% năm 2024. Tại thời điểm cao nhất trong năm 2024, các quỹ tiến gần giới hạn tập trung quản lý khoảng 1.400 tỷ USD, tương đương gần 8% tổng tài sản của nhóm quỹ được nghiên cứu. Một cơ chế quan trọng là quy tắc 50/5/10 đối với các quỹ đủ điều kiện theo quy định thuế của Mỹ. Khi một số cổ phiếu lớn ngày càng chiếm tỷ trọng cao trong benchmark, quỹ có thể phải giảm vị thế ở những mã đó, tăng tỷ trọng cổ phiếu nhỏ hơn hoặc giảm mức tiếp xúc với cổ phiếu để đáp ứng giới hạn. Nghiên cứu tìm thấy bằng chứng rằng các ràng buộc này có thể làm suy giảm hiệu quả đầu tư và tác động đến giá cổ phiếu, bởi những nhà đầu tư có quan điểm tích cực không thể tăng vị thế theo mong muốn. Tuy nhiên, đây là kết quả từ thị trường Mỹ với khung pháp lý riêng, không phải bằng chứng rằng các quỹ tại Việt Nam đang gặp cùng một tình trạng. Giá trị lớn nhất của nghiên cứu đối với chúng ta nằm ở việc nhận diện một cơ chế: benchmark càng tập trung, sự đánh đổi giữa tracking error, giới hạn danh mục và hiệu quả đầu tư có thể càng trở nên đáng kể.

PHẦN 2. ĐO MỨC ĐỘ TẬP TRUNG BẰNG TOÁN HỌC: HHI, EFFECTIVE NUMBER OF STOCKS VÀ RISK CONTRIBUTION

Nếu muốn chuyển câu chuyện tập trung thị trường thành một bài toán nghiên cứu định lượng, chúng ta cần những thước đo có thể tính toán và so sánh qua thời gian. Chỉ tiêu đầu tiên khá đơn giản là Herfindahl–Hirschman Index, thường được viết tắt là HHI. Trong quản trị danh mục, HHI được tính bằng tổng bình phương tỷ trọng của từng cổ phiếu, tức HHI = Σ(wᵢ²), trong đó wᵢ là trọng số của cổ phiếu i dưới dạng số thập phân và tổng trọng số bằng 1. Ý nghĩa của chỉ tiêu khá trực quan: khi vốn được phân bổ đều hơn, HHI có xu hướng thấp; khi một số cổ phiếu chiếm tỷ trọng lớn, HHI sẽ cao hơn. Từ HHI, chúng ta có thể tính Effective Number of Stocks bằng công thức 1/HHI. Chỉ tiêu này giúp trả lời câu hỏi một danh mục thực tế có mức tập trung trọng số tương đương với bao nhiêu cổ phiếu được phân bổ đều. Đây không phải số lượng cổ phiếu mà quỹ đang nắm giữ, cũng không phải số lượng nguồn rủi ro độc lập, mà là một cách quy đổi mức độ tập trung về một con số dễ hiểu hơn.

Hãy thử một ví dụ giả định với danh mục gồm 30 cổ phiếu. Nếu toàn bộ vốn được chia đều, mỗi mã chiếm khoảng 3,33%, HHI sẽ xấp xỉ 0,0333 và số lượng cổ phiếu hiệu dụng bằng 30. Bây giờ giả sử năm cổ phiếu lớn nhất chiếm 10% mỗi mã, tương đương 50% danh mục, còn 25 cổ phiếu còn lại chiếm 2% mỗi mã. HHI khi đó bằng 5 × 0,10² + 25 × 0,02² = 0,06, tương ứng Effective Number of Stocks chỉ khoảng 16,7. Như vậy, danh mục vẫn có 30 cổ phiếu trên danh nghĩa nhưng mức độ phân tán trọng số tương đương khoảng 16,7 cổ phiếu được phân bổ đều. Đây là sự khác biệt đáng kể mà chúng ta không thể nhận ra chỉ bằng cách nhìn số lượng mã. Khi áp dụng vào VN30 hoặc VN100, việc theo dõi HHI theo thời gian có thể giúp xác định những giai đoạn chỉ số trở nên tập trung hơn dù số lượng thành phần gần như không thay đổi. Chẳng hạn, nếu các cổ phiếu vốn hóa lớn liên tục tăng vượt trội so với phần còn lại, trọng số của chúng có thể tăng lên giữa các kỳ tái cơ cấu và kéo HHI tăng. Tuy nhiên, HHI cao không tự động đồng nghĩa thị trường sẽ giảm, và HHI thấp cũng không bảo đảm danh mục an toàn. Nó là một thước đo cấu trúc phân bổ vốn, không phải mô hình dự báo giá cổ phiếu.

Từ mức độ tập trung tỷ trọng, bài toán tiếp theo là xác định cổ phiếu nào thực sự tạo ra lợi nhuận của benchmark. Trong Portfolio Analytics, chúng ta có thể tính Return Contribution của mỗi cổ phiếu bằng trọng số ở đầu kỳ nhân với lợi suất trong kỳ, với điều kiện dữ liệu và phương pháp điều chỉnh được xác định nhất quán. Giả sử tiếp tục sử dụng danh mục 30 cổ phiếu ở trên, với năm mã lớn nhất chiếm tổng trọng số 50%. Trong một phiên, cả năm mã lớn tăng 2%, trong khi 25 cổ phiếu còn lại đều giảm 1%. Khi đó, năm mã lớn đóng góp +1,0 điểm phần trăm vào lợi suất danh mục, còn phần còn lại đóng góp -0,5 điểm phần trăm. Kết quả cuối cùng là chỉ số vẫn tăng 0,5%, mặc dù có đến 25 trên 30 cổ phiếu giảm giá. Nếu chúng ta sử dụng danh mục equal-weight trên chính 30 cổ phiếu này, lợi suất bình quân lại là -0,5%. Đây là ví dụ rất rõ về sự khác biệt giữa diễn biến của chỉ số và trải nghiệm của phần lớn cổ phiếu. Trong thực tế, khi một chỉ số tăng điểm, mình nghĩ nên quan sát đồng thời mức đóng góp của Top 5, Top 10, phần còn lại và Market Breadth. Nếu chỉ số tăng nhưng nhóm Top 5 tạo ra phần lớn lợi nhuận, trong khi các nhóm còn lại đóng góp âm, chúng ta đang chứng kiến một trạng thái tăng điểm có mức độ tham gia tương đối hẹp. Điều đó không tự động dự báo một đợt giảm giá, nhưng cung cấp thông tin hữu ích về chất lượng và cấu trúc của diễn biến thị trường.

Một vấn đề quan trọng khác là tỷ trọng vốn không đồng nghĩa với tỷ trọng rủi ro. Giả sử một danh mục có hai cổ phiếu A và B, mỗi mã chiếm 50% vốn. Nhìn qua, đây là danh mục được phân bổ đều. Nhưng nếu volatility theo năm của A là 30%, B là 10% và tương quan lợi suất giữa hai cổ phiếu bằng 0, thì A đóng góp khoảng 90% phương sai danh mục, trong khi B chỉ đóng góp 10%. Sự khác biệt xuất hiện bởi rủi ro của danh mục phụ thuộc không chỉ vào tỷ trọng mà còn vào độ biến động của từng cổ phiếu và tương quan giữa chúng. Với danh mục nhiều mã, phương sai được tính bằng biểu thức wᵀΣw, trong đó w là vector tỷ trọng và Σ là ma trận hiệp phương sai. Tỷ lệ đóng góp của cổ phiếu i vào phương sai có thể tính bằng wᵢ(Σw)ᵢ/(wᵀΣw). Nhờ đó, chúng ta có thể xác định cổ phiếu nào đang chi phối biến động chung, thay vì chỉ xếp hạng theo vốn hóa hoặc tỷ trọng. Trong một danh mục thực tế, một mã chiếm tỷ trọng vốn không quá cao vẫn có thể tạo ra mức đóng góp rủi ro lớn nếu nó biến động mạnh và có tương quan cao với các vị thế còn lại. Ngược lại, một cổ phiếu có tỷ trọng tương đối lớn nhưng volatility thấp và tương quan thấp có thể có đóng góp rủi ro nhỏ hơn kỳ vọng. Với những danh mục có yếu tố phòng ngừa rủi ro, đóng góp vào phương sai của một vị thế thậm chí có thể âm. Chính vì vậy, trong quản trị quỹ chuyên nghiệp, chỉ nhìn Top 10 Weight là chưa đủ; cần thêm Top 10 Risk Contribution, mức độ tập trung theo ngành và các nhân tố kinh tế chung.

Khi kết hợp HHI, Return Contribution và Risk Contribution, chúng ta bắt đầu có một góc nhìn đầy đủ hơn về benchmark. HHI cho biết vốn đang tập trung ở đâu; Return Contribution cho biết những vị thế nào đang quyết định kết quả lợi nhuận; còn Risk Contribution cho biết nguồn biến động thực sự đến từ đâu. Ba đại lượng có thể thay đổi theo những hướng khác nhau. Ví dụ, một danh mục có thể giảm mức tập trung trọng số nhờ phân bổ thêm vào nhiều cổ phiếu, nhưng nếu các mã mới đều thuộc cùng một ngành và có tương quan cao, mức tập trung rủi ro vẫn không cải thiện tương ứng. Tương tự, một chỉ số có thể tăng mạnh nhờ một số cổ phiếu dẫn dắt trong khi rủi ro của các nhóm ngành khác đang gia tăng. Đối với Quant Research, đây chính là lý do các chỉ số tập trung nên được đặt cạnh volatility, correlation, sector exposure và Market Breadth. Mục tiêu không phải tạo ra càng nhiều chỉ tiêu càng tốt, mà là xây dựng một hệ thống giúp giải thích rõ biến động của benchmark. Một dashboard hữu ích cần trả lời được vì sao chỉ số tăng, cổ phiếu nào đóng góp nhiều nhất, nhóm nào đang làm tăng rủi ro và mức độ phân tán của danh mục đang tốt lên hay xấu đi so với lịch sử của chính nó.

PHẦN 3. ỨNG DỤNG THỰC TẾ TẠI HOSE: TỪ PHÂN TÍCH VN30, VN100 ĐẾN XÂY DỰNG PORTFOLIO RISK DASHBOARD

Nếu muốn biến chủ đề này thành một project Quant thực tế bằng Python, mình sẽ bắt đầu bằng việc xây dựng một bộ dữ liệu lịch sử cho VN-Index, VN30 và VN100. Tuy nhiên, phần khó nhất không phải viết công thức tính HHI hay ma trận hiệp phương sai, bởi những phép tính này tương đối đơn giản với NumPy và pandas. Thách thức thực sự là thu thập đúng danh sách cổ phiếu thành phần, trọng số, thời điểm tái cơ cấu và các dữ liệu liên quan đến phương pháp tính chỉ số. Nếu lấy danh sách VN30 hiện tại rồi quay lại chạy backtest từ năm 2018, chương trình có thể sử dụng những cổ phiếu mà ở thời điểm quá khứ chưa nằm trong chỉ số. Đây là một dạng look-ahead bias, khiến kết quả không phản ánh đúng những gì nhà đầu tư có thể quan sát và thực hiện tại thời điểm nghiên cứu. Tương tự, nếu dùng trọng số vốn hóa hiện tại để tính đóng góp lợi nhuận lịch sử, chúng ta đã vô tình đưa sự thay đổi vốn hóa xảy ra sau này vào phép tính quá khứ. Vì vậy, dữ liệu tối thiểu cần có không chỉ là giá và khối lượng giao dịch, mà còn gồm mã cổ phiếu, ngày hiệu lực của danh mục chỉ số, tỷ trọng hoặc các thành phần để tái dựng tỷ trọng theo quy tắc, thông tin free-float, hệ số giới hạn, sự kiện doanh nghiệp và phân loại ngành. Với VN-Index, VN30 và VN100, cũng cần lưu ý sự khác nhau về phương pháp tính và phạm vi cổ phiếu. Khi có dữ liệu đúng theo thời gian, những chỉ số đo lường mới có thể được so sánh một cách đáng tin cậy.

Sau khi chuẩn hóa dữ liệu, mình sẽ thiết kế một dashboard theo ba lớp thông tin. Lớp đầu tiên là Benchmark Structure, thể hiện tỷ trọng Top 5, Top 10, HHI, Effective Number of Stocks và sự thay đổi của các chỉ tiêu này qua thời gian. Lớp thứ hai là Return Attribution, cho biết mỗi cổ phiếu và mỗi nhóm ngành đã đóng góp bao nhiêu điểm phần trăm vào lợi suất chỉ số trong ngày, trong tuần hoặc trong tháng. Lớp thứ ba là Risk Decomposition, phân tích độ biến động, ma trận tương quan và đóng góp vào phương sai của từng cổ phiếu hoặc nhóm ngành. Với lớp rủi ro, cần lựa chọn một cửa sổ dữ liệu lịch sử phù hợp, chẳng hạn 60 hoặc 120 phiên, rồi kiểm tra độ nhạy của kết quả khi thay đổi cửa sổ ước lượng. Ma trận hiệp phương sai từ dữ liệu quá khứ có thể thay đổi đáng kể khi xuất hiện cú sốc thị trường, đặc biệt nếu số lượng cổ phiếu lớn so với số quan sát. Vì vậy, có thể thử các phương pháp ước lượng ổn định hơn như covariance shrinkage thay vì luôn sử dụng ma trận hiệp phương sai mẫu. Mục tiêu không chỉ là hiển thị nhiều biểu đồ mà là bảo đảm những con số có thể giải thích, kiểm tra lại và không thay đổi bất thường do lỗi dữ liệu.

Hãy thử hình dung một tình huống khi thị trường vừa kết thúc phiên giao dịch. VN30 tăng 0,8%, nhưng hệ thống cho thấy chỉ 11/30 cổ phiếu tăng giá, danh mục equal-weight gần như không thay đổi và năm cổ phiếu lớn nhất đóng góp tới +0,9 điểm phần trăm vào chỉ số. Đồng thời, HHI đang cao hơn mức trung vị trong một năm gần nhất và một nhóm ngành đóng góp phần lớn phương sai danh mục. Những con số này là ví dụ giả định, nhưng chúng cho thấy một cách đọc thị trường sâu hơn nhiều so với việc chỉ nhìn chỉ số tăng 0,8%. Thay vì nói chung chung rằng thị trường đang mạnh, chúng ta có thể xác định mức tăng đang được hỗ trợ bởi những cổ phiếu nào, nhóm còn lại có tham gia hay không và rủi ro đang tập trung vào đâu. Nếu hiện tượng này kéo dài nhiều phiên, câu hỏi tiếp theo là liệu mức độ tập trung đang phản ánh sự dẫn dắt lành mạnh của một nhóm doanh nghiệp lớn hay sự thiếu đồng thuận của phần còn lại. Để trả lời, chúng ta có thể bổ sung tỷ lệ cổ phiếu nằm trên MA20, MA50, Advance/Decline Ratio và chênh lệch lợi suất giữa chỉ số vốn hóa với danh mục equal-weight. Những biến này giúp quan sát chiều rộng thị trường, nhưng không nên tự động chuyển thành tín hiệu bán. Chúng vẫn cần được kiểm định để biết có thực sự liên quan đến lợi suất và rủi ro tương lai hay không.

Một ứng dụng khác khá hữu ích là so sánh các phương pháp xây dựng danh mục. Giả sử chúng ta có cùng một tập 30 cổ phiếu nhưng xây dựng ba phương án: danh mục theo tỷ trọng benchmark, danh mục chia đều vốn và danh mục giới hạn tỷ trọng từng cổ phiếu hoặc ngành. Khi chạy backtest, chúng ta đo lợi nhuận, volatility, Maximum Drawdown, HHI, Effective Number of Stocks, Tracking Error và turnover của từng phương án. Kết quả có thể cho thấy danh mục equal-weight giúp giảm sự tập trung vào những cổ phiếu lớn nhất, nhưng đồng thời tăng tỷ trọng những mã có vốn hóa nhỏ hơn, từ đó làm tăng rủi ro thanh khoản hoặc chi phí giao dịch. Danh mục có giới hạn tỷ trọng cũng có thể giảm sự phụ thuộc vào một số mã trụ, nhưng phải chấp nhận mức sai lệch lớn hơn so với benchmark khi nhóm cổ phiếu dẫn dắt tiếp tục tăng mạnh. Đây là sự đánh đổi rất thực tế trong Portfolio Management. Không có một phương pháp nào chắc chắn tối ưu trong mọi điều kiện thị trường. Vì vậy, thay vì hỏi danh mục equal-weight có tốt hơn VN30 hay không, mình nghĩ nên hỏi phương pháp nào tạo ra mức lợi nhuận và rủi ro phù hợp hơn với mục tiêu đầu tư, trong khi vẫn bảo đảm chi phí và khả năng thực hiện ở quy mô vốn dự kiến.

Ở góc độ nghiên cứu sâu hơn, chúng ta còn có thể kiểm tra liệu mức độ tập trung của benchmark có liên quan đến rủi ro trong những giai đoạn tiếp theo không. Chẳng hạn, khi HHI tăng mạnh và số cổ phiếu hiệu dụng giảm, liệu volatility hoặc Maximum Drawdown trong 20–60 phiên sau có lớn hơn những giai đoạn mức độ tập trung thấp hay không? Liệu sự phân kỳ kéo dài giữa VN30 và danh mục equal-weight có cung cấp thông tin về diễn biến thị trường tương lai? Để kiểm định, chúng ta có thể xây dựng dữ liệu lịch sử HHI theo từng thời điểm, chia các giai đoạn theo mức độ tập trung và sử dụng hồi quy hoặc các phương pháp thống kê phù hợp để đánh giá mối quan hệ với lợi suất, volatility và drawdown trong tương lai. Nhưng cần kiểm soát những yếu tố như xu hướng thị trường, định giá, lãi suất và chế độ biến động, bởi HHI có thể tăng đơn giản vì một số cổ phiếu vốn hóa lớn đang tăng mạnh trong một xu hướng chung. Nếu không kiểm soát các biến này, mô hình có thể nhầm lẫn tác động của mức độ tập trung với tác động của momentum hoặc market regime. Đồng thời, các quan sát trong cửa sổ lợi suất tương lai có thể chồng lấn, nên không thể mặc định mọi quan sát đều độc lập khi tính ý nghĩa thống kê.

Một nguyên tắc nữa cần lưu ý là đo mức độ tập trung hiện tại và dự báo rủi ro tương lai là hai bài toán hoàn toàn khác nhau. HHI có thể mô tả chính xác cấu trúc trọng số tại một thời điểm nhưng không nhất thiết có khả năng dự báo thị trường sẽ giảm trong tháng sau. Một dashboard Portfolio Risk vẫn có giá trị nếu nó chỉ giúp nhà đầu tư biết danh mục đang tập trung vào những cổ phiếu nào và tỷ trọng rủi ro có vượt mức chấp nhận hay không. Để biến một chỉ tiêu thành tín hiệu đầu tư, cần thêm bằng chứng về khả năng dự báo, độ ổn định ngoài mẫu và hiệu quả sau chi phí giao dịch. Đây cũng là cách mình nghĩ nên tiếp cận khi xây dựng các hệ thống Quant ứng dụng: trước tiên tạo ra những thước đo có ý nghĩa, sau đó kiểm định từng giả thuyết thay vì cố gắng biến mọi biến số thành tín hiệu mua bán. Nếu nghiên cứu không tìm thấy mối quan hệ ổn định giữa HHI và lợi suất tương lai, kết quả đó vẫn hữu ích. Nó cho thấy HHI có thể phù hợp hơn với mục tiêu kiểm soát rủi ro và giải thích cấu trúc danh mục, thay vì sử dụng để dự báo hướng đi ngắn hạn của giá cổ phiếu.

Cuối cùng, nếu đưa Benchmark Concentration vào một hệ thống Portfolio Advisor hoặc Risk Monitor, mình nghĩ giá trị lớn nhất không nằm ở việc hiển thị thêm một chỉ số HHI. Điều quan trọng là kết nối được các lớp phân tích với quyết định quản trị danh mục. Ví dụ, khi nhà đầu tư thêm một cổ phiếu vào danh mục, hệ thống có thể ước lượng việc đó làm thay đổi mức độ tập trung tỷ trọng, mức tiếp xúc theo ngành và đóng góp vào rủi ro chung như thế nào. Khi danh mục có Top 5 Weight cao hoặc một ngành chi phối phần lớn phương sai, hệ thống có thể cảnh báo để nhà đầu tư xem xét. Tuy nhiên, các ngưỡng cảnh báo phải được thiết kế theo đặc điểm chiến lược và khẩu vị rủi ro, không nên áp dụng máy móc cùng một ngưỡng cho mọi danh mục. Một quỹ chủ động tập trung vào 10 doanh nghiệp có mục tiêu hoàn toàn khác một quỹ ETF mô phỏng VN100. Với quỹ chủ động, mức tập trung cao có thể là một phần trong chiến lược đầu tư; còn với quỹ mô phỏng chỉ số, việc giảm tỷ trọng cổ phiếu lớn có thể tạo ra Tracking Error. Hệ thống tốt cần làm rõ sự đánh đổi đó thay vì tự động coi tập trung cao là sai. Đây mới là ý nghĩa thực tế của Portfolio Risk Analytics: giúp người quản lý hiểu nguồn rủi ro, kiểm soát giới hạn và đưa ra quyết định có cơ sở, chứ không đơn giản là tìm một danh mục có HHI thấp nhất.

Lời kết

Benchmark Concentration là một chủ đề khá thú vị vì nó cho thấy sự khác biệt giữa việc sở hữu nhiều cổ phiếu và việc thực sự đa dạng hóa rủi ro. Một danh mục gồm 30 mã có thể chỉ có mức phân tán trọng số tương đương 16–17 cổ phiếu được chia đều. Một chỉ số có thể tăng điểm dù phần lớn cổ phiếu giảm giá, bởi lợi nhuận đang tập trung vào một nhóm nhỏ có trọng số lớn. Và một danh mục chia đều vốn vẫn có thể tập trung rủi ro nếu các cổ phiếu có volatility hoặc mức tương quan cao. Những điều này không làm cho phương pháp đầu tư theo chỉ số trở nên kém hiệu quả, nhưng nhắc chúng ta rằng cấu trúc danh mục cần được phân tích bằng dữ liệu thay vì chỉ dựa trên số lượng cổ phiếu.

Nghiên cứu NBER năm 2026 còn cho thấy sự tập trung thị trường có thể tạo ra những tác động vượt ra ngoài phạm vi quản trị rủi ro thông thường, khi các giới hạn pháp lý ảnh hưởng đến hành vi của quỹ và khả năng phản ánh thông tin vào giá tài sản. Với Việt Nam, đây là cơ sở để đặt thêm các câu hỏi nghiên cứu về cấu trúc chỉ số, danh mục quỹ, giới hạn tỷ trọng và biến động của nhóm cổ phiếu vốn hóa lớn. Nhưng trước khi đưa ra kết luận, chúng ta cần dữ liệu đúng thời điểm, phương pháp tính nhất quán và những phép kiểm định phù hợp với thị trường trong nước.

Điều mình muốn nhấn mạnh là: một quỹ sở hữu 100 cổ phiếu không nhất thiết mang lại 100 nguồn rủi ro độc lập. Câu hỏi thực sự không phải danh mục có bao nhiêu mã, mà là cổ phiếu nào đang quyết định lợi nhuận và những yếu tố nào đang chi phối rủi ro của toàn bộ danh mục.

Mình cũng muốn hỏi thêm mọi người trong nhóm nghiên cứu định lượng: Nếu thực hành một project Portfolio Analytics với dữ liệu VN-Index, VN30 và VN100, mọi người muốn bắt đầu từ việc tính HHI và Effective Number of Stocks, phân tích mức đóng góp của cổ phiếu trụ vào chỉ số, hay xây dựng một dashboard phân rã rủi ro của danh mục bằng Python? Theo mình, đây đều là những bài toán phù hợp để kết nối Toán, Thống kê, Python và Portfolio Management, đồng thời tạo ra sản phẩm nghiên cứu có thể sử dụng trong thực tế.