PCA TRONG QUẢN TRỊ DANH MỤC: KHI 30 CỔ PHIẾU THỰC CHẤT CHỈ CÒN VÀI NGUỒN RỦI RO

Trong Machine Learning, PCA thường được giới thiệu như một kỹ thuật giảm chiều dữ liệu. Nếu có quá nhiều biến đầu vào, PCA giúp gom chúng lại thành một số ít biến mới nhưng vẫn giữ được phần lớn thông tin quan trọng. Trong tài chính, cách hiểu này đúng nhưng chưa đủ. PCA còn có thể được dùng như một công cụ để nhìn vào cấu trúc rủi ro của thị trường. Thay vì chỉ hỏi một danh mục đang có bao nhiêu cổ phiếu, PCA giúp trả lời một câu hỏi thực tế hơn nhiều: những cổ phiếu đó có thực sự mang những rủi ro khác nhau hay phần lớn chúng đang cùng phản ứng với một vài yếu tố chung?

Đây là một vấn đề rất đáng quan tâm với nhà đầu tư. Một danh mục có thể nhìn rất đa dạng nếu chỉ nhìn tên cổ phiếu. Có ngân hàng, bất động sản, công nghệ, bán lẻ, thép, chứng khoán và hàng tiêu dùng. Tuy nhiên, khi thị trường bước vào một giai đoạn căng thẳng, những câu chuyện riêng của từng doanh nghiệp có thể trở nên kém quan trọng. Dòng tiền rút khỏi thị trường, margin bị thu hẹp, các quỹ giảm vị thế và nhà đầu tư cùng chuyển sang trạng thái phòng thủ. Khi đó, rất nhiều cổ phiếu vốn trước đây vận động khác nhau lại bắt đầu tăng giảm cùng nhau. PCA đặc biệt hữu ích trong việc phát hiện quá trình này.

PHẦN 1. NHIỀU CỔ PHIẾU KHÔNG CÓ NGHĨA LÀ NHIỀU NGUỒN RỦI RO

Hãy hình dung một nhà đầu tư đang nắm giữ 30 cổ phiếu khác nhau. Nếu chỉ nhìn danh sách mã, cảm giác đầu tiên thường là danh mục đã được phân tán khá tốt. Không có cổ phiếu nào chiếm tỷ trọng quá lớn, các doanh nghiệp cũng thuộc nhiều ngành khác nhau. Trong điều kiện thị trường bình thường, cách phân bổ như vậy thực sự có thể mang lại lợi ích. Ngân hàng có thể tăng nhờ tăng trưởng tín dụng, công nghệ tăng nhờ lợi nhuận, bán lẻ phục hồi nhờ tiêu dùng trong khi một số ngành khác lại đi ngang. Các cổ phiếu không nhất thiết phải cùng tăng hay cùng giảm.

Vấn đề xuất hiện khi thị trường bước vào một giai đoạn mà yếu tố chung trở nên mạnh hơn yếu tố riêng của từng doanh nghiệp. Ví dụ, khi thanh khoản hệ thống căng lên, lãi suất tăng mạnh hoặc xảy ra một cú sốc khiến nhà đầu tư đồng loạt giảm rủi ro, dòng tiền có thể rút khỏi hầu hết các nhóm cổ phiếu cùng lúc. Một doanh nghiệp vẫn có kết quả kinh doanh tốt nhưng cổ phiếu của nó vẫn giảm vì nhà đầu tư đang bán cả danh mục chứ không còn phân biệt quá nhiều giữa doanh nghiệp tốt và doanh nghiệp xấu. Lúc đó, 30 cổ phiếu tưởng như rất khác nhau có thể bắt đầu hành xử giống nhau.

Đây là lúc PCA trở nên hữu ích. PCA nhìn vào cách các cổ phiếu biến động cùng nhau và cố gắng tìm ra những hướng biến động chung lớn nhất. Có thể hiểu đơn giản rằng PCA đang hỏi: nếu phải giải thích chuyển động của hàng chục cổ phiếu bằng một số ít “câu chuyện chung”, cần bao nhiêu câu chuyện là đủ? Nếu phải cần rất nhiều yếu tố khác nhau mới giải thích được phần lớn biến động, điều đó cho thấy thị trường đang khá phân tán. Các cổ phiếu vẫn còn nhiều hành vi riêng và diversification đang có tác dụng tương đối tốt.

Ngược lại, nếu chỉ một hoặc hai principal component đã giải thích được phần lớn chuyển động của toàn bộ danh mục, đó là dấu hiệu đáng chú ý. Nó cho thấy nhiều cổ phiếu đang ngày càng bị chi phối bởi cùng một nguồn biến động. Trong trường hợp cực đoan, dù nhà đầu tư nắm hàng chục cổ phiếu khác nhau, danh mục về bản chất có thể gần giống như một vị thế duy nhất vào thị trường cổ phiếu nói chung. Khi thị trường đi lên, gần như mọi thứ cùng tăng. Khi thị trường giảm, gần như mọi thứ cùng giảm.

Principal Component đầu tiên thường là phần đáng quan sát nhất. Trong dữ liệu cổ phiếu, component này nhiều khi phản ánh một dạng “market mode”, tức là xu hướng chung của toàn thị trường. Nếu PC1 ngày càng giải thích một phần lớn hơn của biến động, có thể hiểu rằng ảnh hưởng của thị trường chung đang lớn dần so với những câu chuyện riêng của từng doanh nghiệp. Đối với một portfolio manager, đây là một thông tin rất quan trọng vì nó cho thấy diversification trong danh mục đang yếu đi.

Ý tưởng này cũng có liên hệ với nghiên cứu về Absorption Ratio trong quản trị rủi ro hệ thống. Thay vì chỉ nhìn correlation từng cặp cổ phiếu, các nhà nghiên cứu theo dõi xem một số ít principal component đang “hấp thụ” bao nhiêu phần biến động của cả hệ thống. Khi phần biến động bị tập trung vào một số ít component tăng lên, thị trường có xu hướng trở nên đồng bộ hơn. Khi đó, một cú sốc ở một khu vực có khả năng lan sang phần còn lại của thị trường dễ hơn so với lúc các tài sản còn vận động tương đối độc lập.

Điểm quan trọng ở đây là diversification không mất đi chỉ vì số lượng cổ phiếu giảm. Nó có thể mất đi ngay cả khi số lượng cổ phiếu vẫn giữ nguyên. Bạn vẫn có 30 mã trong tài khoản, nhưng 30 mã đó có thể ngày càng cùng phụ thuộc vào một số ít nguồn rủi ro. PCA giúp nhìn ra sự thay đổi này trước khi nó trở nên quá rõ ràng trên P&L.

PHẦN 2. ÁP DỤNG PCA VÀO VN30 HOẶC VN100 NHƯ THẾ NÀO?

Nếu áp dụng vào thị trường Việt Nam, một cách tiếp cận khá thực tế là theo dõi PCA trên VN30 hoặc VN100 theo từng khoảng thời gian. Thay vì chạy PCA một lần trên toàn bộ lịch sử rồi xem kết quả đó là cố định, nên sử dụng rolling window, chẳng hạn lấy dữ liệu của 60, 120 hoặc 250 phiên gần nhất rồi cập nhật liên tục. Cách làm này phù hợp hơn với tài chính vì cấu trúc thị trường luôn thay đổi. Mối quan hệ giữa các ngành trong năm nay chưa chắc còn giống năm sau.

Dữ liệu đầu vào cũng cần được lựa chọn cẩn thận. PCA không nên được chạy trực tiếp trên mức giá cổ phiếu vì một cổ phiếu giá cao và một cổ phiếu giá thấp không có ý nghĩa so sánh trực tiếp. Thứ cần quan tâm là mức thay đổi của giá theo thời gian, tức return. Khi dùng return, ta đang đặt các cổ phiếu về một mặt bằng có thể so sánh với nhau và tập trung vào câu hỏi quan trọng hơn: chúng đang biến động giống hay khác nhau đến mức nào.

Một điểm dễ bỏ qua là volatility của các cổ phiếu cũng khác nhau rất lớn. Một cổ phiếu midcap có thể dao động vài phần trăm mỗi phiên, trong khi một cổ phiếu vốn hóa lớn chỉ biến động khoảng một phần trăm. Nếu đưa trực tiếp cả hai vào PCA mà không xem xét việc chuẩn hóa, cổ phiếu biến động mạnh có thể ảnh hưởng đến kết quả nhiều hơn chỉ vì nó có biên độ lớn hơn. Vì vậy, nếu mục đích là nghiên cứu cấu trúc tương quan của thị trường, chuẩn hóa dữ liệu trước khi chạy PCA thường giúp kết quả dễ diễn giải hơn.

Sau khi có kết quả PCA, thứ đầu tiên mình sẽ nhìn là tỷ lệ biến động được giải thích bởi component đầu tiên. Giả sử trong một giai đoạn bình thường, PC1 chỉ giải thích khoảng một phần tư tổng biến động. Điều đó cho thấy thị trường vẫn còn khá nhiều chuyển động riêng giữa các nhóm cổ phiếu. Nhưng vài tuần sau, tỷ lệ này tăng mạnh. Lúc đó không cần biết chính xác cổ phiếu nào đang có tin tốt hay xấu, PCA đã cho một thông tin quan trọng: chuyển động chung của thị trường đang trở nên mạnh hơn.

Cũng không nên chỉ nhìn duy nhất PC1. Có những giai đoạn market factor không tăng quá mạnh nhưng hai hoặc ba component đầu tiên cộng lại đã giải thích phần lớn biến động. Điều này có thể cho thấy thị trường đang bị chi phối bởi một số ít nhóm rủi ro lớn. Một component có thể phản ánh hướng đi chung của thị trường, một component khác có thể tập trung vào nhóm tài chính, còn một component khác lại liên quan đến cổ phiếu vốn hóa nhỏ hoặc bất động sản. Một danh mục có 50 mã trong trường hợp này thực tế có thể chỉ đang đặt cược vào ba hoặc bốn nguồn rủi ro lớn.

Phần loading của từng cổ phiếu lên mỗi component cũng rất đáng xem. Nếu hầu hết cổ phiếu đều có loading cùng chiều và tương đối lớn với component đầu tiên, có thể hiểu component đó đang đại diện khá nhiều cho market risk. Nếu một component khác chủ yếu có loading lớn ở ngân hàng, chứng khoán và bảo hiểm, có thể đặt giả thuyết rằng component đó phản ánh một dạng financial factor. PCA không tự nói cho chúng ta biết tên của factor. Con người vẫn phải nhìn vào thành phần của component để diễn giải ý nghĩa kinh tế phía sau.

Điều quan trọng là không nên gán nhãn quá nhanh. Nếu PC2 hôm nay giống một Banking Factor thì không có nghĩa PC2 năm sau vẫn đại diện cho ngân hàng. Thứ tự và cấu trúc của các component thay đổi cùng với dữ liệu. PCA không tạo ra các factor kinh tế cố định như Value hay Momentum. Nó chỉ mô tả cấu trúc biến động đang xuất hiện trong giai đoạn dữ liệu hiện tại.

Đây cũng chính là lý do rolling PCA có giá trị. Nếu mỗi ngày tính lại PCA trên cửa sổ 120 phiên, ta có thể quan sát xem cấu trúc thị trường đang thay đổi theo thời gian như thế nào. Có những giai đoạn thị trường khá phân tán, stock picking hoạt động tốt và nhiều ngành chạy độc lập. Nhưng cũng có những giai đoạn mọi thứ dần bị kéo về cùng một hướng. Chính sự thay đổi từ trạng thái thứ nhất sang trạng thái thứ hai mới là thứ đáng quan tâm nhất.

Đối với thị trường Việt Nam, điều này đặc biệt thực tế vì tỷ trọng của một số nhóm ngành trong chỉ số khá lớn. Ngân hàng, bất động sản hay chứng khoán có những thời điểm có ảnh hưởng rất mạnh đến toàn thị trường. Một portfolio tưởng như đa dạng có thể vẫn đang gián tiếp phụ thuộc khá nhiều vào một nhóm yếu tố chung liên quan đến tín dụng, lãi suất, thanh khoản hoặc tâm lý risk-on/risk-off. PCA giúp nhìn những mối quan hệ này ở cấp độ tổng thể hơn thay vì chỉ kiểm tra từng cặp cổ phiếu riêng lẻ.

PHẦN 3. PCA CÓ THỂ GIÚP QUẢN TRỊ RỦI RO THỰC TẾ RA SAO?

Ứng dụng thực tế nhất của PCA không nhất thiết là dùng nó để dự báo cổ phiếu nào sẽ tăng ngày mai. PCA phù hợp hơn với vai trò một radar rủi ro. Nó cho biết thị trường đang ở trạng thái phân tán hay đang trở nên đồng bộ hơn. Từ thông tin đó, nhà đầu tư có thể điều chỉnh cách quản lý danh mục trước khi rủi ro trở nên quá lớn.

Giả sử một portfolio manager đang quản lý danh mục 20 cổ phiếu. Trong nhiều tháng, các principal component đầu tiên chỉ giải thích một phần vừa phải của tổng biến động. Các cổ phiếu vẫn có nhiều hành vi riêng và danh mục hưởng lợi khá tốt từ stock picking. Sau đó, PCA bắt đầu cho thấy một số ít component giải thích ngày càng nhiều biến động. Điều này chưa chắc có nghĩa thị trường sắp giảm, nhưng nó cho thấy nhiều vị thế đang bắt đầu cùng phản ứng với những nguồn rủi ro giống nhau hơn trước.

Đây là thời điểm hợp lý để kiểm tra lại diversification. Nhà đầu tư có thể nghĩ mình đang phân tán tốt vì có cả ngân hàng, công nghệ, bán lẻ và thép. Nhưng nếu PCA cho thấy tất cả đang loading mạnh lên cùng một component, thì diversification về tên ngành không còn quan trọng bằng diversification về risk exposure. Một danh mục nhiều mã nhưng cùng phản ứng với dòng tiền thị trường sẽ vẫn chịu tổn thất lớn nếu xuất hiện một cú risk-off mạnh.

PCA cũng hữu ích với những danh mục sử dụng margin hoặc leverage. Khi các tài sản ngày càng biến động cùng chiều, tác dụng giảm rủi ro nhờ diversification sẽ yếu đi. Điều này có nghĩa cùng một mức leverage từng tương đối an toàn trong giai đoạn bình thường có thể trở nên nguy hiểm hơn trong giai đoạn correlation tăng cao. Vì vậy, khi PCA cho thấy risk đang tập trung mạnh vào một số ít component, portfolio manager có thể xem xét giảm gross exposure hoặc giảm margin thay vì chờ volatility thực tế tăng vọt mới hành động.

Một ứng dụng khác là hỗ trợ quyết định hedge. Nếu danh mục có rất nhiều mã nhưng PCA cho thấy component đầu tiên đang chi phối phần lớn biến động, market risk có thể đang trở thành nguồn rủi ro chính. Khi đó, hedge bằng hợp đồng tương lai chỉ số như VN30F có thể hợp lý hơn so với việc bán từng cổ phiếu riêng lẻ. Tuy nhiên, nếu component lớn nhất lại chủ yếu đến từ một nhóm ngành cụ thể như bất động sản hoặc ngân hàng, hedge bằng VN30F có thể không giải quyết được toàn bộ vấn đề.

Đây là chỗ PCA giúp nhà quản lý đặt đúng câu hỏi. Thay vì chỉ hỏi “có nên hedge không?”, câu hỏi tốt hơn là “mình đang muốn hedge loại risk nào?”. Nếu risk nằm ở market direction, hedge chỉ số có thể hiệu quả. Nếu risk nằm ở sector concentration, cần xử lý ngay trong cấu trúc danh mục. Nếu risk nằm ở một số cổ phiếu có tính thanh khoản thấp, vấn đề lại hoàn toàn khác.

PCA cũng có thể được kết hợp với stress testing. Sau khi xác định một số component đang chi phối thị trường, nhà đầu tư có thể kiểm tra xem portfolio sẽ phản ứng như thế nào nếu các component đó xuất hiện cú shock lớn. Ý tưởng ở đây không phải dự báo chính xác một cuộc khủng hoảng, mà là thử xem danh mục có yếu hơn mình tưởng hay không. Một position nhìn riêng lẻ có vẻ nhỏ nhưng nếu nó cùng exposure với nhiều position khác vào một component lớn, tổng risk có thể lớn hơn rất nhiều so với cảm giác ban đầu.

Có một điểm cần đặc biệt lưu ý: PCA không phải indicator mua bán. Việc PC1 tăng mạnh không đồng nghĩa ngày mai VN-Index sẽ giảm. Một thị trường tăng rất mạnh cũng có thể có mức độ đồng bộ cao vì phần lớn cổ phiếu cùng tăng. PCA chỉ cho biết cấu trúc biến động đang trở nên tập trung hơn. Việc diễn giải điều đó là tích cực hay tiêu cực còn phụ thuộc vào bối cảnh thị trường, liquidity, volatility và vị thế hiện tại của portfolio.

PCA cũng không tìm alpha. Nó tìm những hướng biến động lớn nhất của dữ liệu. Một component giải thích nhiều biến động không có nghĩa component đó mang lại lợi nhuận cao. Ngược lại, một signal có alpha tốt đôi khi chỉ đóng góp một phần rất nhỏ vào tổng volatility. Vì vậy, nếu dùng PCA trong Quant, nên đặt nó đúng vai trò: một công cụ hiểu risk structure, không phải một công cụ tự động tạo tín hiệu mua bán.

Giá trị lớn nhất của PCA nằm ở việc nó thay đổi cách chúng ta nhìn diversification. Thay vì hỏi danh mục có bao nhiêu mã, chúng ta bắt đầu hỏi có bao nhiêu nguồn rủi ro thực sự độc lập. Thay vì nhìn 30 ticker và nghĩ mình có 30 câu chuyện khác nhau, PCA có thể chỉ ra rằng phần lớn chúng đang cùng phụ thuộc vào ba hoặc bốn chuyển động chung.

Và đây có lẽ là câu hỏi thực tế nhất mà một portfolio manager có thể dùng PCA để trả lời:

Danh mục của mình đang có nhiều cổ phiếu, nhưng có thực sự có nhiều nguồn rủi ro khác nhau hay không?

Nếu câu trả lời ngày càng nghiêng về phía “không”, đó có thể là lúc cần xem lại diversification, leverage và cách hedge trước khi thị trường buộc mình phải làm điều đó.