Xây dựng danh mục đầu tư dựa trên phân cụm phân cấp kết hợp với tỷ lệ Sharpe và đối chiếu kết quả với ChatGPT

Abstract

Nghiên cứu này giới thiệu một phương pháp sử dụng kết hợp kỹ thuật phân cụm phân cấp (Hierarchical Clustering) và tỷ lệ Sharpe như một công cụ hỗ trợ cho việc đa dạng hóa và xây dựng danh mục đầu tư trong lĩnh vực đầu tư chứng khoán. Đồng thời, nghiên cứu khai thác tiềm năng của ChatGPT trong việc xây dựng, đánh giá và lựa chọn danh mục đầu tư. Từ tám cổ phiếu ban đầu, các cổ phiếu được lựa chọn để cấu thành các danh mục đầu tư. Trong đó, có ba danh mục được xây dựng từ kỹ thuật phân cụm phân cấp dựa trên ba thước đo khoảng cách tương ứng là Single Linkage, Complete Linkage, và Average Linkage, kết hợp với tỷ lệ Sharpe được tính từ dữ liệu quá khứ, và một danh mục được xây dựng bởi ChatGPT. Kết quả thực nghiệm cho thấy danh mục được xây dựng bởi phương pháp phân cụm phân cấp dựa trên thước đo Complete Linkage kết hợp với tỷ lệ Sharpe mang lại hiệu suất tốt nhất, và danh mục mà ChatGPT đưa ra có hiệu suất thấp nhất. Bên cạnh đó, nghiên cứu cũng chỉ ra rằng ChatGPT ưu tiên các danh mục có sự đa dạng hóa về ngành trong khi phân cụm phân cấp và tỷ lệ Sharpe thiên về dữ liệu thực của giá trong quá khứ hơn.