SỐ 242 | Tháng 5/2026
Các nhân tố vĩ mô thúc đẩy bong bóng chứng khoán Việt Nam: Bằng chứng từ học máy phi tuyến
Liêu Cập Phủ, Phạm Thị Tuyết Trinh
Tóm tắt:
Mục tiêu nghiên cứu: Nghiên cứu nhằm phát hiện các giai đoạn bong bóng tài chính tại Việt Nam và xác định những biến số vĩ mô tiền tệ then chốt đóng vai trò quan trọng trong việc nhận diện các hiện tượng này.
Thiết kế nghiên cứu/phương pháp/tiếp cận: Nhóm tác giả sử dụng dữ liệu chuỗi thời gian tháng (2002–2024) và tiếp cận theo phương pháp nhận diện hậu nghiệm dựa trên các sự kiện sụp đổ thực tế trong lịch sử. Quy trình lọc biến đa tầng (tương quan, VIF và Gini) được thực hiện trước khi so sánh hiệu suất giữa hồi quy Logistic truyền thống với các thuật toán học máy phi tuyến như Decision Tree, Random Forest, Gradient Boosting và eXtreme Gradient Boosting (XGBoost).
Kết quả nghiên cứu chính: Nghiên cứu xác định được 10 giai đoạn bong bóng chứng khoán. Các mô hình học máy tập hợp (Gradient Boosting, Random Forest) đạt hiệu quả vượt trội với F1-Score 0,93, Recall 1,0, Accuracy đạt 96%. Ba nhân tố dự báo quan trọng nhất là tăng trưởng xuất khẩu, tăng trưởng GNI và cán cân vãng lai/GDP. Kết quả khẳng định bong bóng chứng khoán Việt Nam mang tính ngoại sinh, chịu ảnh hưởng mạnh từ quy mô thanh khoản và tín dụng hơn là chi phí lãi suất.
Giá trị đóng góp mới: Nghiên cứu đề xuất một khung phương pháp luận mới giúp khắc phục độ trễ của các kiểm định thống kê truyền thống. Đây là cơ sở thực nghiệm quan trọng để các cơ quan quản lý chính thức hóa học máy vào hệ thống cảnh báo sớm rủi ro hệ thống tại Việt Nam
Tài liệu tham khảo:
- Aliber, R. Z., Kindleberger, C. P., & McCauley, R. N. (2023). Manias, Panics, and Crashes: A History of Financial Crises. Springer International Publishing. https://doi.org/10.1007/978-3-031-16008-0
- Atsiwo, A. (2025). A three-step machine learning approach to predict market bubbles with financial news (arXiv:2510.16636). arXiv. https://doi.org/10.48550/arXiv.2510.16636
- Calvo, G. A., Leiderman, L., & Reinhart, C. M. (1993). Capital Inflows and Real Exchange Rate Appreciation in Latin America: The Role of External Factors. Staff Papers - International Monetary Fund, 40(1), 108. https://doi.org/10.2307/3867379
- Hayek, F. A. (1933). Monetary theory and the trade cycle.
- Kabran, B. F., & Ünlü, K. D. (2021). A two-step machine learning approach to predict S&P 500 bubbles. Journal of Applied Statistics, 48(13–15), 2776–2794. https://doi.org/10.1080/02664763.2020.1823947
- Kindleberger, C. (1978). Panics, and Crashes: A history of financial crises. Basic Books.
- Manian, M., & Kayal, P. (2025). Detecting and forecasting financial bubbles in the Indian stock market using machine learning models: Financial bubbles in the Indian stock market using ML models. IIMB Management Review, 100591.
- Minsky, H. P. (1986). Stabilizing an Unstable Economy: The Lessons for Industry, Finance and Government.
- Mishkin, F. S., & White, E. N. (2003). U.S. Stock Market Crashes and Their Aftermath: Implications for Monetary Policy. Trong W. C. Hunter, G. G. Kaufman, & M. Pomerleano (B.t.v), Asset Price Bubbles: The Implications for Monetary, Regulatory, and International Policies (tr 53–80). MIT Press.
- Mundell, R. A. (1963). Capital Mobility and Stabilization Policy Under Fixed and Flexible Exchange Rates. Canadian Journal of Economics and Political Science, 29(4), 475–485. https://doi.org/10.2307/139336
- Pham, D. L., Bui, Q. H., & Pham, T. B. N. (2024). Money supply, inflation and output: An empirically comparative analysis for Vietnam and China. Asian Journal of Economics and Banking, 8(2), 294–306. https://doi.org/10.1108/AJEB-03-2021-0040
- Prananta, B., & Alexiou, C. (2024). Exchange rates, bond yields and the stock market: Nonlinear evidence of Indonesia during the COVID-19 period. Asian Journal of Economics and Banking, 8(1), 83–99. https://doi.org/10.1108/AJEB-12-2022-0157
- Rey, H. (2015). Dilemma not Trilemma: The Global Financial Cycle and Monetary Policy Independence (No. W21162; tr w21162). National Bureau of Economic Research. https://doi.org/10.3386/w21162
- Saritas, M. M., Ozgur, O., & Yilanci, V. (2026). Detecting and explaining bubbles in Islamic stock markets: A dual approach with LPPLS and machine learning. Borsa Istanbul Review, 100790. https://doi.org/10.1016/j.bir.2026.100790
- Tran, K. L., Le, H. A., Lieu, C. P., & Nguyen, D. T. (2023). Machine learning to forecast financial bubbles in stock markets: Evidence from Vietnam. International Journal of Financial Studies, 11(4), 133. https://doi.org/10.3390/ijfs11040133
- Tran, T. H., & Bui, T. K. (2025). Financial Bubble Detection Using GSADF and LSTM-RNN Model: Evidence from Emerging Markets. International Journal of Analysis and Applications, 23, 150–150. https://doi.org/10.28924/2291-8639-23-2025-150
- Von Mises, L. (1953). The theory of money and credit. Ludwig von Mises Institute.
Macroeconomic Drivers of Vietnam's Stock Market Bubbles: Evidence from Non-linear Machine Learning
Abstract:
Purpose: This research aims to detect financial bubble periods in the Vietnamese stock market and identify key monetary macroeconomic variables that play a crucial role in recognizing these phenomena.
Design/methodology/approach: The study utilizes monthly time-series data from 2002 to 2024 and adopts an ex-post identification approach based on actual market crashes. A multi-stage feature selection process, incorporating Pearson correlation, Variance Inflation Factor (VIF), & Gini importance, is conducted. Subsequently, the performance of traditional Logistic regression is compared against non-linear machine learning algorithms, specifically Decision Tree, Random Forest, Gradient Boosting, and eXtreme Gradient Boosting (XGBoost).
Findings: The study identifies ten distinct stock market bubble periods. Ensemble learning models (Gradient Boosting & Random Forest) demonstrate superior performance, achieving an F1-Score of 0.93, a Recall of 1.00, and an overall Accuracy of 96%. The three most significant predictors identified are export growth, GNI growth, and the current account-to-GDP ratio. The findings confirm that stock market bubbles in Vietnam are primarily exogenous, driven more heavily by liquidity scale and credit expansion than by interest rate costs.
Originality/value: This research proposes a novel methodological framework that overcomes the inherent time lags of traditional statistical tests. It provides a significant empirical foundation for regulatory authorities to formalize the integration of machine learning into national early warning systems for systemic risk in Vietnam.