10 INDICATORS ≠ 10 SIGNALS: Khi nhiều chỉ báo chưa chắc tạo ra nhiều thông tin hơn

Phần 1. Nhiều chỉ báo có thể chỉ đang kể lại cùng một câu chuyện

Trong phân tích kỹ thuật, một cảm giác khá phổ biến là càng nhiều chỉ báo cùng xác nhận một hướng thì tín hiệu càng mạnh. RSI vượt 50, MACD cắt lên, Stochastic đi lên, ROC chuyển dương, giá vượt MA20 — nhìn qua có vẻ như đang có năm bằng chứng khác nhau cùng ủng hộ khả năng cổ phiếu tiếp tục tăng. Nhưng dưới góc nhìn Quant, cách hiểu này có một vấn đề khá lớn: phần lớn các indicator trên đều được xây dựng từ cùng một nguồn dữ liệu là giá.

RSI đo tương quan giữa các phiên tăng và giảm trong một khoảng thời gian. MACD lấy chênh lệch giữa hai đường EMA. Stochastic đo vị trí của giá hiện tại trong biên độ cao – thấp gần đây. ROC đo tốc độ thay đổi của giá, còn Moving Average đơn giản là làm trơn chính chuỗi giá đó. Công thức khác nhau, cách hiển thị khác nhau, nhưng dữ liệu đầu vào vẫn chủ yếu là OHLC. Vì vậy, khi một cổ phiếu vừa có một nhịp tăng mạnh, rất dễ xảy ra tình huống RSI tăng, MACD bullish, Stochastic tăng, ROC dương và giá vượt MA gần như cùng lúc.

Ví dụ, một cổ phiếu tăng từ 50.000 lên 56.000 đồng trong vài phiên. RSI có thể tăng từ 45 lên 65, MACD cắt lên Signal, Stochastic tiến vào vùng cao, ROC chuyển dương và giá đồng thời vượt MA20. Trên màn hình xuất hiện năm tín hiệu đẹp, nhưng sự kiện gốc thực chất chỉ có một: giá vừa tăng mạnh. Một chuyển động của giá được biến đổi qua năm công thức rồi xuất hiện dưới năm cái tên khác nhau.

Trong Quant, hiện tượng này được xem là một dạng signal redundancy, tức trùng lặp thông tin giữa các tín hiệu. Một cách đơn giản để kiểm tra là xây correlation matrix giữa các indicator. Nếu RSI, MACD, Stochastic, ROC hay khoảng cách tới MA có mức tương quan cao trong một chuỗi dữ liệu đủ dài, việc cả năm chỉ báo cùng bullish không thể coi như năm bằng chứng hoàn toàn độc lập. Một model cộng điểm kiểu RSI +1, MACD +1, Stochastic +1, ROC +1 có thể vô tình đánh giá quá cao mức độ chắc chắn của tín hiệu.

Có thể hình dung đơn giản như việc năm người cùng đọc một bản tin rồi cùng nói rằng thị trường đang tích cực. Số người nói là năm, nhưng nguồn thông tin ban đầu vẫn chỉ là một. Giá trị của năm ý kiến đó hoàn toàn khác với trường hợp năm người sử dụng năm nguồn dữ liệu độc lập khác nhau.

Phần 2. Một model tốt hơn cần nhiều chiều thông tin, không cần quá nhiều indicator

Thay vì xây một model với 15–20 indicator đều sinh ra từ giá, cách tiếp cận hợp lý hơn là chia thị trường thành nhiều nhóm thông tin khác nhau. Trend dùng để xác định hướng đi chính của giá. Momentum đo tốc độ của xu hướng. Volume cho biết dòng tiền có thực sự tham gia hay không. Volatility đo trạng thái rủi ro và mức độ bất thường của biến động. Relative Strength cho biết cổ phiếu đang mạnh hơn hay yếu hơn thị trường. Fundamental và Macro bổ sung những thông tin hoàn toàn khác như EPS, lãi suất, tỷ giá hay chu kỳ ngành.

Điểm quan trọng nằm ở chỗ mỗi nhóm phải trả lời một câu hỏi riêng. Trend trả lời “giá đang đi về đâu?”, Momentum trả lời “giá đang tăng tốc hay mất đà?”, Volume trả lời “có dòng tiền thật tham gia không?”, Volatility trả lời “biến động hiện tại có bình thường không?”, Relative Strength trả lời “cổ phiếu tăng vì bản thân nó mạnh hay chỉ vì cả thị trường tăng?”, còn Fundamental trả lời “chuyển động giá có được hỗ trợ bởi lợi nhuận và định giá hay không?”.

Ví dụ, một cổ phiếu vừa breakout khỏi vùng tích lũy sáu tuần. Trong trường hợp đầu tiên, RSI đạt 65, MACD bullish, Stochastic trên 80 và giá vượt MA20. Nhìn technical khá đẹp, nhưng volume chỉ bằng 70% trung bình 20 phiên, cổ phiếu tăng yếu hơn VN-Index và doanh nghiệp vừa bị hạ dự báo lợi nhuận. Trong trường hợp thứ hai, cũng là breakout 5%, nhưng volume đạt 1,8 lần trung bình, Relative Strength so với VN-Index lập đỉnh mới, ATR chưa tăng bất thường và EPS dự phóng vừa được nâng lên. Hai cổ phiếu có thể có RSI và MACD khá giống nhau nhưng chất lượng tín hiệu hoàn toàn khác.

Đây chính là lý do một model chỉ có sáu feature nhưng lấy từ sáu chiều thông tin khác nhau có thể giá trị hơn một model chứa ba mươi technical indicator. Một cấu trúc tương đối hợp lý có thể gồm: một biến trend như regression slope hoặc breakout; một biến momentum như RSI hoặc ROC; một biến dòng tiền như Relative Volume; một biến volatility như ATR; một biến Relative Strength so với VN-Index; và một biến fundamental hoặc macro phù hợp với cổ phiếu đang phân tích.

Quant không cố gắng làm biểu đồ càng nhiều màu càng tốt. Mục tiêu là làm sao mỗi feature mới được thêm vào model phải mang lại một phần thông tin mà các feature hiện tại chưa có. Nếu RSI đã đại diện khá tốt cho momentum, việc thêm Stochastic, Williams %R, CCI và ROC chỉ để tăng số lượng chỉ báo chưa chắc giúp model tốt hơn. Ngược lại, thêm một biến volume hoặc relative strength có thể đáng giá hơn vì nó bổ sung một chiều thông tin mới.

Có thể tóm gọn nguyên tắc này thành ba ý:

Trend, Momentum, Volume, Volatility, Relative Strength và Fundamental nên được xem là các “nhóm thông tin” khác nhau.
Trong mỗi nhóm không nhất thiết phải dùng quá nhiều indicator.
Một feature mới chỉ đáng được thêm vào khi nó thực sự bổ sung information content cho model.

Phần 3. Vì sao model nhiều indicator thường backtest rất đẹp nhưng chạy thật lại kém?

Vấn đề trở nên rõ hơn khi chuyển sang backtest. Giả sử Model A sử dụng RSI, MACD, Stochastic, CCI, Williams %R, ROC, MA5, MA10, MA20, Bollinger Bands và hàng loạt crossover khác nhau. Model B chỉ sử dụng một biến momentum, một biến trend, relative volume, volatility, relative strength và một biến fundamental. Khi tối ưu trên dữ liệu lịch sử, Model A thường có nhiều khả năng tạo ra một equity curve đẹp hơn vì nó có rất nhiều tham số để tinh chỉnh.

Chỉ riêng RSI đã có thể thử RSI 14, RSI 12, RSI 10 hoặc các ngưỡng 50, 55, 60. Moving Average có thể thử MA20, MA21, MA25. MACD có thể thay đổi bộ tham số 12–26–9 thành hàng chục cấu hình khác nhau. Nếu tiếp tục thử hàng trăm hoặc hàng nghìn combination trên cùng một tập dữ liệu, gần như chắc chắn sẽ tìm được một cấu hình có kết quả lịch sử rất đẹp. Nhưng điều đó chưa chứng minh model có predictive power. Model có thể chỉ đang học quá kỹ noise của dữ liệu quá khứ.

Đó là overfitting. Model biết quá rõ những gì đã xảy ra nhưng không thực sự hiểu quy luật có khả năng tồn tại trong tương lai. Vì vậy, Quant không chỉ nhìn vào kết quả in-sample mà phải đặc biệt chú ý tới out-of-sample. Nếu một chiến lược đạt Sharpe 2,1 trong tập train nhưng giảm xuống 0,4 ở tập test, trong khi một model đơn giản hơn đạt Sharpe 1,4 ở tập train và vẫn giữ được 1,1 ở tập test, model thứ hai thường đáng tin hơn. Nó không đẹp nhất trong quá khứ nhưng có khả năng generalize tốt hơn.

Ngoài overfitting, backtest còn có thể bị làm đẹp bởi nhiều vấn đề khác. Look-ahead bias xảy ra khi model vô tình sử dụng thông tin tại thời điểm mà trên thực tế nhà đầu tư chưa thể biết. Survivorship bias xảy ra khi chỉ backtest trên những cổ phiếu còn tồn tại đến hiện tại mà bỏ qua các doanh nghiệp đã bị hủy niêm yết hoặc thất bại. Transaction cost và slippage cũng có thể biến một chiến lược lợi nhuận tốt trên lý thuyết thành chiến lược không còn lợi nhuận khi giao dịch thật. Một model càng giao dịch nhiều thì những chi phí này càng quan trọng.

Do đó, một quy trình Quant hợp lý thường không bắt đầu bằng câu hỏi “thêm indicator nào nữa?”. Câu hỏi tốt hơn là: feature này đang bổ sung thông tin gì mà model chưa có? Nếu không thể trả lời rõ, có thể feature đó không cần thiết.

Một hệ thống Quant tốt không phải hệ thống có nhiều tín hiệu nhất. Đó là hệ thống có đủ ít biến để kiểm soát, đủ nhiều chiều dữ liệu để tránh nhìn thị trường từ một góc duy nhất, và đủ ổn định để tiếp tục hoạt động khi bước sang dữ liệu chưa từng thấy.

10 indicators có thể chỉ là một câu chuyện của giá được kể lại 10 lần. Quant tốt phải tìm được những câu chuyện khác nhau.