Academic Alpha: Làm sao phân biệt factor thật với “factor zoo”?

Trong đầu tư định lượng, tìm được một biến có khả năng giải thích lợi nhuận quá khứ chưa phải điều quá khó. Thử đủ nhiều dữ liệu, thay đổi đủ nhiều tham số và điều chỉnh cách xây dựng danh mục, chúng ta gần như chắc chắn sẽ tìm thấy một vài chiến lược có đường lợi nhuận đẹp. Câu hỏi khó hơn là: kết quả đó phản ánh một đặc điểm có thể khai thác của thị trường, hay chỉ là sản phẩm của quá trình tìm kiếm?

Trong tài liệu Academic Alpha: A (Re)Introduction to Style Premia Investing, công bố tháng 8/2026, Thomas Maloney và Tobias Moskowitz của AQR đề cập trực tiếp đến vấn đề này. Các tác giả phân biệt những factor có bằng chứng đáng tin với những kết quả có thể đến từ việc khớp quá mức vào dữ liệu, lặp lại factor đã biết hoặc không thể triển khai hiệu quả sau chi phí.

Từ vấn đề đó, có thể xây dựng một cách đánh giá thực tế hơn: trước khi hỏi một factor kiếm được bao nhiêu trong backtest, cần hiểu nó kiếm tiền từ đâu, bằng chứng mạnh đến mức nào và liệu danh mục thực tế có giữ lại được phần lợi nhuận ấy hay không.

1. Factor zoo: Khi số lượng ý tưởng tăng nhanh hơn chất lượng bằng chứng

Factor thường được hiểu là một đặc điểm dùng để phân loại tài sản hoặc một nguồn rủi ro, lợi nhuận chung giữa các tài sản. Trong nghiên cứu cổ phiếu, những đặc điểm này có thể là định giá, quy mô, khả năng sinh lời, động lượng giá hoặc chất lượng lợi nhuận. Researcher sử dụng chúng để xếp hạng cổ phiếu, xây dựng danh mục và kiểm tra xem các nhóm có tạo ra khác biệt lợi nhuận hay không.

Ví dụ, với một tín hiệu định giá, người nghiên cứu có thể chia cổ phiếu thành năm nhóm từ rẻ nhất đến đắt nhất rồi theo dõi lợi nhuận tương lai. Nếu nhóm rẻ thường vượt nhóm đắt, kết quả đó là một bằng chứng ban đầu. Tuy nhiên, chênh lệch lợi nhuận chưa tự động chứng minh rằng đã tìm được alpha. Nó có thể phản ánh khác biệt về rủi ro, cơ cấu ngành, thanh khoản hoặc những đặc điểm khác chưa được kiểm soát.

Khái niệm “factor zoo” xuất hiện khi ngày càng nhiều đặc điểm được công bố là có khả năng giải thích lợi nhuận. Vấn đề không chỉ nằm ở số lượng factor, mà còn ở số lượng phép thử đứng phía sau mỗi kết quả được công bố. Người đọc thường nhìn thấy công thức cuối cùng, trong khi không biết tác giả đã thử bao nhiêu công thức khác trước khi chọn nó.

Giả sử một nhóm nghiên cứu có 50 biến tài chính, thử bốn cách chuẩn hóa, năm khoảng thời gian quan sát và ba cách phân bổ tỷ trọng. Như vậy, nhóm đã có thể tạo ra 3.000 cấu hình. Nếu tiếp tục thay đổi phạm vi cổ phiếu và giai đoạn backtest, số lượng thử nghiệm còn lớn hơn. Trong tập kết quả đó, một vài cấu hình nổi bật có thể xuất hiện ngay cả khi dữ liệu không chứa lợi thế dự báo bền vững.

Đây là lý do kết quả của một phép kiểm định riêng lẻ phải được đặt trong toàn bộ quá trình tìm kiếm. Harvey, Liu và Zhu chỉ ra rằng khi đã có rất nhiều factor được thử nghiệm, ngưỡng ý nghĩa thống kê thông thường là quá dễ vượt qua. Nghiên cứu của họ đề xuất yêu cầu cao hơn đối với factor mới; ngưỡng cụ thể phụ thuộc cách kiểm soát sai lầm và tập phép thử, chứ không phải một con số bảo đảm factor là thật.

Có thể hình dung bằng một ví dụ thống kê đơn giản. Nếu thực hiện 1.000 phép kiểm định đều không có hiệu ứng thật, mỗi phép dùng mức ý nghĩa 5% và được hiệu chỉnh đúng, số kết quả dương tính giả kỳ vọng là khoảng 50. Con số này không có nghĩa mọi nghiên cứu đều sai; nó cho thấy việc chỉ giữ lại những kết quả vượt ngưỡng có thể tạo ra một bức tranh rất khác với thực tế.

Điểm cần phân biệt tiếp theo là một factor có lợi nhuận dương chưa chắc tạo ra alpha theo nghĩa chặt chẽ. Alpha phụ thuộc mô hình tham chiếu: phần lợi nhuận có vẻ vượt trội khi chỉ so với thị trường có thể được giải thích khi bổ sung các yếu tố như quy mô, định giá hoặc động lượng. Bởi vậy, một tên gọi mới hay một công thức phức tạp hơn chưa đủ để chứng minh đã tìm ra nguồn lợi nhuận mới.

Trong thực hành, hồ sơ nghiên cứu cần lưu cả những thử nghiệm thất bại, thời điểm thay đổi giả thuyết và lý do chọn cấu hình cuối cùng. Nếu researcher đã xem kết quả rồi mới quyết định bỏ một nhóm cổ phiếu hoặc thay đổi giai đoạn kiểm tra, quyết định đó phải được ghi nhận. Không có lịch sử này, rất khó biết chiến lược đang khai thác thị trường hay đang thích nghi quá mức với dữ liệu quá khứ.

2. Bốn lớp kiểm tra để biết một factor có đáng tin hay không

Lớp đầu tiên là logic kinh tế. Một factor cần có lời giải thích hợp lý về nguồn lợi nhuận kỳ vọng. Nhà đầu tư được trả công vì chấp nhận loại rủi ro nào? Có hành vi nào khiến giá điều chỉnh chậm? Có nhóm người tham gia nào giao dịch vì nhu cầu thanh khoản, giới hạn danh mục hoặc mục tiêu khác với tối đa hóa lợi nhuận?

Chẳng hạn, nếu giả thuyết cho rằng thị trường phản ứng chậm với sự cải thiện lợi nhuận doanh nghiệp, researcher cần xác định rõ thông tin nào đang bị phản ánh chậm. Đó là tăng trưởng doanh thu, cải thiện biên lợi nhuận hay nâng dự báo lợi nhuận? Tín hiệu được kỳ vọng kéo dài vài phiên hay vài tháng? Khi trả lời được những câu hỏi này, việc lựa chọn biến và thời gian nắm giữ sẽ có cơ sở hơn.

Ngược lại, một chiến lược kết hợp hàng loạt điều kiện như “ROE tăng, thanh khoản giảm, giá nằm trong một khoảng hẹp và chỉ mua vào một số ngày nhất định” cần được xem xét kỹ. Các điều kiện có thể hợp lý riêng lẻ nhưng chưa chắc tạo thành một cơ chế kinh tế thống nhất. Nếu chúng chỉ được thêm vào vì giúp Sharpe Ratio tăng, nguy cơ khớp quá mức vào dữ liệu sẽ lớn.

Tuy nhiên, một câu chuyện hợp lý cũng chưa đủ. Sau khi nhìn thấy backtest đẹp, chúng ta thường dễ tìm ra lời giải thích nghe thuyết phục. Cách làm chặt chẽ hơn là viết trước cơ chế kỳ vọng, chiều tác động và điều kiện khiến giả thuyết sai, rồi mới kiểm tra dữ liệu. Một giả thuyết có giá trị cần cho phép người nghiên cứu bác bỏ nó.

Lớp thứ hai là khả năng hoạt động ngoài mẫu. Một factor cần được kiểm tra trên dữ liệu chưa tham gia vào quá trình lựa chọn công thức. Ví dụ minh họa, nhóm nghiên cứu dùng giai đoạn 2012–2018 để phát triển tín hiệu, 2019–2021 để lựa chọn thiết kế và giữ riêng 2022–2025 cho lần đánh giá cuối. Nếu liên tục xem kết quả của giai đoạn cuối rồi sửa mô hình, phần dữ liệu ấy không còn độc lập.

Với dữ liệu tài chính, việc chia mẫu phải tôn trọng thứ tự thời gian. Tại mỗi thời điểm mô phỏng, hệ thống chỉ được sử dụng thông tin đã có khi đó. Báo cáo tài chính của quý I không thể được coi là có sẵn ngay ngày kết thúc quý nếu doanh nghiệp công bố sau đó. Tương tự, số liệu điều chỉnh hồi tố không được đưa ngược về quá khứ như thể nhà đầu tư đã biết từ đầu.

Danh sách cổ phiếu cũng cần phản ánh đúng từng thời kỳ. Nếu lấy danh sách doanh nghiệp đang niêm yết hôm nay để backtest mười năm trước, nghiên cứu có thể bỏ qua những công ty đã hủy niêm yết hoặc gặp khó khăn. Kết quả khi ấy được xây dựng trên một tập doanh nghiệp đã vượt qua quá trình sàng lọc của thời gian.

Sau kiểm định theo thời gian, có thể kiểm tra thêm trên thị trường hoặc nhóm cổ phiếu khác. Tuy nhiên, không nên yêu cầu mọi factor phải hoạt động ở mọi nơi. Một tín hiệu dựa trên cơ chế công bố thông tin cụ thể có thể chỉ phù hợp với một số thị trường. Điều cần giải thích là phạm vi áp dụng có phù hợp với giả thuyết ban đầu hay chỉ được thu hẹp sau khi thấy kết quả không thuận lợi.

Lớp thứ ba là tính khác biệt so với những factor đã có. Giả sử một tín hiệu mới chọn các doanh nghiệp có lợi nhuận ổn định, đòn bẩy thấp và biến động giá thấp. Trước khi gọi đó là alpha mới, cần kiểm tra xem nó có đơn giản là một cách kết hợp quality và defensive hay không.

Có thể bắt đầu bằng việc so sánh danh sách cổ phiếu, mức tương quan giữa điểm số và tương quan lợi nhuận danh mục. Sau đó, đánh giá xem lợi nhuận của tín hiệu mới còn phần nào chưa được giải thích khi đặt cạnh các factor tham chiếu phù hợp. Nếu phần lớn kết quả đã được giải thích, tín hiệu vẫn có thể hữu ích nhưng giá trị của nó có thể nằm ở cách đo lường hoặc triển khai tốt hơn.

Ví dụ, hai tín hiệu chọn gần giống nhau nhưng một tín hiệu ít thay đổi thứ hạng hơn sẽ giúp giảm giao dịch. Nó không nhất thiết là một nguồn alpha độc lập, song có thể là cách tiếp cận hiệu quả hơn với cùng một nguồn lợi nhuận. Phân biệt điều này giúp tránh xây dựng danh mục gồm nhiều chiến lược mang tên khác nhau nhưng cùng đặt cược vào một nhóm cổ phiếu.

Lớp thứ tư là độ bền khi thay đổi thiết kế. Nếu chiến lược hoạt động tốt với lookback 12 tháng nhưng suy yếu hoàn toàn khi chuyển sang 10 hoặc 14 tháng, đó là dấu hiệu cần điều tra. Tương tự, cần xem kết quả có phụ thuộc quá lớn vào việc chọn đúng 20 cổ phiếu, tái cân bằng đúng ngày cuối tháng hoặc dùng một cách tính tỷ trọng duy nhất hay không.

Một phép kiểm tra thực tế là đánh giá một vùng tham số hợp lý được xác định trước. Với tín hiệu động lượng, có thể xem xét nhiều khoảng thời gian gần nhau; với tín hiệu chất lượng, có thể đối chiếu một số cách đo cùng phản ánh sức khỏe doanh nghiệp. Mục tiêu là hiểu kết quả có ổn định về hướng và mức độ hay không, thay vì tìm thêm một cấu hình tốt nhất.

Độ nhạy không tự động đồng nghĩa với factor giả. Một số hiệu ứng ngắn hạn có thể gắn với cơ chế thời gian rất cụ thể. Nhưng càng phụ thuộc vào điều kiện hẹp, yêu cầu về lời giải thích và kiểm định độc lập càng phải cao. Đồng thời, bản thân quá trình thử độ bền cũng cần được ghi nhận để tránh biến nó thành một vòng tối ưu hóa mới.

3. Hai bài kiểm tra quyết định: Sau chi phí còn gì và danh mục được lợi gì?

Bài kiểm tra thứ năm là khả năng triển khai sau chi phí. Một factor có thể có quan hệ thống kê đáng tin nhưng không phù hợp để giao dịch ở quy mô quỹ. Tín hiệu tồn tại quá ngắn, tập trung vào cổ phiếu ít thanh khoản hoặc đòi hỏi thay đổi danh mục liên tục đều có thể khiến lợi nhuận thực nhận thấp hơn nhiều so với backtest.

Giả sử một chiến lược có lợi nhuận gộp 12%/năm. Trong ví dụ minh họa này, tổng giá trị mua và bán cả năm bằng 20 lần tài sản ròng, còn chi phí bình quân là 0,25% trên giá trị giao dịch. Riêng phần chi phí đó đã tương đương khoảng 5% tài sản ròng. Lợi nhuận còn lại khoảng 7%, trước các khoản khác chưa được đưa vào giả định. Chỉ cần chi phí thực tế tăng lên 0,40%, phần khấu trừ sẽ thành khoảng 8%.

Vì vậy, backtest cần công bố rõ cách tính vòng quay danh mục và chi phí trên mỗi giao dịch. Một tỷ lệ chi phí cố định có thể dùng để kiểm tra sơ bộ, nhưng khi đánh giá triển khai cần xét thêm quy mô lệnh, thanh khoản, biến động và mức độ khẩn cấp. Chiến lược vận hành tốt với vài tỷ đồng có thể gặp khó khi vốn tăng lên hàng trăm tỷ đồng.

Nghiên cứu của Frazzini, Israel và Moskowitz về chi phí giao dịch cho thấy việc đánh giá factor cần gắn với lợi nhuận ròng và quy mô có thể triển khai. Các tác giả cũng chỉ ra rằng điều chỉnh cách xây dựng danh mục để giảm giao dịch có thể cải thiện lợi nhuận sau chi phí và khả năng hấp thụ vốn.

Một cách triển khai có thể kiểm tra là dùng vùng đệm khi tái cân bằng. Ví dụ, chiến lược mua những cổ phiếu thuộc nhóm 20% tốt nhất nhưng chỉ bán khi chúng rơi khỏi nhóm 30% tốt nhất. Quy tắc này giúp tránh mua bán liên tục những mã nằm sát ngưỡng lựa chọn. Đổi lại, danh mục sẽ phản ứng chậm hơn với tín hiệu mới, nên lợi ích giảm chi phí phải được đối chiếu với phần lợi nhuận có thể bỏ lỡ.

Cũng cần tách lợi nhuận của từng phía trong danh mục long–short. Nếu phần lớn kết quả đến từ bán khống nhóm cổ phiếu kém nhất, việc chỉ mua nhóm tốt nhất sẽ không tái tạo được hiệu quả của nghiên cứu. Với một danh mục chỉ mua cổ phiếu, cần kiểm định lại đúng cấu trúc đó và so sánh với chỉ số tham chiếu phù hợp.

Bài kiểm tra thứ sáu là đóng góp cho danh mục. Một factor có hiệu suất riêng lẻ cao chưa chắc là lựa chọn bổ sung tốt nhất. Nếu nó tương quan chặt với những chiến lược hiện có, danh mục có thể chỉ tăng mức đặt cược vào cùng một nguồn rủi ro.

Giả sử danh mục hiện tại đã thiên về cổ phiếu tăng trưởng và động lượng. Một tín hiệu mới cũng ưu tiên các doanh nghiệp đang được nâng kỳ vọng có thể khiến danh mục tập trung hơn vào cùng một nhóm cổ phiếu. Trong giai đoạn thuận lợi, điều này làm lợi nhuận tăng nhanh; khi xu hướng đảo chiều, nhiều chiến lược có thể cùng thua lỗ.

Ngược lại, một factor có lợi nhuận riêng lẻ thấp hơn nhưng bổ sung nguồn lợi nhuận khác biệt có thể giúp cải thiện hiệu quả tổng thể. Cách đánh giá phù hợp là xây dựng hai danh mục với cùng ngân sách rủi ro và giới hạn triển khai: một danh mục có factor mới, một danh mục không có. Sau đó so sánh lợi nhuận ròng, biến động, mức sụt giảm, vòng quay và mức tập trung.

Tương quan trung bình cũng chưa phản ánh đầy đủ khả năng đa dạng hóa. Cần xem các chiến lược có cùng thua lỗ trong những giai đoạn khó khăn hay không, có cùng phụ thuộc vào thanh khoản hoặc cùng phải giảm vị thế khi thị trường biến động mạnh hay không. Hai factor mang tên khác nhau vẫn có thể cùng chịu một rủi ro mà báo cáo hiệu suất thông thường chưa thể hiện rõ.

Sau khi đưa vào vận hành, factor vẫn cần được theo dõi bằng tiêu chí xác định trước. Một giai đoạn thua lỗ chưa đủ để kết luận factor đã mất hiệu lực. Nhưng việc viện dẫn đầu tư dài hạn cũng không thay thế được kiểm tra: dữ liệu có thay đổi chất lượng không, chi phí có tăng không, tín hiệu có còn phân loại được lợi nhuận tương lai hay kết quả đang phụ thuộc vào một vài vị thế bất thường?

Có thể hình dung quy trình này qua một factor giả định về cải thiện biên lợi nhuận. Ban đầu, nhóm nghiên cứu kiểm tra bằng dữ liệu đúng thời điểm công bố; tiếp đó loại ảnh hưởng của lợi nhuận bất thường, so sánh trong từng ngành và kiểm soát những factor đã biết. Sau đó mới kiểm tra các cách đo gần nhau, áp dụng giới hạn thanh khoản, tính chi phí và đánh giá đóng góp vào danh mục. Nếu tín hiệu vượt qua các bước này, nó có cơ sở để được chạy thử theo thời gian thực và triển khai vốn nhỏ.

Kết quả cuối cùng có thể là chấp nhận factor, tiếp tục nghiên cứu hoặc loại bỏ. Một tín hiệu cũng có thể được giữ lại như thành phần cải thiện cách xếp hạng cổ phiếu, dù không đủ bằng chứng để gọi là nguồn alpha độc lập. Cách phân loại này hữu ích hơn việc chia mọi kết quả thành hai nhóm tuyệt đối “thật” và “giả”.

Một factor đáng tin cần tích lũy bằng chứng qua cả sáu câu hỏi: cơ chế kinh tế có hợp lý không, kết quả có tồn tại ngoài mẫu không, nó bổ sung gì so với factor cũ, có bền khi thay đổi thiết kế không, sau chi phí còn bao nhiêu và giúp gì cho danh mục. Điều đáng tìm không phải một công thức thắng tuyệt đối trong quá khứ, mà là một nguồn lợi nhuận có thể giải thích, kiểm chứng và triển khai với những giới hạn đã được hiểu rõ.