Alpha Decay theo Holding Period: Khi nào nên tái cân bằng danh mục để không đánh mất lợi nhuận?

PHẦN 1. Một tín hiệu Quant có thể dự báo đúng, nhưng giữ cổ phiếu bao lâu mới là vấn đề khó

Một mô hình Quant có thể xếp hạng hàng trăm cổ phiếu dựa trên momentum, value, quality, earnings surprise hoặc nhiều yếu tố khác. Sau khi kiểm định, mô hình cho thấy nhóm cổ phiếu có điểm cao thường tạo lợi suất tốt hơn nhóm có điểm thấp. Đó là một kết quả khá đáng khích lệ. Nhưng từ việc tìm được một tín hiệu có khả năng dự báo đến việc xây dựng một danh mục thực sự tạo ra lợi nhuận còn một khoảng cách rất lớn.

Một trong những câu hỏi quan trọng nhất là: sau khi mô hình phát hiện một cổ phiếu hấp dẫn, chúng ta nên giữ nó trong bao lâu?

Nếu tái cân bằng mỗi ngày, danh mục có thể phản ứng rất nhanh với những thay đổi của tín hiệu, nhưng chi phí giao dịch và turnover cũng tăng lên. Nếu chỉ tái cân bằng mỗi tháng, chi phí thấp hơn nhưng những cổ phiếu từng hấp dẫn có thể đã mất phần lớn lợi thế dự báo từ nhiều phiên trước. Vấn đề không đơn giản là giao dịch thường xuyên tốt hơn hay nắm giữ dài hạn tốt hơn. Điều quan trọng là tốc độ suy giảm của tín hiệu có phù hợp với chu kỳ giao dịch hay không.

Đây là nơi khái niệm alpha decay trở nên đặc biệt quan trọng trong Portfolio Construction.

Hiểu đơn giản, alpha decay mô tả cách lợi thế dự báo của một tín hiệu suy giảm theo thời gian. Một tín hiệu có thể rất hữu ích cho lợi suất ba phiên tiếp theo nhưng gần như không còn giá trị sau hai mươi phiên. Một tín hiệu khác có thể phản ứng chậm hơn, không dự báo tốt biến động ngắn hạn nhưng lại duy trì khả năng phân biệt cổ phiếu tốt và xấu trong nhiều tháng.

Ví dụ: Giả sử chúng ta có hai mô hình cùng đánh giá một tập 100 cổ phiếu. Mô hình A chủ yếu dựa trên momentum ngắn hạn và biến động thanh khoản. Mô hình B kết hợp chất lượng lợi nhuận, định giá và tăng trưởng doanh nghiệp.

Trong một thử nghiệm giả định, mô hình A có Rank IC tại T+3 là 0,06 nhưng giảm xuống còn 0,01 tại T+20. Mô hình B có Rank IC tại T+3 chỉ là 0,02 nhưng duy trì quanh 0,04 tại T+20. Các con số này chưa đủ để trực tiếp tính tốc độ alpha decay, bởi IC của lợi suất tích lũy ở những horizon khác nhau không hoàn toàn tương đương. Tuy vậy, chúng gợi ý rằng hai mô hình có thể đang khai thác những loại thông tin với thời hạn dự báo rất khác nhau.

Nếu áp dụng cùng một chu kỳ tái cân bằng 20 phiên cho cả hai, chúng ta có thể bỏ lỡ giai đoạn hiệu quả nhất của mô hình A. Ngược lại, nếu bắt mô hình B giao dịch lại mỗi ba phiên, phần thay đổi trong danh mục có thể quá nhỏ để bù đắp chi phí thực hiện.

Điều thú vị là hai mô hình hoàn toàn có thể đạt kết quả backtest khá tốt khi đánh giá riêng lẻ, nhưng khi triển khai thực tế lại có hiệu quả rất khác nhau chỉ vì cách xây dựng và vận hành danh mục.

Một nghiên cứu của MSCI công bố ngày 11/09/2026, The Long and Short of Factor Indexing: How Portfolio Construction Shapes Investment Outcomes, đặt ra một vấn đề gần với câu chuyện này. Các tác giả Abhishek Gupta, Anil Rao và Padmakar Kulkarni so sánh cách triển khai các factor momentum, value và quality dưới ba cấu trúc danh mục: long-only, 130/30 và market-neutral.

Điểm chính của nghiên cứu không phải xác định alpha decay hay tần suất tái cân bằng tối ưu. Thay vào đó, MSCI cho thấy việc thay đổi những ràng buộc trong portfolio construction có thể tạo ra khác biệt đáng kể về factor exposure, khả năng truyền tải tín hiệu vào danh mục và cấu trúc active risk. Khi nới lỏng ràng buộc chỉ được nắm giữ vị thế mua, mức độ tiếp xúc với các factor có thể tăng lên, nhưng hồ sơ rủi ro của chiến lược cũng thay đổi.

Mình nghĩ đây là một góc nhìn rất đáng chú ý. Trong nghiên cứu Quant, chúng ta thường dành nhiều thời gian tìm kiếm một factor có IC tốt hơn, một mô hình machine learning có độ chính xác cao hơn hoặc một thuật toán xếp hạng tạo return tốt hơn. Nhưng kết quả đầu tư cuối cùng còn phụ thuộc vào việc những tín hiệu ấy được chuyển thành danh mục như thế nào.

Nghiên cứu MSCI nhấn mạnh vai trò của cấu trúc danh mục. Nếu mở rộng thêm sang holding period, một câu hỏi tương tự xuất hiện: cùng một bộ tín hiệu và cùng một tập cổ phiếu, chỉ thay đổi nhịp tái cân bằng có thể khiến kết quả sau chi phí khác nhau đến mức nào?

Vấn đề này được nghiên cứu trực tiếp hơn trong bài Dynamic Trading with Predictable Returns and Transaction Costs của Nicolae Gârleanu và Lasse Heje Pedersen, công bố trên Journal of Finance năm 2013.

Hai tác giả xây dựng một mô hình giao dịch động trong đó các tín hiệu dự báo có tốc độ suy giảm khác nhau và việc thay đổi vị thế phát sinh chi phí. Một kết luận quan trọng là nhà đầu tư không nhất thiết nên điều chỉnh ngay toàn bộ danh mục về tỷ trọng tối ưu mới được tính toán. Thay vào đó, quyết định giao dịch cần cân nhắc giá trị của tín hiệu hiện tại, triển vọng của tín hiệu trong tương lai và chi phí để thay đổi vị thế.

Những tín hiệu suy giảm chậm có thể được đặt trọng số lớn hơn trong danh mục mục tiêu vì chúng còn hữu ích ở các giai đoạn tiếp theo. Ngược lại, tín hiệu biến mất nhanh đòi hỏi cách xử lý khác, bởi việc theo đuổi một cơ hội ngắn hạn có thể không còn hấp dẫn sau khi tính chi phí giao dịch.

Điều này dẫn đến một khác biệt rất quan trọng giữa signal quality và implementation quality.

Signal quality trả lời câu hỏi mô hình có thực sự dự báo được lợi suất tương lai hay không. Implementation quality trả lời câu hỏi chúng ta có thể chuyển lợi thế dự báo đó thành lợi nhuận thực tế đến mức nào.

Một tín hiệu có IC tốt nhưng đòi hỏi giao dịch liên tục chưa chắc tạo ra một chiến lược tốt. Ngược lại, tín hiệu có IC khiêm tốn nhưng tồn tại đủ lâu, ít gây thay đổi danh mục và có chi phí thực hiện thấp đôi khi lại đáng giá hơn về mặt đầu tư.

Vì vậy, mình nghĩ câu hỏi "mô hình nào dự báo tốt nhất?" nên được đặt cùng với một câu hỏi khác:

"Lợi thế dự báo của mô hình tồn tại trong bao lâu, và sau khi trả chi phí để khai thác lợi thế đó, chúng ta thực sự giữ lại được bao nhiêu alpha?"

PHẦN 2. Đo Alpha Decay như thế nào và tìm chu kỳ tái cân bằng tối ưu ra sao?

Nếu muốn xác định thời điểm nên tái cân bằng, trước hết chúng ta phải biết tín hiệu còn giá trị trong bao lâu. Đây là một bài toán có thể kiểm định định lượng, thay vì lựa chọn chu kỳ giao dịch dựa trên cảm giác hoặc một quy tắc cố định.

Một cách tiếp cận phổ biến là sử dụng Information Coefficient (IC), đo tương quan giữa tín hiệu dự báo và lợi suất thực tế của cổ phiếu trong một giai đoạn tương lai. Với Rank IC, thông thường chúng ta sử dụng tương quan Spearman giữa thứ hạng tín hiệu và thứ hạng lợi suất.

Giả sử tại ngày T, mô hình xếp hạng 100 cổ phiếu từ tốt nhất đến kém nhất. Chúng ta lưu lại toàn bộ điểm số này và tính lợi suất của từng cổ phiếu sau 3, 5, 10 và 20 phiên. Sau đó kiểm tra xem những cổ phiếu có điểm cao ở ngày T có thực sự tạo lợi suất cao hơn những cổ phiếu có điểm thấp hay không.

Pipeline có thể hình dung khá đơn giản:

Signal tại ngày T → Forward Return theo từng horizon → Rank IC → Alpha Decay Analysis → Turnover Simulation → Transaction Cost → Net Portfolio Return.

Nếu làm thử nghiệm trên hàng trăm ngày giao dịch, chúng ta sẽ có một chuỗi IC cho từng horizon. Từ đó có thể đánh giá mức độ ổn định của tín hiệu, giai đoạn dự báo hiệu quả và thời hạn mà mối liên hệ giữa score với lợi suất tương lai bắt đầu suy yếu.

Tuy nhiên, có một chi tiết rất dễ bị hiểu sai: IC T+3 và IC T+20 không tự động tạo thành một đường alpha decay.

Lý do là lợi suất T+20 bao gồm cả lợi suất trong ba phiên đầu tiên. Nếu một tín hiệu tạo phần lớn lợi nhuận trong ba ngày đầu rồi đi ngang, mối tương quan với lợi suất tích lũy hai mươi ngày vẫn có thể tồn tại. Ngược lại, một tín hiệu có thể bắt đầu phát huy tác dụng muộn hơn, khiến IC của horizon dài cao hơn horizon ngắn mà không đồng nghĩa sức mạnh dự báo của nó đang tăng đều mỗi ngày.

Vì vậy, ngoài forward return tích lũy, mình nghĩ nên kiểm tra cả incremental forward return theo các khoảng không chồng lấn: từ T đến T+3, T+3 đến T+5, T+5 đến T+10 và T+10 đến T+20.

Cách chia này giúp trả lời một câu hỏi sát với quyết định nắm giữ hơn: sau khi đã giữ cổ phiếu ba phiên và thu được phần lợi nhuận ban đầu, tín hiệu còn dự báo được phần lợi suất tăng thêm trong những phiên tiếp theo hay không?

Ví dụ: Một chiến lược momentum tạo mức lợi suất vượt benchmark trung bình 0,8% trong ba phiên đầu, thêm 0,3% trong bốn phiên tiếp theo và gần như không còn lợi thế trong giai đoạn sau đó. Nếu những kết quả này đủ ổn định và có ý nghĩa thống kê, chúng gợi ý rằng phần lớn giá trị dự báo đang tập trung ở giai đoạn đầu.

Nhưng nếu một factor quality chỉ tạo lợi thế nhỏ trong năm phiên đầu và tiếp tục tích lũy đều qua nhiều tuần, việc giao dịch lại quá thường xuyên có thể không thực sự cần thiết.

Từ các kết quả như vậy, chúng ta có thể ước lượng signal half-life, tức khoảng thời gian để lợi thế dự báo còn lại giảm xuống một nửa so với mức ban đầu, theo một định nghĩa đo lường cụ thể.

Giả sử trong một mô hình suy giảm theo hàm mũ, mức alpha kỳ vọng ban đầu là 0,10% mỗi phiên và half-life được ước lượng bằng năm phiên. Khi đó, sau năm phiên, alpha kỳ vọng còn khoảng 0,05% mỗi phiên; sau mười phiên còn khoảng 0,025%.

Đây chỉ là ví dụ về cách diễn giải half-life, không phải kết quả thực nghiệm cho một factor cụ thể. Trong dữ liệu thực tế, alpha không nhất thiết suy giảm đều theo hàm mũ. Có những tín hiệu phát huy tác dụng chậm, có những tín hiệu đảo chiều và cũng có những tín hiệu chỉ hiệu quả trong một số trạng thái thị trường.

Quan trọng hơn, phải phân biệt suy giảm của điểm tín hiệu với suy giảm của khả năng dự báo. Một cổ phiếu giữ nguyên momentum score trong mười phiên không có nghĩa lợi thế dự báo của nó cũng giữ nguyên. Ngược lại, điểm số biến động mạnh nhưng khả năng dự báo lợi suất vẫn có thể tồn tại.

Đây là lý do không nên chỉ tính autocorrelation của score rồi xem đó là alpha half-life. Cần kiểm tra trực tiếp mối liên hệ giữa tín hiệu và lợi suất tương lai.

Một vấn đề khác là dữ liệu lợi suất tương lai ở các horizon dài thường chồng lấn nhau. Nếu mỗi ngày đều tạo một tín hiệu T+20, các quan sát liên tiếp chia sẻ phần lớn khoảng thời gian nắm giữ. Khi đó, không thể xem toàn bộ các quan sát là độc lập để tính độ tin cậy thống kê. Việc đánh giá cần điều chỉnh cho sự phụ thuộc theo thời gian, đồng thời kiểm tra kết quả trên các giai đoạn ngoài mẫu.

Nhưng ngay cả khi chúng ta đã ước lượng được alpha decay, bài toán tái cân bằng vẫn chưa hoàn thành. Lý do là tần suất giao dịch tối ưu phụ thuộc đồng thời vào tốc độ suy giảm của tín hiệu và chi phí để khai thác nó.

Đây chính là phần dễ khiến một chiến lược Quant trông rất hấp dẫn trong backtest nhưng kém hiệu quả khi triển khai thực tế.

Giả sử một mô hình liên tục cập nhật bảng xếp hạng cổ phiếu mỗi ngày. Ngày thứ Hai, cổ phiếu A đứng thứ 8, cổ phiếu B đứng thứ 12. Đến thứ Ba, B vượt lên thứ 7 còn A xuống thứ 11. Nếu danh mục luôn phải nắm giữ đúng 10 cổ phiếu đứng đầu, hệ thống sẽ bán A để mua B.

Đến thứ Tư, thứ hạng lại đảo chiều. Hệ thống bán B để mua lại A.

Về mặt thuật toán, tất cả các giao dịch đều đúng với quy tắc xếp hạng. Nhưng xét về kinh tế, chúng ta đã thực hiện nhiều giao dịch chỉ vì những thay đổi rất nhỏ trong score. Nếu lợi thế kỳ vọng giữa hai cổ phiếu không đủ lớn, toàn bộ quá trình có thể chỉ tạo thêm phí giao dịch và slippage.

Một nghiên cứu đáng tham khảo là A Taxonomy of Anomalies and Their Trading Costs của Robert Novy-Marx và Mihail Velikov, xuất bản trên Review of Financial Studies năm 2016.

Hai tác giả nghiên cứu hiệu quả sau chi phí của nhiều chiến lược dựa trên các bất thường định giá và những kỹ thuật giảm chi phí giao dịch. Một kết quả đáng chú ý là việc tạo khoảng cách giữa điều kiện mua mới và điều kiện tiếp tục nắm giữ, hay buy/hold spread, là một trong những biện pháp đơn giản nhưng hiệu quả nhất để giảm chi phí.

Trong tập chiến lược được nghiên cứu, phần lớn những anomaly có turnover một chiều dưới 50% mỗi tháng vẫn duy trì mức chênh lệch lợi nhuận ròng có ý nghĩa thống kê sau khi áp dụng biện pháp giảm chi phí. Ngược lại, rất ít chiến lược có turnover cao hơn duy trì được kết quả tương tự. Đây là kết quả trong mẫu nghiên cứu của các tác giả, không phải một ngưỡng turnover chung có thể áp dụng trực tiếp cho mọi thị trường.

Ý tưởng buy/hold spread khá trực quan.

Thay vì cứ rơi khỏi Top 10 là phải bán, chúng ta có thể yêu cầu cổ phiếu mới phải lọt vào Top 10 để được mua, nhưng cổ phiếu đang nắm giữ chỉ bị xem xét bán khi rơi xuống dưới Top 20 hoặc Top 25, tùy cấu trúc chiến lược và giới hạn rủi ro.

Ví dụ: Cổ phiếu A từ vị trí thứ 8 xuống thứ 14. Theo quy tắc chỉ nắm Top 10, A phải bị bán. Nhưng nếu điểm số của A vẫn khá tốt và việc chuyển sang cổ phiếu mới chỉ mang lại thêm một khoản lợi nhuận kỳ vọng rất nhỏ, giữ nguyên vị thế có thể hợp lý hơn.

Điều này dẫn đến khái niệm no-trade region: một vùng mà lợi ích kỳ vọng của việc tái cân bằng chưa đủ lớn để biện minh cho chi phí phát sinh.

Trong một mô hình portfolio construction thực tế, quyết định giao dịch có thể dựa trên nguyên tắc:

Lợi ích kỳ vọng từ việc thay đổi danh mục phải lớn hơn chi phí giao dịch dự kiến, sau khi đã tính đến tác động tới rủi ro.

Giả sử chuyển 100 triệu đồng từ cổ phiếu A sang cổ phiếu B được dự báo cải thiện lợi nhuận kỳ vọng khoảng 0,45% trong giai đoạn nắm giữ còn lại. Nếu tổng chi phí ước tính của việc bán A, mua B và tác động lên giá thực hiện là 0,55%, giao dịch ấy không còn hấp dẫn về mặt lợi nhuận kỳ vọng ròng.

Ngược lại, nếu cùng giao dịch đó cải thiện lợi nhuận kỳ vọng 1,5% với chi phí 0,3%, việc tái cân bằng có thể đáng xem xét hơn, miễn là rủi ro tăng thêm vẫn nằm trong giới hạn cho phép.

Các con số trên chỉ mang tính minh họa. Trong thực tế, chi phí không cố định. Một cổ phiếu có thanh khoản cao có thể hấp thụ giao dịch tương đối dễ dàng, trong khi một cổ phiếu có giá trị khớp lệnh thấp có thể phát sinh market impact đáng kể ngay cả với quy mô lệnh không quá lớn.

Điều này có nghĩa chu kỳ tái cân bằng tối ưu không nhất thiết giống nhau cho mọi cổ phiếu. Nó cũng không nhất thiết phải là một khoảng thời gian cố định.

Một hướng tiếp cận là tái cân bằng theo lịch, chẳng hạn mỗi 3, 5, 10 hoặc 20 phiên. Một hướng khác là tái cân bằng theo ngưỡng, chỉ thực hiện khi điểm số thay đổi đủ lớn, lợi thế dự báo giảm xuống dưới mức yêu cầu hoặc tỷ trọng danh mục lệch khỏi vùng cho phép. Cũng có thể kết hợp cả hai: đánh giá tín hiệu hằng ngày nhưng chỉ giao dịch khi lợi ích kỳ vọng vượt chi phí hoặc khi rủi ro buộc phải điều chỉnh.

Điểm mình thấy quan trọng là cần kiểm định tất cả những phương án đó trên cùng dữ liệu và cùng điều kiện thực hiện.

Nếu chỉ chọn chu kỳ tái cân bằng tạo lợi nhuận cao nhất trong quá khứ, chúng ta lại dễ rơi vào overfitting. Việc thử 3, 4, 5, 6, 7 hay 8 phiên rồi chọn đúng con số có Sharpe cao nhất không chứng minh đó là chu kỳ tối ưu trong tương lai. Cần kiểm tra ngoài mẫu, mức độ ổn định giữa các giai đoạn và độ nhạy khi thay đổi tham số.

Một chu kỳ tạo Sharpe 1,35 trong backtest nhưng thay đổi nhẹ tham số đã giảm xuống 0,5 có thể kém đáng tin cậy hơn một chu kỳ khác chỉ đạt Sharpe 1,1 nhưng hoạt động ổn định trong nhiều điều kiện.

Và mình nghĩ đây mới là bản chất của cost-aware portfolio construction: không cố gắng phản ứng với mọi thay đổi của tín hiệu, mà chỉ thực hiện những giao dịch có giá trị kinh tế đủ lớn.

PHẦN 3. Nếu áp dụng Alpha Decay vào thị trường chứng khoán Việt Nam, nên thiết kế hệ thống như thế nào?

Nếu đem phương pháp này về thị trường Việt Nam, mình nghĩ cần bắt đầu bằng việc phân biệt rõ hai vấn đề thường bị đặt chung với nhau: thời hạn dự báo của mô hình và thời gian nắm giữ tối ưu của danh mục.

Giả sử một hệ thống dự báo lợi suất cổ phiếu tại T+3, T+5 và T+20. Điều đó không có nghĩa danh mục phải bán toàn bộ cổ phiếu đúng ngày T+3, T+5 hay T+20. Những horizon này trước hết là khoảng thời gian để đánh giá khả năng dự báo của mô hình. Còn thời điểm giao dịch phải được quyết định dựa trên lợi nhuận kỳ vọng còn lại, tín hiệu mới, chi phí thực hiện và những ràng buộc của thị trường.

Đây là điểm khá quan trọng khi xây dựng một nền tảng phân tích cổ phiếu Việt Nam.

Ví dụ: Tại ngày T, một cổ phiếu được mô hình dự báo có khả năng tạo lợi suất vượt nhóm cùng ngành trong năm phiên tới. Sau ba phiên, giá đã tăng đáng kể. Có nên bán ngay không?

Câu trả lời không thể chỉ dựa trên việc giá đã tăng bao nhiêu. Chúng ta cần biết tín hiệu dự báo ban đầu còn bao nhiêu giá trị, mô hình cập nhật đang đưa ra kỳ vọng gì cho những phiên tiếp theo, các cổ phiếu thay thế có hấp dẫn hơn không và chi phí đổi vị thế là bao nhiêu.

Nếu cổ phiếu vẫn nằm trong nhóm có expected return cao, không có sự suy giảm đáng kể về tín hiệu và việc chuyển sang mã khác không cải thiện được lợi nhuận kỳ vọng ròng, tiếp tục nắm giữ có thể hợp lý hơn.

Ngược lại, nếu mô hình đã mất khả năng dự báo tích cực, rủi ro tăng mạnh hoặc xuất hiện một cơ hội khác có lợi thế ròng đủ lớn, danh mục có cơ sở để tái cân bằng.

Mình nghĩ một hệ thống thực tế nên được thiết kế từ ba nhóm dữ liệu chính: lịch sử tín hiệu, lợi suất tương lai và dữ liệu thực hiện giao dịch.

Nhóm đầu tiên lưu toàn bộ score của từng cổ phiếu tại từng thời điểm. Có thể bao gồm momentum, value, quality, volatility, liquidity và điểm tổng hợp của mô hình. Mỗi lần tạo tín hiệu cần lưu snapshot để đảm bảo kết quả backtest chỉ sử dụng thông tin đã có tại thời điểm đó.

Nhóm thứ hai là dữ liệu giá phục vụ tính forward return và IC theo nhiều horizon. Cần sử dụng giá đã điều chỉnh phù hợp khi tính lợi suất đầu tư, đồng thời có dữ liệu giá thực tế có thể khớp lệnh để mô phỏng giao dịch. Hai loại dữ liệu này phục vụ mục đích khác nhau và không nên tùy tiện thay thế cho nhau.

Nhóm cuối cùng là dữ liệu giao dịch: khối lượng, giá trị khớp lệnh, bid-ask spread nếu có, chi phí mua bán, thuế áp dụng, khả năng thực hiện lệnh và các giới hạn về tỷ trọng.

Đối với Việt Nam, những ràng buộc này đặc biệt quan trọng. Giao dịch cổ phiếu cơ sở chịu ảnh hưởng của chu kỳ thanh toán, giới hạn biên độ giá và điều kiện thanh khoản. Chẳng hạn, cơ chế thanh toán T+2 ảnh hưởng đến thời điểm cổ phiếu vừa mua có thể được bán theo quy định. Với nhà đầu tư cá nhân, thuế thu nhập từ chuyển nhượng chứng khoán ở mức 0,1% trên giá trị chuyển nhượng cũng cần được đưa vào mô phỏng chi phí.

Nếu backtest cho phép mua cổ phiếu ở cuối ngày T và bán ngay sáng T+1 bằng chính lượng cổ phiếu vừa mua, trong khi tài khoản thực tế không thể thực hiện như vậy, kết quả nghiên cứu có thể trở nên không khả thi. Tương tự, một chiến lược giả định luôn mua được tại giá đóng cửa của ngày phát tín hiệu cũng có thể đã vô tình sử dụng thông tin chưa tồn tại khi lệnh được đặt.

Điều này càng quan trọng với các mô hình có horizon rất ngắn. Một tín hiệu T+3 có thể có khả năng dự báo thống kê nhưng chưa chắc đủ thời gian để khai thác sau khi xét thời điểm vào lệnh, khả năng bán và chi phí phát sinh.

Vì vậy, nếu triển khai thử trên một tập cổ phiếu thanh khoản cao như VN100, mình sẽ bắt đầu bằng cách cố định một mô hình xếp hạng và chạy nhiều phương án xây dựng danh mục trên cùng giai đoạn dữ liệu.

Chẳng hạn, hệ thống chọn nhóm cổ phiếu có score cao nhất và tạo danh mục theo một quy tắc tỷ trọng xác định. Sau đó lần lượt mô phỏng tái cân bằng sau 3, 5, 10 và 20 phiên, cùng với phương án chỉ giao dịch khi score thay đổi vượt một ngưỡng nhất định.

Ở mỗi phương án, chúng ta không chỉ đo tổng lợi nhuận mà còn cần xem excess return so với benchmark, Sharpe ratio, maximum drawdown, turnover, chi phí giao dịch và mức độ tập trung theo ngành. Turnover phải được định nghĩa nhất quán, chẳng hạn theo giá trị giao dịch một chiều, và mọi phương án cần sử dụng cùng giả định về thời điểm khớp lệnh.

Quan trọng hơn, cần tách rõ gross return và net return.

Giả sử một chiến lược tái cân bằng ba phiên tạo lợi nhuận vượt benchmark trung bình 1,2% mỗi tháng trước chi phí, trong khi phương án mười phiên chỉ tạo 0,9%. Nhìn vào gross return, phương án ba phiên tốt hơn.

Nhưng nếu tổng chi phí giao dịch tương ứng là 0,8% và 0,3% mỗi tháng, phần lợi nhuận vượt benchmark còn lại lần lượt là 0,4% và 0,6%.

Khi đó, chiến lược tạo gross alpha thấp hơn lại mang đến net alpha cao hơn.

Đây là ví dụ minh họa, không phải kết quả backtest của thị trường Việt Nam. Tuy nhiên, nó thể hiện đúng vấn đề mà nhiều nghiên cứu về transaction cost muốn giải quyết: khả năng dự báo và khả năng kiếm tiền sau chi phí không phải lúc nào cũng đi cùng nhau.

Một điểm mình nghĩ rất đáng nghiên cứu thêm là sự khác biệt về alpha decay giữa các nhóm factor.

Momentum ngắn hạn, earnings surprise, value và quality có thể có thời hạn dự báo rất khác nhau. Những tín hiệu liên quan tới biến động giá và dòng tiền giao dịch có thể thay đổi nhanh, trong khi các thông tin cơ bản về doanh nghiệp thường được cập nhật với tần suất thấp hơn. Nhưng không nên mặc định momentum luôn suy giảm nhanh hay value luôn suy giảm chậm. Những giả thuyết này phải được kiểm định trên chính dữ liệu của thị trường và chiến lược đang sử dụng.

Đặc biệt, khi xây một composite score từ nhiều factor, vấn đề sẽ phức tạp hơn.

Giả sử 40% điểm xếp hạng đến từ momentum, 30% từ quality và 30% từ value. Nếu hệ thống cập nhật toàn bộ danh mục hằng ngày theo composite score mới, những thay đổi nhỏ ở momentum có thể liên tục khiến cổ phiếu bị mua bán, dù hai factor còn lại gần như không đổi.

Một cách tiếp cận đáng thử là cho phép từng nhóm tín hiệu được cập nhật theo tốc độ phù hợp, nhưng quyết định giao dịch cuối cùng vẫn dựa trên lợi ích kỳ vọng ròng của toàn danh mục. Momentum có thể được đánh giá thường xuyên, trong khi value và quality được cập nhật theo thời điểm dữ liệu tài chính mới xuất hiện. Tuy nhiên, tần suất cập nhật dữ liệu không đồng nghĩa với tần suất bắt buộc phải giao dịch.

Danh mục có thể sử dụng một cơ chế điều chỉnh tỷ trọng từng phần, thay vì luôn bán toàn bộ cổ phiếu cũ rồi xây lại từ đầu. Đây cũng là tinh thần của nghiên cứu Gârleanu–Pedersen: giao dịch tối ưu có thể là tiến dần về danh mục mục tiêu khi tính đến cả chi phí lẫn sự thay đổi của lợi suất kỳ vọng trong tương lai.

Trong thực tế, điều này có thể giúp giảm những giao dịch không cần thiết, đồng thời duy trì khả năng phản ứng khi tín hiệu thực sự thay đổi.

Ngoài ra, nên kiểm tra alpha decay theo trạng thái thị trường thay vì chỉ tính một giá trị trung bình cho toàn bộ lịch sử.

Một tín hiệu momentum có thể phát huy hiệu quả trong thị trường có xu hướng rõ ràng nhưng suy yếu hoặc đảo chiều khi thị trường biến động mạnh. Một mô hình dự báo dựa trên quality có thể thể hiện khác nhau giữa giai đoạn thị trường ưu tiên tăng trưởng và giai đoạn nhà đầu tư chú trọng sức khỏe tài chính doanh nghiệp.

Nếu chỉ lấy một half-life trung bình trong năm năm, chúng ta có thể bỏ qua những thay đổi quan trọng này. Một hướng nghiên cứu là ước lượng sự ổn định của tín hiệu theo các trạng thái được xác định trước, rồi kiểm tra xem việc điều chỉnh nhịp tái cân bằng có thực sự cải thiện kết quả ngoài mẫu hay không.

Tất nhiên, càng nhiều điều kiện và tham số, nguy cơ overfitting càng cao. Một mô hình có khả năng tự chọn chu kỳ tái cân bằng theo trạng thái thị trường nghe rất hấp dẫn, nhưng nếu toàn bộ ngưỡng lựa chọn được tối ưu trên dữ liệu quá khứ, kết quả backtest có thể chỉ phản ánh việc hệ thống đã học quá kỹ lịch sử.

Vì vậy, mình nghĩ một cách triển khai phù hợp là bắt đầu với những quy tắc tương đối đơn giản, kiểm định walk-forward và chỉ tăng độ phức tạp khi có bằng chứng cho thấy phần cải tiến thực sự tạo thêm giá trị ngoài mẫu.

Nếu đưa toàn bộ quá trình này lên một nền tảng phân tích chứng khoán, người dùng không nhất thiết phải nhìn thấy những công thức tối ưu hóa hay các mô hình xác suất phức tạp.

Một giao diện hữu ích có thể cho biết tín hiệu của cổ phiếu đang có hiệu quả tốt nhất ở horizon nào, mức độ ổn định trong quá khứ ra sao, lợi thế dự báo có đang suy giảm hay không và việc thay đổi vị thế tại thời điểm hiện tại có đủ cơ sở sau chi phí hay không.

Ví dụ, thay vì chỉ ghi "Cổ phiếu A được xếp hạng tích cực", hệ thống có thể trình bày rằng tín hiệu của mã này có khả năng phân biệt lợi suất tốt nhất ở nhóm horizon ngắn, độ tin cậy suy giảm ở horizon dài hơn, trong khi chênh lệch điểm số với những cổ phiếu thay thế hiện chưa đủ lớn để đề xuất tái cân bằng.

Những thông tin như vậy không đảm bảo nhà đầu tư sẽ giao dịch có lãi. Nhưng ít nhất, chúng giúp người dùng hiểu rằng thứ hạng cổ phiếu và quyết định mua bán là hai vấn đề khác nhau.

Một cổ phiếu không còn đứng đầu bảng xếp hạng chưa chắc phải bán ngay. Một cổ phiếu vừa vươn lên vị trí số một cũng chưa chắc đáng mua nếu lợi thế kỳ vọng không đủ lớn để bù đắp chi phí giao dịch và rủi ro.

Và mình nghĩ đây chính là một bước phát triển quan trọng của Portfolio Construction trong các hệ thống Quant.

Ở cấp độ nghiên cứu tín hiệu, chúng ta hỏi factor nào có khả năng dự báo lợi suất. Ở cấp độ xây dựng danh mục, chúng ta hỏi nên phân bổ bao nhiêu vốn vào từng cổ phiếu. Nhưng khi xét đến alpha decay, cần thêm một chiều nữa: tín hiệu có giá trị trong bao lâu và thời điểm nào việc thay đổi danh mục thực sự tạo thêm lợi ích?

Kết quả cuối cùng không chỉ phụ thuộc vào việc chọn đúng cổ phiếu, mà còn phụ thuộc vào khả năng giữ đúng cổ phiếu trong khoảng thời gian phù hợp, tránh giao dịch không cần thiết và kiểm soát chi phí thực hiện.

Một hệ thống Quant có thể liên tục tìm ra những cổ phiếu hấp dẫn. Nhưng nếu mỗi lần xếp hạng thay đổi lại kéo theo một lần giao dịch, phần lớn lợi thế dự báo có thể bị tiêu hao trước khi chuyển thành lợi nhuận thực tế.

Ngược lại, một danh mục ít giao dịch hơn chưa chắc hiệu quả hơn nếu nó tiếp tục nắm giữ những tín hiệu đã mất giá trị.