AI giúp quỹ Quant tìm alpha mới như thế nào?

1. Từ dữ liệu đến một ý tưởng có thể giao dịch

Trong một quỹ Quant, công việc tìm alpha thường bắt đầu bằng những câu hỏi rất cụ thể: cổ phiếu phản ứng thế nào sau báo cáo lợi nhuận vượt kỳ vọng, áp lực bán của một nhóm nhà đầu tư có tạo ra cơ hội mua hay không, hoặc thông tin nào đã xuất hiện nhưng chưa được phản ánh đầy đủ vào giá. AI giúp đội ngũ nghiên cứu xử lý lượng dữ liệu lớn hơn để tìm câu trả lời và chuyển những quan sát này thành tín hiệu có thể kiểm tra.

Lấy ví dụ một chiến lược sử dụng báo cáo tài chính và giải trình kết quả kinh doanh. Researcher muốn kiểm tra giả thuyết rằng thị trường phản ứng chậm với những doanh nghiệp có biên lợi nhuận cải thiện nhờ hoạt động kinh doanh cốt lõi. Nếu thực hiện thủ công, đội ngũ phải đọc hàng trăm báo cáo, phân biệt tăng trưởng từ hoạt động chính với lợi nhuận bất thường rồi chuẩn hóa thông tin. AI có thể hỗ trợ trích xuất các nội dung như doanh thu, biên lợi nhuận, dòng tiền hoạt động, khoản thu nhập một lần và lý do ban lãnh đạo đưa ra. Mỗi thông tin cần đi kèm nguồn và vị trí trong tài liệu để người nghiên cứu kiểm tra lại.

Từ đó, quỹ xây dựng một tín hiệu cụ thể, chẳng hạn xếp hạng doanh nghiệp theo mức cải thiện biên lợi nhuận, đồng thời giảm điểm những trường hợp lợi nhuận tăng nhưng dòng tiền yếu hoặc phụ thuộc vào thanh lý tài sản. AI có thể hỗ trợ đọc và phân loại nội dung; phần tính toán chỉ tiêu vẫn cần dựa trên số liệu đã đối chiếu và công thức nhất quán. Kết quả cuối cùng phải là một quy tắc đủ rõ để chạy lại và kiểm chứng.

Một hướng khác là xử lý tin tức. Thay vì chỉ chấm điểm bài viết tích cực hay tiêu cực, hệ thống có thể phân loại sự kiện: ký hợp đồng mới, thay đổi kế hoạch kinh doanh, phát hành thêm, giao dịch cổ đông lớn hoặc thay đổi chính sách có liên quan đến ngành. Researcher sau đó kiểm tra xem từng nhóm sự kiện có đi kèm phản ứng giá khác nhau hay không, phản ứng kéo dài bao lâu và còn cơ hội giao dịch sau thời điểm tin được công bố hay không.

Cách tiếp cận được CFM đề cập có ý nghĩa thực tiễn ở chính khâu này: AI giúp rút ngắn thời gian từ một câu hỏi nghiên cứu đến một thử nghiệm có thể đánh giá. Thay vì dành phần lớn thời gian đọc tài liệu, làm sạch dữ liệu và viết những đoạn mã lặp lại, đội ngũ có thể tập trung vào những giả thuyết đáng kiểm tra. Nhưng mỗi thử nghiệm vẫn cần trả lời được ba câu hỏi: mua hoặc bán vì điều gì, giao dịch vào lúc nào và lợi thế được kỳ vọng tồn tại trong bao lâu.

2. Từ backtest đẹp đến lợi nhuận có thể thực hiện

Giả sử AI hỗ trợ tìm ra một tín hiệu: những cổ phiếu có lợi nhuận cốt lõi cải thiện thường tăng giá trong các phiên sau công bố báo cáo. Backtest ban đầu cho kết quả hấp dẫn. Việc đầu tiên cần làm là kiểm tra liệu chiến lược có thực sự giao dịch được với những thông tin và mức giá đã giả định hay không.

Ví dụ, báo cáo được công bố lúc 18 giờ nhưng backtest lại mua ở giá đóng cửa cùng ngày. Khi đó, mô hình đã sử dụng thông tin chưa tồn tại tại thời điểm đặt lệnh. Giao dịch phải được chuyển sang thời điểm có thể thực hiện sau công bố. Chỉ một điều chỉnh như vậy cũng có thể làm giảm đáng kể lợi nhuận, bởi giá có thể đã phản ứng ngay khi phiên tiếp theo bắt đầu.

Tiếp theo là chi phí và thanh khoản. Một phép tính minh họa: nếu chiến lược tạo lợi nhuận gộp bình quân 0,8% mỗi vòng giao dịch nhưng tổng phí, chênh lệch mua bán và trượt giá là 0,5%, phần còn lại chỉ khoảng 0,3%. Khi quy mô lệnh tăng, giá khớp thực tế có thể bất lợi hơn và lợi thế tiếp tục thu hẹp. Vì vậy, quỹ cần mô phỏng quy mô lệnh theo thanh khoản, khả năng khớp từng phần và những trường hợp không thể giao dịch ở mức giá mong muốn.

Với cổ phiếu Việt Nam, một thiết kế nghiên cứu thực dụng cần tính đến những tình huống như cổ phiếu tăng trần nhưng không đủ lượng bán để mua, giảm sàn nhưng không thể thoát vị thế, hoặc danh mục tập trung vào những mã có thanh khoản thấp. Giả định thời điểm mua, bán và khả năng sử dụng tiền, chứng khoán cũng phải phù hợp với cơ chế giao dịch áp dụng. Nếu bỏ qua những điều kiện này, backtest có thể thể hiện lợi nhuận mà tài khoản thực tế không đạt được.

Một vấn đề khác xuất hiện khi AI thử quá nhiều phương án. Đội ngũ có thể kiểm tra hàng nghìn cách kết hợp tăng trưởng lợi nhuận, thanh khoản, định giá và động lượng, rồi chọn ra cấu hình tốt nhất. Nhưng kết quả tốt nhất trong quá khứ chưa chắc là phương án có khả năng lặp lại. Quỹ cần lưu lại toàn bộ lịch sử thử nghiệm, giữ riêng dữ liệu kiểm định và đánh giá độ ổn định khi thay đổi nhẹ tham số. Nếu chiến lược chỉ hiệu quả với thời gian nắm giữ đúng 13 phiên nhưng suy yếu rõ rệt ở 10 hoặc 15 phiên, đó là điểm cần điều tra.

Sau khi vượt qua các bước này, chiến lược có thể được chạy giả lập theo thời gian thực để ghi nhận tín hiệu trước khi biết kết quả. Giai đoạn này giúp phát hiện những vấn đề backtest khó thể hiện đầy đủ: dữ liệu đến chậm, báo cáo bị trích xuất sai, tín hiệu thay đổi sau khi cập nhật dữ liệu hoặc mức giá dự kiến không thể khớp. Khi triển khai vốn nhỏ, đội ngũ tiếp tục so sánh giao dịch thực tế với mô phỏng trước khi cân nhắc tăng quy mô.

3. AI Agent hữu ích nhất khi có nhiệm vụ và giới hạn rõ ràng

Trong vận hành hằng ngày, một AI Agent phục vụ Quant Research có thể được giao theo dõi tài liệu mới công bố, xác định doanh nghiệp liên quan, trích xuất thông tin và đối chiếu với dữ liệu hiện có. Khi phát hiện một thay đổi đáng chú ý, agent tạo hồ sơ nghiên cứu gồm nguồn tài liệu, thời điểm công bố, các chỉ tiêu thay đổi và những điểm chưa chắc chắn cần kiểm tra. Đây là đầu vào cụ thể để researcher đánh giá, thay vì chỉ nhận một đoạn nhận định chung rằng doanh nghiệp có “triển vọng tích cực”.

Chẳng hạn, agent phát hiện lợi nhuận một doanh nghiệp tăng mạnh nhưng phần lớn đến từ khoản thu nhập bất thường. Hệ thống cần chỉ ra khoản mục đó, tính mức đóng góp và chuyển trường hợp này sang nhóm khác với doanh nghiệp tăng trưởng nhờ doanh thu và biên lợi nhuận. Nếu tài liệu thiếu thông tin hoặc số liệu không khớp, agent phải đánh dấu để đối chiếu. Chất lượng của bước xử lý này ảnh hưởng trực tiếp đến tín hiệu được tạo ra phía sau.

Ở khâu thử nghiệm, agent có thể chạy các cấu hình đã được phê duyệt, so sánh kết quả theo từng giai đoạn thị trường và tổng hợp nguyên nhân chiến lược bị loại. Researcher chịu trách nhiệm quyết định giả thuyết nào có cơ sở, tiêu chuẩn kiểm định nào phù hợp và bằng chứng đã đủ mạnh hay chưa. Agent cũng cần bị giới hạn quyền truy cập dữ liệu kiểm định cuối cùng để tránh liên tục điều chỉnh mô hình theo một tập dữ liệu vốn phải được giữ độc lập.

Khi chiến lược đã vận hành, AI có thể hỗ trợ theo dõi sự sai lệch giữa kỳ vọng và thực tế. Ví dụ, tín hiệu vẫn dự báo đúng hướng nhưng lợi nhuận ròng giảm vì chi phí giao dịch tăng; hoặc hiệu quả danh mục phụ thuộc quá lớn vào một vài cổ phiếu. Những phát hiện này giúp người quản lý xác định vấn đề nằm ở tín hiệu, cách phân bổ vốn hay quá trình thực hiện lệnh. Quyết định giảm vốn, điều chỉnh hoặc dừng chiến lược phải dựa trên tiêu chí đã xác lập.

Hiệu quả của AI vì thế cần được đo bằng những kết quả cụ thể: thời gian từ ý tưởng đến kiểm định giảm bao nhiêu, tỷ lệ lỗi dữ liệu có giảm không, tín hiệu có giữ được hiệu quả ngoài mẫu và đóng góp thêm gì cho danh mục sau chi phí. Số lượng mô hình được tạo ra chỉ phản ánh năng suất thử nghiệm. Giá trị đầu tư nằm ở những tín hiệu vượt qua kiểm định và có thể triển khai với quy mô vốn phù hợp.

Một quỹ có thể dùng AI để tạo hàng nghìn ứng viên rồi chỉ đưa một vài tín hiệu vào vận hành. Đó vẫn là kết quả tốt nếu quá trình sàng lọc giúp loại bỏ sớm những ý tưởng thiếu cơ sở và dành vốn cho những cơ hội có bằng chứng rõ ràng. Trong thực tế, AI giúp tìm alpha hiệu quả hơn khi mọi bước đều có thể truy lại: dữ liệu nào tạo ra tín hiệu, tín hiệu dẫn đến giao dịch nào và giao dịch đó thực sự mang về bao nhiêu lợi nhuận sau chi phí.