AI Model đang trở thành commodity. Vậy alpha còn nằm ở đâu?

Những cuộc tranh luận về AI thường bắt đầu bằng việc so sánh mô hình: GPT, Claude hay Gemini suy luận tốt hơn, viết mã chính xác hơn, xử lý tài liệu dài hiệu quả hơn. Với đầu tư, những khác biệt này có ý nghĩa, nhưng chúng mới trả lời câu hỏi về năng lực công nghệ. Câu hỏi kinh tế khó hơn là: khi nhiều người có thể tiếp cận cùng một năng lực, ai sẽ giữ được phần lợi nhuận vượt trội từ việc sử dụng nó?

Một mô hình mạnh có thể giúp hàng nghìn tổ chức đọc báo cáo nhanh hơn, xử lý tin tức tốt hơn và tạo ra nhiều giả thuyết nghiên cứu hơn. Tuy nhiên, năng suất phân tích tăng lên không đồng nghĩa với alpha tăng lên tương ứng. Khi nhiều người cùng nhận diện một cơ hội và cùng giao dịch, chính hành động của họ có thể làm cơ hội đó thu hẹp.

Bởi vậy, sự phổ biến của AI đặt ra một vấn đề sâu hơn câu chuyện chọn model: đâu là phần năng lực có thể mua trên thị trường, và đâu là phần lợi thế phải tích lũy bên trong tổ chức? Để trả lời, cần nhìn AI trong toàn bộ quá trình hình thành quyết định đầu tư, từ dữ liệu và nghiên cứu đến phân bổ vốn, thực hiện giao dịch và đánh giá kết quả.

1. Khi năng lực phân tích trở nên phổ biến, lợi thế cạnh tranh thay đổi như thế nào?

“Commodity” không có nghĩa mọi model đều giống nhau

Nói AI model đang trở thành commodity nên được hiểu là nhiều năng lực nền tảng đang trở nên dễ tiếp cận và dễ thay thế hơn. Điều đó không có nghĩa mọi mô hình có cùng chất lượng, độ ổn định, chi phí hoặc khả năng xử lý những nhiệm vụ chuyên biệt.

Báo cáo AI Index 2025 của Stanford ghi nhận chi phí suy luận cho mức năng lực tương đương GPT-3.5 trên benchmark MMLU giảm hơn 280 lần từ tháng 11/2022 đến tháng 10/2024. Đây là bằng chứng về việc một mức năng lực nhất định trở nên rẻ hơn; nó không chứng minh toàn bộ mô hình đã đồng nhất hoặc chi phí cho mọi tác vụ đều giảm theo cùng tỷ lệ.

Trong đầu tư, điều quan trọng là một năng lực còn khan hiếm đến mức nào. Nếu chỉ một số ít tổ chức có thể trích xuất thông tin đáng tin cậy từ hàng triệu tài liệu, năng lực đó có thể tạo ra khoảng cách lớn. Khi nhiều tổ chức mua được công cụ thực hiện công việc tương tự, lợi thế từ riêng việc sở hữu công cụ sẽ giảm xuống.

Tuy nhiên, cùng được tiếp cận một model không có nghĩa cùng có kết quả. Các tổ chức vẫn khác nhau về dữ liệu, thiết kế bài toán, cách đo chất lượng đầu ra, giới hạn đầu tư và năng lực triển khai. Vì vậy, có thể đặt giả thuyết rằng khi model nền tảng phổ biến hơn, giá trị kinh tế sẽ dịch chuyển tương đối sang những tài sản và quy trình bổ trợ khó sao chép hơn.

Năng suất nghiên cứu và alpha là hai đại lượng khác nhau

AI có thể giúp một analyst đọc 100 báo cáo trong thời gian trước đây chỉ đủ đọc 10 báo cáo. Đó là cải thiện năng suất rõ ràng. Nhưng để tạo ra lợi thế giao dịch, thông tin thu được còn phải chứa điều gì đó chưa được giá phản ánh đầy đủ, và lợi thế ấy phải lớn hơn chi phí khai thác.

Có thể tách vấn đề thành ba tầng. Tầng thứ nhất là năng lực xử lý thông tin: đọc, trích xuất, phân loại và tổng hợp. Tầng thứ hai là năng lực dự báo: đầu ra có giúp dự đoán biến số kinh tế hoặc lợi nhuận tương lai không? Tầng thứ ba là giá trị đầu tư: dự báo đó có thể chuyển thành lợi nhuận sau chi phí, với mức rủi ro và quy mô vốn phù hợp không?

Một hệ thống có thể rất tốt ở tầng đầu nhưng chưa có giá trị ở tầng cuối. Ví dụ, AI xác định chính xác doanh nghiệp vừa công bố lợi nhuận tăng mạnh. Tuy nhiên, nếu tăng trưởng đó đã được dự báo từ trước và giá đã điều chỉnh, thông tin được đọc đúng vẫn có thể không tạo ra giao dịch hấp dẫn.

Ngay cả dự báo đúng kết quả kinh doanh cũng chưa chắc dự báo đúng phản ứng giá. Giá thường phản ứng với phần chênh lệch giữa thực tế và kỳ vọng, cùng những thay đổi trong triển vọng tương lai. Một doanh nghiệp tăng trưởng 20% vẫn có thể khiến thị trường thất vọng nếu kỳ vọng trước đó là 30%.

Khi nhiều người cùng xử lý thông tin tốt hơn, thị trường cũng thay đổi

Grossman và Stiglitz đặt ra một lập luận nền tảng: nếu giá phản ánh hoàn toàn mọi thông tin trong khi thu thập thông tin có chi phí, nhà đầu tư sẽ thiếu động lực trả chi phí để tìm kiếm thông tin. Trong mô hình của họ, giá chỉ phản ánh thông tin một phần, để hoạt động thu thập thông tin còn có thể được đền đáp.

Áp dụng lập luận này vào AI là một suy luận: khi chi phí xử lý thông tin giảm, một số thông tin công khai có thể được đưa vào giá nhanh hơn. Những chiến lược chỉ dựa trên việc đọc chậm một thông cáo hoặc bỏ sót một chỉ tiêu đơn giản có thể đối mặt với cạnh tranh mạnh hơn.

Nhưng chi phí suy luận thấp không xóa bỏ mọi giới hạn. Nhà đầu tư vẫn phải đối mặt với bất định, giới hạn vốn, thanh khoản và khả năng chịu thua lỗ trong thời gian chờ giả thuyết được thị trường xác nhận. Nghiên cứu về giới hạn arbitrage của Shleifer và Vishny cho thấy hoạt động khai thác sai lệch giá có thể bị hạn chế bởi cấu trúc vốn và quan hệ giữa người quản lý với nhà đầu tư, đặc biệt trong những hoàn cảnh bất lợi.

Do đó, việc nhiều người cùng nhìn thấy một cơ hội chưa chắc khiến tất cả đều có khả năng khai thác nó theo cùng một cách.

2. Lợi thế thông tin nằm ở dữ liệu, cách biểu diễn và kỷ luật kiểm định

Dữ liệu công khai không đồng nghĩa với dữ liệu sẵn sàng để nghiên cứu

Hai quỹ có thể sử dụng cùng báo cáo tài chính công khai nhưng sở hữu hai bộ dữ liệu nghiên cứu rất khác nhau. Một bên chỉ lưu số liệu mới nhất; bên kia lưu từng phiên bản, thời điểm công bố, thời điểm thu nhận và các điều chỉnh phát sinh sau đó.

Khác biệt này quyết định khả năng tái dựng những gì nhà đầu tư thực sự biết tại mỗi thời điểm. Nếu báo cáo quý I được công bố ngày 25/4, số liệu trong đó không thể được sử dụng để hình thành danh mục ngày 31/3. Nếu doanh nghiệp điều chỉnh báo cáo vào tháng 6, bản sửa đổi cũng không được đưa ngược vào tháng 4 trong một backtest lịch sử.

Một thiết kế dữ liệu phù hợp cần phân biệt thời điểm sự kiện xảy ra, thời điểm thông tin được công bố và thời điểm hệ thống có thể sử dụng thông tin. Với các chiến lược ngắn hạn, chênh lệch giữa những mốc này có thể quyết định phần lớn lợi nhuận có thể thực hiện.

Nguồn gốc dữ liệu cũng cần được truy lại. Một chỉ tiêu lợi nhuận xuất phát từ báo cáo hợp nhất hay báo cáo riêng? Đơn vị là đồng hay triệu đồng? Giá đã được điều chỉnh cho cổ tức và chia tách chưa? Một bản tin nói về công ty mẹ, công ty con hay doanh nghiệp có tên gần giống?

Những câu hỏi này ít gây chú ý hơn việc so sánh model, nhưng chúng xác định model đang được yêu cầu suy luận trên một mô tả đúng hay sai về thị trường.

Lợi thế có thể nằm ở cách biểu diễn thông tin

Giả sử hai hệ thống cùng đọc tin một doanh nghiệp ký hợp đồng mới. Hệ thống thứ nhất gán nhãn “tích cực”. Hệ thống thứ hai trích xuất giá trị hợp đồng, thời gian thực hiện, điều kiện có hiệu lực, tỷ trọng so với doanh thu hiện tại và mức độ mới so với thông tin đã công bố.

Đầu ra thứ hai tạo điều kiện để kiểm tra những câu hỏi cụ thể hơn. Hợp đồng có đủ lớn để ảnh hưởng đến kết quả kinh doanh không? Doanh thu được ghi nhận ngay hay trải dài nhiều năm? Đây là hợp đồng ràng buộc hay mới là thỏa thuận nguyên tắc? Tin hôm nay có bổ sung điều gì so với thông báo trước?

Những khác biệt đó thuộc về thiết kế cách biểu diễn thông tin. Một model ngôn ngữ có thể hỗ trợ tạo dữ liệu có cấu trúc, nhưng giá trị của cấu trúc ấy phụ thuộc vào giả thuyết đầu tư. Nếu chiến lược quan tâm đến khả năng tạo tiền trong 12 tháng tới, một điểm cảm xúc tích cực chung chung có thể kém hữu ích hơn thông tin về lịch thanh toán và nhu cầu vốn lưu động.

Từ góc độ nghiên cứu, có thể xem LLM như một thành phần biến tài liệu phi cấu trúc thành những biến có thể kiểm định. Các biến này sau đó được kết hợp với giá, định giá, thanh khoản và thông tin doanh nghiệp để xây dựng dự báo. Cách tổ chức này giúp kiểm tra riêng chất lượng đọc hiểu và giá trị dự báo, thay vì gộp mọi thứ vào một câu trả lời mua hoặc bán.

Nghiên cứu của Gu, Kelly và Xiu cho thấy machine learning có thể cải thiện dự báo lợi nhuận ngoài mẫu trong thiết kế thực nghiệm của họ, nhờ khả năng xử lý nhiều biến và quan hệ phi tuyến. Kết quả này hỗ trợ vai trò của phương pháp thống kê linh hoạt trong định giá tài sản; nó không đồng nghĩa mọi mô hình ngôn ngữ hoặc mọi ứng dụng AI đều tạo được alpha.

Giá trị của một signal phụ thuộc vào những gì hệ thống đã biết

Một tín hiệu đọc từ tin tức có thể dự báo lợi nhuận khi được đánh giá riêng. Nhưng nếu nó chỉ lặp lại thông tin đã có trong động lượng giá, điều chỉnh dự báo lợi nhuận hoặc dữ liệu giao dịch, giá trị bổ sung có thể nhỏ.

Việc so sánh phải diễn ra ngoài mẫu và xét đến chi phí sử dụng tín hiệu.

Ví dụ, AI nhận diện giọng điệu lạc quan trong giải trình kết quả kinh doanh. Nhưng nếu điểm số ấy gần như chỉ tăng khi lợi nhuận tăng mạnh, nó có thể đang diễn đạt lại một biến tài chính sẵn có. Để chứng minh đóng góp mới, cần kiểm tra xem tín hiệu còn hữu ích sau khi đã tính đến mức tăng lợi nhuận, định giá và phản ứng giá trước thời điểm giao dịch hay không.

Đây là lý do một bản phân tích nghe sâu sắc chưa phải bằng chứng về lợi thế đầu tư. Cần xác định phần thông tin mới và đo tác động của nó trong cùng điều kiện với phương án không sử dụng AI.

LLM tạo thêm một dạng rò rỉ thông tin cần kiểm soát

Backtest dùng LLM có một vấn đề đặc biệt: ngay cả khi tài liệu đầu vào đúng thời điểm, mô hình vẫn có thể đã tiếp xúc với những sự kiện xảy ra sau đó trong quá trình huấn luyện.

Chẳng hạn, một model được huấn luyện bằng dữ liệu chứa thông tin đến năm 2025 được yêu cầu đánh giá một doanh nghiệp tại năm 2020. Việc chỉ cung cấp tài liệu năm 2020 chưa chứng minh model không sử dụng kiến thức về những gì đã xảy ra trong các năm tiếp theo. Yêu cầu bằng prompt rằng “hãy quên tương lai” cũng không phải cơ chế bảo đảm loại bỏ kiến thức đó.

Glasserman và Lin nghiên cứu vấn đề này trong phân tích cảm xúc tin tức bằng GPT. Họ phân biệt rủi ro biết trước kết quả với tác động gây nhiễu từ kiến thức chung về doanh nghiệp; kết quả cho thấy ảnh hưởng không đơn giản luôn đi theo hướng làm backtest tốt hơn.

Về thiết kế kiểm định, điều này làm tăng giá trị của việc ghi nhận tín hiệu theo thời gian thực trước khi kết quả xuất hiện. Phiên bản model, prompt, tài liệu đầu vào và đầu ra cần được lưu lại. Những kiểm tra như ẩn tên doanh nghiệp có thể giúp chẩn đoán một số thiên lệch, nhưng không nên được xem là chứng nhận rằng mọi rò rỉ thông tin đã bị loại bỏ.

Lợi thế nghiên cứu vì thế còn nằm ở năng lực phân biệt mô hình đang dự báo với mô hình đang tái hiện kiến thức về quá khứ.

3. Alpha được hiện thực hóa qua danh mục, giao dịch và năng lực tổ chức

Dự báo tốt chưa xác định được tỷ trọng đầu tư

Sau khi có signal, hệ thống vẫn phải quyết định phân bổ bao nhiêu vốn. Một dự báo lợi nhuận cao nhưng thiếu chắc chắn, tương quan mạnh với danh mục hiện tại hoặc tập trung ở cổ phiếu ít thanh khoản có thể không đáng nhận tỷ trọng lớn.

Sai số dự báo cũng có thể bị khuếch đại khi tối ưu hóa. Nếu một cổ phiếu vô tình được ước lượng lợi nhuận quá cao, bộ tối ưu có thể phân bổ quá nhiều vốn vào nó. Vì vậy, những biện pháp như thu hẹp dự báo về mức thận trọng, giới hạn tỷ trọng và kiểm tra độ nhạy là những lựa chọn thiết kế cần được đánh giá cùng model.

Hai quỹ sử dụng cùng signal có thể đạt kết quả khác nhau vì một bên kiểm soát tốt mức tập trung và sai số ước lượng, còn bên kia biến một dự báo thiếu chắc chắn thành vị thế quá lớn.

Execution quyết định giữ lại được bao nhiêu lợi thế

Một tín hiệu chỉ có giá trị giao dịch khi lợi ích kỳ vọng lớn hơn chi phí thực hiện. Các chi phí liên quan có thể gồm phí giao dịch, chênh lệch mua bán, tác động thị trường, chi phí tài trợ và chi phí cơ hội khi chờ khớp lệnh.

Ví dụ minh họa, model dự báo mức tăng 0,6% trong một khoảng thời gian ngắn. Nếu chi phí thực hiện ước tính là 0,4%, khoảng lợi thế còn lại rất mỏng và có thể bị xóa bởi sai số dự báo. Một tổ chức thực hiện được với chi phí 0,2% có thể đánh giá cơ hội khác với tổ chức chịu chi phí 0,5%, dù hai bên có cùng đầu ra model.

Quy mô vốn làm vấn đề phức tạp hơn. Lệnh lớn có thể cần nhiều thời gian để khớp, trong khi signal suy yếu theo thời gian. Giao dịch nhanh giúp giữ thông tin mới nhưng có thể làm tăng tác động giá; giao dịch chậm giảm áp lực lên thị trường nhưng có thể bỏ lỡ cơ hội.

Nghiên cứu Trading Costs của Frazzini, Israel và Moskowitz sử dụng dữ liệu thực hiện lệnh quy mô lớn để phân tích chi phí và tác động giá theo các đặc điểm giao dịch. Công trình này cho thấy việc đánh giá chi phí cần gắn với điều kiện thực hiện cụ thể.

Trong một hệ thống đầu tư, vì thế, năng lực dự báo và năng lực giao dịch phải được đánh giá cùng nhau. Một mô hình nhận diện được cơ hội rất ngắn nhưng hệ thống mất quá lâu để thu nhận dữ liệu, suy luận và đặt lệnh có thể không tạo ra giá trị thực tế.

Hệ thống tốt cần chứng minh được đóng góp của từng thành phần

Càng nhiều agent, nguồn dữ liệu và lớp mô hình, việc xác định nguyên nhân thành công hoặc thất bại càng khó. Nếu danh mục cải thiện sau khi đồng thời đổi model, thay dữ liệu và sửa quy tắc phân bổ, không thể biết phần nào tạo ra kết quả.

Một cách đánh giá có ý nghĩa là thay đổi có kiểm soát. Giữ nguyên dữ liệu, danh mục và giả định chi phí để so sánh hai model; hoặc giữ nguyên model để kiểm tra việc bổ sung một nguồn dữ liệu. Những phép thử loại bỏ từng thành phần cũng giúp xác định một agent có thực sự đóng góp hay chỉ làm hệ thống phức tạp hơn.

Điều tương tự áp dụng cho việc cập nhật mô hình. Một phiên bản mới có thể tốt hơn trên benchmark chung nhưng thay đổi cách trích xuất số liệu hoặc chấm điểm tin tức. Nếu đầu ra là đầu vào của chiến lược, thay model phải được xem là thay một thành phần của hệ thống đầu tư và cần đánh giá lại trước khi sử dụng.

Độ ổn định vận hành không tự tạo ra quan hệ dự báo. Nhưng nó giúp bảo toàn giá trị của một tín hiệu đã có bằng chứng: dữ liệu được cập nhật đúng, đầu ra không bị ghi đè, quyết định có thể tái dựng và sự cố được nhận diện kịp thời.

Feedback chỉ hữu ích khi phân biệt được sai lầm với nhiễu

Ý tưởng để AI học từ mọi giao dịch thắng và thua nghe hấp dẫn, nhưng kết quả tài chính chứa nhiều ngẫu nhiên. Một quyết định có kỳ vọng tốt vẫn có thể thua; một quyết định thiếu cơ sở vẫn có thể thắng. Nếu hệ thống cập nhật quy tắc chỉ dựa trên kết quả gần nhất, nó có thể học nhiễu và liên tục chạy theo thị trường.

Một quá trình phản hồi có giá trị cần tách các nguyên nhân. Hệ thống có đọc sai thông tin không? Thông tin được đọc đúng nhưng giả thuyết dự báo không còn phù hợp? Signal đúng nhưng tỷ trọng quá lớn? Hay giao dịch thực tế đắt hơn giả định?

Ví dụ, chiến lược tin tức tạo lợi nhuận thấp hơn kỳ vọng có thể do bản tin bị gắn sai mã doanh nghiệp. Cũng có thể do độ trễ khiến giá đã phản ứng trước khi hệ thống giao dịch. Hai trường hợp này cần những cách sửa khác nhau; huấn luyện lại model dự báo chưa chắc giải quyết được vấn đề.

Giá trị tích lũy của tổ chức nằm ở khả năng lưu lại những phân biệt đó. Theo thời gian, tổ chức có thể hình thành dữ liệu về chất lượng nguồn tin, điều kiện signal hoạt động, sai số thực hiện lệnh và những giả thuyết đã bị bác bỏ. Đối thủ có thể mua cùng model, nhưng không lập tức có được lịch sử nghiên cứu và vận hành tương đương.

Dù vậy, dữ liệu nội bộ cũng phải được kiểm tra tính đại diện. Một quỹ chỉ quan sát kết quả của những giao dịch mình đã chọn, nên lịch sử đó phản ánh cả thị trường lẫn chính sách lựa chọn của quỹ. Feedback hữu ích cần tính đến sự thiên lệch này, thay vì mặc định càng nhiều lịch sử giao dịch thì mô hình càng tốt.

Lợi thế bền vững là khả năng phối hợp những năng lực bổ trợ

Khi model nền tảng ngày càng dễ mua, câu hỏi chọn model vẫn quan trọng nhưng phạm vi của nó cần được đặt đúng. Tổ chức phải biết model nào phù hợp với tác vụ nào, mức chất lượng cần đạt là bao nhiêu và chi phí, độ trễ, độ ổn định nào có thể chấp nhận.

Một model lớn có thể phù hợp để xử lý tài liệu phức tạp; một model nhỏ có thể đủ cho phân loại sự kiện; một phép tính tài chính có thể được thực hiện đáng tin cậy hơn bằng mã và dữ liệu đã kiểm tra. Giá trị của hệ thống nằm ở việc giao đúng nhiệm vụ và kiểm chứng đầu ra của từng thành phần.

Theo cách nhìn này, lợi thế đầu tư có thể được tạo ra từ sự phối hợp giữa dữ liệu đúng thời điểm, giả thuyết kinh tế có cơ sở, kiểm định độc lập, phân bổ vốn phù hợp và thực hiện giao dịch hiệu quả. Không thành phần nào tự bảo đảm alpha. Nhưng thiếu một thành phần thiết yếu có thể làm mất phần lợi thế mà các thành phần khác đã tạo ra.

Model mạnh giúp mở rộng những gì một tổ chức có thể làm. Alpha chỉ xuất hiện khi tổ chức chứng minh được rằng cách làm ấy tạo thêm giá trị sau rủi ro và chi phí, trước sự cạnh tranh của thị trường. Khi AI trở nên phổ biến, thước đo năng lực sẽ ngày càng nằm ở bằng chứng đó: tín hiệu đến từ đâu, được kiểm định thế nào, khác gì những gì thị trường đã biết và còn giữ lại bao nhiêu lợi nhuận khi đưa vào tài khoản thực tế.