Alpha không nằm ở model: Lợi thế thật sự nằm ở workflow quanh AI

PHẦN 1. Vì sao dùng cùng một LLM nhưng chất lượng nghiên cứu Quant lại khác nhau rất xa?

Có một thực tế khá thú vị trong làn sóng ứng dụng AI vào đầu tư hiện nay. Việc tiếp cận các mô hình ngôn ngữ mạnh như ChatGPT hay Claude đã trở nên dễ dàng hơn rất nhiều. Một nhà đầu tư cá nhân hoàn toàn có thể yêu cầu AI viết Python để xử lý dữ liệu, xây dựng chiến lược giao dịch, phân tích báo cáo tài chính hoặc thiết kế mô hình dự báo. Những công việc trước đây có thể cần một nhóm nghiên cứu thực hiện trong nhiều ngày thì giờ đây có thể hoàn thành bản thử nghiệm đầu tiên nhanh hơn đáng kể. Nhưng nếu công cụ ngày càng phổ biến, tại sao chất lượng nghiên cứu và kết quả đầu tư giữa các nhóm vẫn khác nhau rất lớn? Theo mình, sự khác biệt quan trọng không nằm ở việc ai viết prompt hay hơn, mà nằm ở cách mỗi nhóm tổ chức toàn bộ quy trình nghiên cứu phía sau mô hình AI.

Thử lấy một ví dụ với hai nhóm cùng xây dựng hệ thống xếp hạng cổ phiếu thuộc VN100. Cả hai đều sử dụng cùng một LLM, cùng tiếp cận những phương pháp phổ biến như momentum, quality, value và phân tích tăng trưởng lợi nhuận. Nhóm A dành thời gian chuẩn hóa dữ liệu giá, kiểm tra ngày công bố báo cáo tài chính, xử lý cổ tức và các sự kiện doanh nghiệp, đồng thời thiết kế backtest chỉ sử dụng những thông tin thực sự có sẵn ở từng thời điểm trong quá khứ. Nhóm B làm theo hướng nhanh hơn: tải dữ liệu từ một nhà cung cấp, đưa vào AI, yêu cầu viết chương trình chấm điểm cổ phiếu và tối ưu tham số để đạt lợi nhuận lịch sử cao nhất. Sau vài lần điều chỉnh, nhóm B có thể tạo ra đường cong tăng trưởng tài khoản rất đẹp, trong khi nhóm A vẫn đang xử lý các vấn đề liên quan đến dữ liệu và kiểm định. Nếu chỉ nhìn vào bản trình bày cuối cùng, có khi nhiều người sẽ đánh giá hệ thống B hấp dẫn hơn.

Nhưng vấn đề bắt đầu xuất hiện khi xem kỹ dữ liệu đầu vào. Giả sử một doanh nghiệp có kỳ báo cáo tài chính kết thúc vào ngày 31/3, nhưng đến ngày 25/4 mới công bố kết quả kinh doanh. Nếu chương trình backtest sử dụng lợi nhuận quý đó để lựa chọn cổ phiếu ngay từ đầu tháng 4 thì hệ thống đã vô tình biết trước một thông tin mà nhà đầu tư lúc đó chưa thể tiếp cận. Trong nghiên cứu định lượng, đây là một dạng look-ahead bias, tức sử dụng dữ liệu tương lai để đưa ra quyết định trong quá khứ. Lỗi này có thể khiến chiến lược trông tốt hơn thực tế rất nhiều. Điều đáng nói là AI vẫn có thể viết toàn bộ chương trình chạy đúng cú pháp, xuất ra biểu đồ đẹp và tính toán các chỉ tiêu thống kê đầy đủ, nhưng không tự bảo đảm rằng dữ liệu được đưa vào đúng thời điểm.

Một vấn đề tương tự xuất hiện khi nghiên cứu trên rổ VN100. Nếu sử dụng danh sách 100 cổ phiếu hiện tại để kiểm định chiến lược trong nhiều năm trước, chúng ta có nguy cơ bỏ qua những doanh nghiệp từng thuộc rổ chỉ số nhưng sau đó bị loại. Một số doanh nghiệp có thể suy giảm về vốn hóa, thanh khoản hoặc kết quả kinh doanh, và việc không đưa chúng vào tập nghiên cứu lịch sử sẽ tạo ra survivorship bias. Khi đó, chúng ta không còn kiểm định chiến lược trên đúng tập cơ hội đầu tư mà nhà đầu tư thực sự có tại từng thời điểm. Một model rất thông minh cũng khó cứu được một phép kiểm định nếu ngay từ đầu chúng ta đã vô tình chỉ chọn những cổ phiếu còn tồn tại trong danh sách ngày hôm nay.

Chưa kể, dữ liệu chứng khoán Việt Nam còn có những đặc điểm khiến việc triển khai thực tế phức tạp hơn nhiều so với một bài toán dự báo thông thường. Giá cổ phiếu cần được xử lý nhất quán khi có chia tách, trả cổ tức bằng cổ phiếu, phát hành thêm hoặc những sự kiện doanh nghiệp khác. Khối lượng giao dịch phải được đối chiếu với thanh khoản thực tế. Báo cáo tài chính có thể được điều chỉnh sau công bố. Một dữ liệu bị thiếu, một mã chứng khoán thay đổi trạng thái giao dịch hay một ngày công bố được ghi sai cũng có thể ảnh hưởng đến kết quả xếp hạng. Nếu toàn bộ dữ liệu đó được đưa thẳng vào AI mà không có bước kiểm tra, hệ thống sẽ xử lý những con số có vẻ hợp lệ về mặt định dạng nhưng chưa chắc phản ánh đúng thực tế thị trường.

Điều này dẫn đến một khác biệt rất lớn giữa việc dùng AI để tìm ý tưởng và dùng AI để xây dựng hệ thống đầu tư. Khi tìm ý tưởng, chúng ta có thể chấp nhận một câu trả lời mang tính gợi mở, sau đó tự kiểm chứng. Nhưng khi hệ thống tạo tín hiệu hằng ngày, mọi đầu vào cần được xác định rõ: dữ liệu lấy từ nguồn nào, được cập nhật lúc nào, đã qua bước điều chỉnh nào và có đủ điều kiện để sử dụng hay chưa. Một tín hiệu mua xuất hiện hôm nay phải có khả năng truy ngược về đúng dữ liệu đã tạo ra nó. Nếu sau ba tháng, kết quả thay đổi nhưng không ai biết nguyên nhân đến từ model, dữ liệu hay cách tính toán, thì việc cải thiện chiến lược sẽ trở nên rất khó khăn.

Theo mình, đây chính là lý do hai người có thể sử dụng cùng một LLM nhưng tạo ra hai hệ thống hoàn toàn khác nhau. Một người sử dụng AI như công cụ trả lời câu hỏi và viết code. Người còn lại đặt AI bên trong một quy trình có kiểm soát, nơi dữ liệu được xác minh, giả thuyết được kiểm định và các quyết định đều có thể truy vết. Trong Quant, sự khác biệt giữa một bản demo hấp dẫn và một hệ thống có thể vận hành bằng tiền thật thường nằm ở chính những công đoạn ít được chú ý như vậy.

PHẦN 2. Góc nhìn của Robeco: Alpha đến từ hệ thống nghiên cứu, không đơn thuần từ quyền tiếp cận AI

Trong bài phân tích "Agentic AI and alpha" công bố ngày 25/08/2026, Robeco đưa ra một góc nhìn rất đáng chú ý về vai trò của AI trong quản lý đầu tư. Theo Mike Chen, Head of Next Gen Research tại Robeco, agentic AI có thể hỗ trợ những hoạt động như tìm kiếm ý tưởng, theo dõi tín hiệu, kiểm định giả thuyết và đánh giá danh mục. Tuy nhiên, lợi thế đầu tư không tự động hình thành chỉ vì một tổ chức được sử dụng mô hình AI mạnh. Điều thực sự tạo ra khác biệt có thể nằm ở chất lượng dữ liệu, lịch sử kiểm định, các ràng buộc danh mục, phạm vi được phép ra quyết định và cơ chế phê duyệt của con người. Đây là điểm mình thấy rất đáng suy nghĩ, đặc biệt khi thị trường đang có xu hướng đánh giá cao khả năng AI tạo ra chiến lược nhanh, nhưng chưa dành sự quan tâm tương xứng cho việc kiểm tra những chiến lược đó.

Ví dụ, chúng ta yêu cầu một AI agent nghiên cứu chiến lược momentum trên thị trường Việt Nam. Agent có thể tự đề xuất nhiều cách đo động lượng: lợi nhuận 20 phiên, 60 phiên, 120 phiên, mức tăng giá tương đối so với VN-Index, độ dốc của đường trung bình động hoặc sự kết hợp giữa xu hướng giá và khối lượng giao dịch. Sau đó, hệ thống có thể viết code, chạy backtest, so sánh các tham số và chọn ra những phương án có Sharpe ratio cao hoặc drawdown thấp. Về năng suất nghiên cứu, đây rõ ràng là một bước tiến lớn. Nhưng càng dễ thử nhiều ý tưởng, chúng ta càng phải đối mặt với một vấn đề quen thuộc trong thống kê: khi kiểm tra đủ nhiều giả thuyết, khả năng xuất hiện kết quả đẹp do ngẫu nhiên cũng tăng lên.

Giả sử hệ thống thử hàng trăm cách kết hợp chỉ báo và cuối cùng tìm được một chiến lược tăng trưởng rất tốt trong giai đoạn lịch sử được chọn. Nếu không lưu lại số lượng chiến lược đã thử, những lần thất bại và các tham số từng được điều chỉnh, kết quả cuối cùng rất dễ tạo ra cảm giác rằng chúng ta vừa phát hiện một quy luật thị trường đáng tin cậy. Thực tế, có thể chiến lược chỉ đang được tối ưu để phù hợp với một tập dữ liệu cụ thể. Đây là overfitting, một trong những rủi ro lớn nhất của nghiên cứu định lượng. AI có thể giúp việc tìm kiếm tham số diễn ra nhanh hơn, nhưng cũng có thể khiến overfitting trở nên dễ dàng hơn nếu người sử dụng không kiểm soát cách hệ thống thử nghiệm.

Vì vậy, thay vì chỉ lưu chiến lược có kết quả tốt nhất, một quy trình nghiên cứu nghiêm túc nên lưu cả lịch sử thử nghiệm. Mỗi lần kiểm định cần xác định dữ liệu được sử dụng, khoảng thời gian huấn luyện, giai đoạn kiểm tra ngoài mẫu, tham số, giả định chi phí và kết quả thu được. Khi một chiến lược không hoạt động như kỳ vọng, người nghiên cứu có thể quay lại xem nó từng hoạt động tốt trong hoàn cảnh nào và bắt đầu suy yếu từ khi nào. Nếu không có những thông tin này, rất dễ xảy ra tình trạng một ý tưởng đã thất bại được đổi tên, thay vài tham số rồi tiếp tục kiểm định cho đến khi có một kết quả đẹp khác.

Một vấn đề quan trọng nữa là khả năng dự báo và khả năng tạo lợi nhuận đầu tư không phải cùng một khái niệm. Một hệ thống có thể đạt Rank IC dương tương đối ổn định, tức khả năng xếp hạng cổ phiếu có mối liên hệ tích cực với lợi nhuận tương lai, nhưng điều đó chưa đủ để khẳng định danh mục xây dựng từ hệ thống sẽ tạo ra alpha sau chi phí. Khi chuyển từ bảng xếp hạng sang danh mục thực tế, người quản lý còn phải quyết định tỷ trọng từng cổ phiếu, mức độ tập trung ngành, giới hạn rủi ro, tần suất tái cân bằng và cách thực hiện lệnh trên thị trường.

Chẳng hạn, một chiến lược có xu hướng lựa chọn các cổ phiếu đang tăng giá mạnh với thanh khoản chưa cao. Trong backtest, chương trình có thể giả định mua được tại mức giá đóng cửa của phiên hình thành tín hiệu. Nhưng ngoài thực tế, nếu nhiều nhà đầu tư cùng muốn mua một cổ phiếu đang tăng mạnh, việc khớp đủ khối lượng tại mức giá kỳ vọng có thể không khả thi. Chỉ cần giá thực hiện lệnh cao hơn một chút, cộng thêm phí, thuế và tác động thị trường, lợi nhuận của chiến lược đã có thể giảm đáng kể. Đối với các hệ thống giao dịch thường xuyên, những khoản chênh lệch nhỏ tích lũy qua nhiều giao dịch có thể làm mất phần lớn lợi thế thống kê ban đầu.

Cũng cần nhìn nhận rằng alpha không phải một đặc tính cố định tồn tại mãi trong thị trường. Một tín hiệu có thể hoạt động tốt vì nó khai thác sự chậm trễ trong phản ứng của nhà đầu tư, sự thiếu hiệu quả trong định giá hoặc một đặc điểm hành vi chưa được nhiều người nhận ra. Nhưng khi phương pháp trở nên phổ biến, dòng tiền có thể phản ánh thông tin vào giá nhanh hơn. Nếu quá nhiều hệ thống cùng lựa chọn một nhóm cổ phiếu dựa trên những tín hiệu tương tự, danh mục sẽ trở nên crowded. Lợi thế từng xuất hiện trong dữ liệu lịch sử có thể suy yếu, thậm chí gây rủi ro khi nhiều nhà đầu tư đồng thời thoát khỏi vị thế.

Đây là lúc vai trò của con người và hệ thống quản trị rủi ro trở nên quan trọng. AI có thể phát hiện những mối liên hệ mà người nghiên cứu chưa nghĩ đến, nhưng không có nghĩa mọi tín hiệu được tạo ra đều phải chuyển thành lệnh mua bán. Cần có những giới hạn về tỷ trọng, thanh khoản, mức sụt giảm và mức độ chắc chắn của dữ liệu. Quan trọng hơn, phải có cơ chế nhận biết khi nào model cần được kiểm tra lại, khi nào tín hiệu nên tạm dừng và khi nào một chiến lược đã không còn phù hợp với điều kiện thị trường. Theo mình, khả năng biết lúc nào không nên giao dịch cũng là một phần rất quan trọng của hệ thống Quant, nhưng lại khó thể hiện trên những biểu đồ backtest đẹp mắt.

Vì vậy, giá trị lớn nhất của agentic AI có lẽ không phải là thay thế hoàn toàn nhà nghiên cứu hay tự động tìm ra một công thức kiếm tiền. Giá trị thực tế hơn là giúp quá trình nghiên cứu diễn ra có hệ thống, mở rộng khả năng kiểm tra giả thuyết, rút ngắn thời gian phát hiện bất thường và hỗ trợ con người đưa ra quyết định dựa trên thông tin đầy đủ hơn. Khi mọi người đều có thể tiếp cận model mạnh, lợi thế cạnh tranh sẽ dịch chuyển sang khả năng kiểm soát chất lượng nghiên cứu và biến kết quả nghiên cứu thành một quy trình đầu tư có thể duy trì lâu dài.

PHẦN 3. Nếu áp dụng vào thị trường chứng khoán Việt Nam, nên xây dựng workflow AI như thế nào?

Nếu bắt đầu xây dựng một hệ thống đầu tư định lượng có AI hỗ trợ tại Việt Nam, mình sẽ không ưu tiên việc tạo ra một mô hình dự đoán giá cổ phiếu ngay từ đầu. Việc đầu tiên nên làm là xây dựng một quy trình dữ liệu đủ tin cậy, sau đó mới từng bước bổ sung các thành phần dự báo và tối ưu danh mục. Lý do rất đơn giản: một model chưa tốt vẫn có thể được cải thiện nếu dữ liệu và quy trình kiểm định chính xác, nhưng một model tốt vận hành trên dữ liệu sai sẽ rất khó xác định nguyên nhân khi kết quả thực tế không đạt kỳ vọng.

Có thể bắt đầu bằng một bài toán tương đối cụ thể: xây dựng hệ thống xếp hạng cổ phiếu trong nhóm VN100, cập nhật tín hiệu theo tuần và tái cân bằng danh mục theo một bộ quy tắc được xác định trước. Thay vì yêu cầu AI lập tức tìm ra những cổ phiếu có khả năng tăng mạnh nhất, chúng ta chia vấn đề thành những công đoạn nhỏ hơn. Trước tiên là thu thập dữ liệu giá, khối lượng, báo cáo tài chính và các sự kiện doanh nghiệp. Tiếp theo là chuẩn hóa dữ liệu, xác định thời điểm thông tin có thể sử dụng và kiểm tra những trường hợp bất thường. Chỉ sau khi dữ liệu đạt điều kiện mới tiến hành xây dựng các yếu tố xếp hạng và kiểm định chiến lược.

Ở tầng dữ liệu, cần phân biệt rõ ngày kết thúc kỳ kế toán, ngày công bố thông tin, thời điểm hệ thống tiếp nhận dữ liệu và thời điểm tín hiệu có thể được giao dịch. Ví dụ, một doanh nghiệp công bố báo cáo tài chính sau khi thị trường đóng cửa. Nếu chiến lược chỉ sử dụng thông tin ở thời điểm trước phiên giao dịch, dữ liệu mới đó không thể được đưa vào quyết định của phiên vừa kết thúc. Với thông tin được điều chỉnh sau công bố, hệ thống cũng cần lưu lại phiên bản cũ thay vì ghi đè toàn bộ lịch sử. Việc lưu dấu thời gian và phiên bản dữ liệu nghe có vẻ phức tạp đối với một nhà đầu tư cá nhân, nhưng lại giúp hạn chế đáng kể nguy cơ hệ thống vô tình sử dụng thông tin tương lai trong backtest.

Sau khi dữ liệu được chuẩn hóa, AI có thể hỗ trợ thiết kế các nhóm yếu tố xếp hạng. Chẳng hạn, momentum được đo bằng lợi nhuận giá trong một khoảng thời gian, quality được phản ánh qua một số chỉ tiêu về hiệu quả kinh doanh và sức khỏe tài chính, còn value được đánh giá thông qua những tỷ số định giá phù hợp. Điểm quan trọng là các yếu tố này phải được định nghĩa bằng công thức rõ ràng, có ý nghĩa kinh tế và có thể tính toán lại. Không nên chỉ yêu cầu AI đưa ra một điểm số tổng hợp mà không giải thích được điểm đó đến từ đâu. Nếu một cổ phiếu bất ngờ đứng đầu bảng xếp hạng, hệ thống cần chỉ ra những yếu tố nào đã đóng góp vào kết quả và dữ liệu gốc tương ứng là gì.

Bước tiếp theo là xây dựng backtest với các giả định gần thực tế hơn. Với chiến lược tái cân bằng hằng tuần hoặc hằng tháng, chúng ta cần quy định rõ tín hiệu được tính sau phiên nào và lệnh có thể bắt đầu thực hiện từ phiên nào. Nếu backtest giả định mua ngay tại giá đóng cửa của ngày tạo tín hiệu, trong khi dữ liệu chỉ hoàn tất sau khi đóng cửa, kết quả sẽ thiếu tính nhất quán về thời gian. Tương tự, cần đưa vào phí giao dịch, thuế liên quan, trượt giá, thanh khoản, các trường hợp giá trần hoặc giá sàn khiến lệnh khó khớp, và những phiên cổ phiếu bị hạn chế giao dịch. Đây đều là những yếu tố có thể tạo ra khác biệt lớn giữa hiệu quả thống kê của tín hiệu và kết quả đầu tư thực tế.

Thử xét một tình huống giả định với danh mục 10 tỷ đồng. Hệ thống đề xuất giải ngân 500 triệu đồng vào một cổ phiếu có giá trị giao dịch bình quân khoảng 2 tỷ đồng mỗi phiên. Nếu chỉ nhìn vào tín hiệu xếp hạng, cổ phiếu này có thể rất hấp dẫn. Nhưng lệnh mua dự kiến đã tương đương 25% giá trị giao dịch bình quân một phiên. Không thể mặc nhiên cho rằng chúng ta mua đủ 500 triệu đồng ngay tại mức giá trên bảng tính. Với một quy mô lệnh như vậy, người triển khai cần đánh giá khả năng chia lệnh, thời gian khớp, độ sâu của thị trường và mức tác động lên giá. Nếu bỏ qua những yếu tố đó, backtest có thể ghi nhận một cơ hội đầu tư mà trong thực tế khó triển khai với quy mô vốn đang quản lý.

Sau đó là công đoạn chuyển tín hiệu thành danh mục. Đây là nơi cần phân biệt model dự báo với hệ thống quản lý vốn. Một cổ phiếu có điểm xếp hạng cao không đồng nghĩa với việc nên được phân bổ tỷ trọng lớn nhất. Nếu nhiều cổ phiếu đứng đầu cùng thuộc một ngành, việc mua theo điểm số có thể khiến danh mục tập trung rủi ro vào một yếu tố chung. Vì thế, bộ tối ưu danh mục cần có những ràng buộc phù hợp về tỷ trọng từng mã, tỷ trọng ngành, mức thanh khoản tối thiểu và tổng chi phí tái cân bằng. Trong một số trường hợp, chấp nhận danh mục có lợi nhuận kỳ vọng thấp hơn một chút nhưng dễ giao dịch và kiểm soát rủi ro tốt hơn có thể là lựa chọn hợp lý.

Khi hệ thống đã có tín hiệu và quy tắc danh mục, mình cho rằng nên có một giai đoạn chạy thử trên dữ liệu mới hoặc giao dịch mô phỏng trước khi áp dụng bằng tiền thật. Trong giai đoạn này, mỗi lần hệ thống đề xuất mua bán cần được ghi lại cùng với dữ liệu đầu vào, thời điểm tạo tín hiệu, giá dự kiến, giá có thể thực hiện và nguyên nhân của những lệnh không thể hoàn thành. Nếu một chiến lược hoạt động tốt trong backtest nhưng thường xuyên đề xuất mua những cổ phiếu thanh khoản thấp hoặc đang trong trạng thái khó khớp lệnh, vấn đề sẽ được phát hiện sớm hơn. Đây là thông tin mà một chỉ số Sharpe ratio tổng hợp thường không thể hiện đầy đủ.

Một thành phần khác rất đáng đầu tư là cơ chế giám sát chất lượng dữ liệu và tín hiệu theo thời gian. Ví dụ, hệ thống cần cảnh báo khi một mã không được cập nhật giá đúng lịch, khi dữ liệu tài chính mới bị thiếu, khi tín hiệu thay đổi bất thường do một trường dữ liệu hoặc khi kết quả giữa môi trường nghiên cứu và môi trường vận hành không còn nhất quán. Có thể sử dụng AI để hỗ trợ đọc log, phân loại lỗi và gợi ý nguyên nhân, nhưng các quy tắc kiểm tra dữ liệu quan trọng vẫn nên được thực hiện bằng những điều kiện xác định rõ trong chương trình. Khi phát hiện đầu vào không đạt yêu cầu, hệ thống cần có khả năng từ chối tạo tín hiệu thay vì cố gắng đưa ra một kết quả có vẻ hợp lý.

Cuối cùng, khi đánh giá hiệu quả của toàn bộ hệ thống, không nên chỉ nhìn vào lợi nhuận. Mình sẽ muốn biết mô hình có duy trì được khả năng xếp hạng trên dữ liệu ngoài mẫu hay không, lợi nhuận danh mục còn bao nhiêu sau chi phí, mức độ ổn định của tín hiệu ra sao, bao nhiêu phiên dữ liệu đạt tiêu chuẩn và mất bao lâu để tái lập một kết quả nghiên cứu. Nếu Rank IC cải thiện nhưng lợi nhuận sau chi phí không tăng, cần tìm nguyên nhân ở turnover, thanh khoản hoặc cách phân bổ vốn. Nếu drawdown giảm nhờ giới hạn tỷ trọng, cũng phải ghi nhận đúng rằng phần cải thiện đến từ quản trị danh mục, không nhất thiết từ khả năng dự báo của AI. Việc phân tách những nguồn đóng góp như vậy giúp quá trình cải thiện hệ thống đi đúng hướng hơn.

Theo mình, một hệ thống Quant có giá trị không nhất thiết phải là hệ thống có mô hình dự báo phức tạp nhất. Đôi khi, một bộ quy tắc tương đối đơn giản nhưng dữ liệu chính xác, backtest trung thực, chi phí được tính đầy đủ và danh mục có thể triển khai thực tế lại đáng tin cậy hơn một mô hình AI rất mạnh nhưng thiếu khả năng giải thích và kiểm soát. Điều này không có nghĩa chúng ta nên hạn chế ứng dụng AI. Ngược lại, AI rất đáng được khai thác để tự động hóa những công đoạn tốn thời gian, mở rộng phạm vi nghiên cứu và giúp nhà đầu tư tiếp cận các phương pháp định lượng dễ dàng hơn. Chỉ có điều, AI nên được đặt trong một quy trình nghiên cứu nghiêm túc thay vì được xem là nguồn tạo alpha tự động.

Khi các mô hình AI ngày càng mạnh và chi phí sử dụng tiếp tục giảm, lợi thế từ việc đơn thuần sở hữu công cụ có thể sẽ ngày càng nhỏ. Những thứ khó sao chép hơn là bộ dữ liệu được tích lũy và kiểm chứng qua thời gian, lịch sử thử nghiệm đầy đủ, khả năng phát hiện sai lệch, kinh nghiệm xử lý những giai đoạn thị trường bất lợi và kỷ luật không để một kết quả backtest đẹp dẫn dắt toàn bộ quyết định đầu tư.

AI có thể giúp chúng ta nghiên cứu nhanh hơn, thử nghiệm nhiều chiến lược hơn và xử lý lượng dữ liệu lớn hơn. Nhưng alpha bền vững, nếu có, vẫn phải được chứng minh qua dữ liệu, kiểm định ngoài mẫu, chi phí giao dịch và khả năng vận hành thực tế.

Có lẽ câu hỏi đáng quan tâm trong đầu tư định lượng không còn chỉ là "AI nào dự đoán cổ phiếu tốt nhất?", mà nên là "Làm thế nào để xây dựng một hệ thống nghiên cứu đủ chặt chẽ, để ngay cả khi AI đưa ra một kết luận sai, chúng ta vẫn có khả năng phát hiện và kiểm soát được hậu quả?"

Nếu đang xây dựng một hệ thống Quant cho thị trường Việt Nam, mọi người sẽ ưu tiên đầu tư vào model dự báo, chất lượng dữ liệu hay hệ thống backtest và quản trị rủi ro trước?