Enhanced Indexing: Khoảng giữa Passive và Active Quant

PHẦN 1. Passive hay Active: Có một khoảng giữa đáng nghiên cứu

Trong đầu tư cổ phiếu, hai cách tiếp cận quen thuộc là Passive Investing và Active Management. Với Passive, mục tiêu chính là mô phỏng hiệu quả của một chỉ số tham chiếu như VN30, VN100 hoặc S&P 500, đồng thời hạn chế sai lệch và chi phí vận hành. Ngược lại, Active Management cho phép nhà quản lý chủ động lựa chọn cổ phiếu, thay đổi tỷ trọng ngành và chấp nhận sự khác biệt đáng kể so với thị trường để tìm kiếm lợi nhuận vượt trội. Cả hai đều có những ưu điểm riêng, nhưng cũng đặt nhà đầu tư trước một lựa chọn không đơn giản: hoặc chấp nhận mức sinh lời gần với thị trường, hoặc chấp nhận thêm rủi ro từ những quyết định chủ động của nhà quản lý.

Enhanced Indexing nằm ở khoảng giữa hai cách tiếp cận này. Thay vì sao chép hoàn toàn tỷ trọng của benchmark hoặc xây dựng một danh mục quá khác biệt, chiến lược bắt đầu từ cấu trúc của chỉ số rồi thực hiện những điều chỉnh nhỏ dựa trên tín hiệu định lượng. Những cổ phiếu có đặc điểm hấp dẫn về định giá, chất lượng tài chính hoặc xu hướng giá có thể được tăng tỷ trọng tương đối so với benchmark. Ngược lại, những doanh nghiệp có tín hiệu kém hấp dẫn có thể bị giảm tỷ trọng. Mục tiêu không phải tạo ra một danh mục hoàn toàn mới, mà là tìm kiếm một phần excess return bổ sung trong khi vẫn kiểm soát mức độ sai lệch so với chỉ số tham chiếu.

Giả sử một cổ phiếu đang chiếm 5% tỷ trọng của VN100. Nếu mô hình đánh giá doanh nghiệp này có Quality tốt, định giá hợp lý và Momentum tích cực, danh mục Enhanced Indexing có thể nâng tỷ trọng lên 5,5%. Ngược lại, nếu một cổ phiếu khác có tỷ trọng benchmark 5% nhưng đang xuất hiện dấu hiệu suy giảm chất lượng lợi nhuận hoặc định giá trở nên quá cao, danh mục có thể giảm tỷ trọng xuống 4,5%. Phần chênh lệch chỉ khoảng 0,5 điểm phần trăm, không đủ lớn để tạo ra kết quả ngoạn mục chỉ từ một cổ phiếu. Tuy nhiên, khi những điều chỉnh nhỏ được thực hiện một cách có hệ thống trên nhiều doanh nghiệp, chúng có thể tạo ra sự khác biệt về hiệu quả danh mục trong dài hạn nếu tín hiệu thực sự có giá trị dự báo.

Điểm quan trọng là Enhanced Indexing không cố gắng dự báo chính xác cổ phiếu nào sẽ tăng mạnh nhất trong tháng tới. Thay vào đó, mô hình tìm kiếm lợi thế thống kê tương đối nhỏ nhưng có khả năng lặp lại trên nhiều quan sát. Chẳng hạn, nhóm cổ phiếu có định giá hấp dẫn, lợi nhuận ổn định và xu hướng giá tích cực có thể được kỳ vọng hoạt động tốt hơn nhóm có đặc điểm ngược lại. Mỗi lần dự báo có thể sai, nhưng nếu mối quan hệ này đủ ổn định trên số lượng lớn cổ phiếu và qua nhiều giai đoạn thị trường, việc phân bổ tỷ trọng hợp lý có thể giúp danh mục vượt benchmark. Đây là tư duy gần với đầu tư dựa trên factor hơn là việc tìm kiếm một vài cổ phiếu có khả năng tăng giá đột biến.

Khái niệm trung tâm trong Enhanced Indexing là Tracking Error, tức mức độ biến động của phần lợi nhuận chênh lệch giữa danh mục và benchmark. Nếu một danh mục thường xuyên tăng giảm rất khác so với VN100, tracking error sẽ cao. Ngược lại, nếu danh mục duy trì tỷ trọng và mức độ rủi ro gần với chỉ số, tracking error thường thấp hơn. Nhà quản lý Enhanced Indexing không chỉ tìm cách tối đa hóa lợi nhuận dự báo mà còn phải kiểm soát rủi ro sai lệch so với benchmark. Một chiến lược tạo ra alpha cao nhưng liên tục đặt cược quá lớn vào một ngành hoặc một vài cổ phiếu sẽ không còn phù hợp với mục tiêu ban đầu. Tuy nhiên, tracking error thấp không đồng nghĩa với rủi ro tuyệt đối thấp, bởi danh mục vẫn có thể giảm mạnh khi toàn bộ thị trường đi xuống.

Tại Việt Nam, cách tiếp cận này đáng nghiên cứu vì nhiều danh mục đầu tư đã sử dụng VN30, VN100 hoặc VN-Index làm thước đo hiệu quả. Một nhà đầu tư có thể không muốn đánh cược toàn bộ tài sản vào những cổ phiếu được mô hình xếp hạng cao nhất, nhưng vẫn muốn sử dụng dữ liệu để cải thiện danh mục đang nắm giữ. Enhanced Indexing cho phép đặt câu hỏi thực tế hơn: nếu đã lựa chọn VN100 làm danh mục nền tảng, liệu có thể tăng tỷ trọng những doanh nghiệp tốt hơn và giảm tỷ trọng những doanh nghiệp kém hấp dẫn mà không làm danh mục lệch quá xa chỉ số? Đây là một bài toán Quant tương đối rõ ràng vì có benchmark, có giới hạn rủi ro và có thể kiểm định phần hiệu quả bổ sung do mô hình tạo ra.

PHẦN 2. Enhanced Indexing và lợi thế của việc kiểm soát rủi ro bám benchmark

Ngày 26/05/2026, Robeco công bố chiến lược QI Global Enhanced Index Equities, mở rộng nhóm sản phẩm đầu tư cổ phiếu định lượng theo hướng Enhanced Indexing. Theo thông cáo của tổ chức này, chiến lược sử dụng mô hình lựa chọn cổ phiếu có hệ thống, kết hợp nghiên cứu factor, dữ liệu và quản trị rủi ro trong quá trình xây dựng danh mục. Mục tiêu là mang lại tiềm năng lợi nhuận cao hơn sản phẩm thụ động truyền thống nhưng vẫn duy trì mức độ rủi ro được kiểm soát. Robeco cũng cho biết họ đã phát triển các giải pháp Enhanced Indexing trong nhiều năm tại những thị trường phát triển và mới nổi. Tuy nhiên, cần hiểu đây là thông tin do chính nhà quản lý công bố về chiến lược và sản phẩm, chưa phải một kiểm định độc lập chứng minh phương pháp luôn vượt benchmark sau chi phí.

Điểm đáng quan tâm trong cách tiếp cận của Robeco là việc kết hợp nhiều nguồn tín hiệu thay vì phụ thuộc vào một factor duy nhất. Các chiến lược Enhanced Indexing của tổ chức này sử dụng những yếu tố như Value, Quality, Momentum, thay đổi dự báo của nhà phân tích và các tín hiệu ngắn hạn để đánh giá triển vọng tương đối giữa các cổ phiếu. Về mặt kinh tế, Value tìm kiếm doanh nghiệp có mức định giá hấp dẫn so với đặc điểm cơ bản; Quality tập trung vào khả năng sinh lời, sức khỏe tài chính và tính bền vững của hoạt động kinh doanh; trong khi Momentum phản ánh xu hướng vận động của giá và sự điều chỉnh kỳ vọng của thị trường. Những nguồn tín hiệu này có thể bổ sung cho nhau, nhưng cũng có thể suy yếu trong những giai đoạn nhất định. Vì vậy, việc kết hợp factor phải được kiểm định thay vì mặc định rằng càng nhiều tín hiệu thì danh mục càng tốt.

Một bài toán quan trọng trong Enhanced Indexing là khả năng chuyển tín hiệu dự báo thành tỷ trọng đầu tư thực tế, thường được gọi là hiệu quả chuyển giao tín hiệu. Giả sử mô hình đánh giá một cổ phiếu có expected excess return rất cao, nhưng cổ phiếu đó đã chiếm tỷ trọng lớn trong benchmark hoặc thuộc ngành đang bị danh mục phân bổ quá mức. Khi đó, nhà quản lý không thể đơn giản tăng tỷ trọng theo đúng mức độ hấp dẫn của score mà phải xem xét giới hạn tập trung, thanh khoản và tracking risk. Một optimizer tốt cần cân bằng giữa lợi nhuận kỳ vọng và những ràng buộc này. Mục tiêu không phải tạo ra danh mục có tổng điểm AI cao nhất, mà là tìm một danh mục có hiệu quả kỳ vọng tốt trong phạm vi rủi ro và chi phí mà nhà đầu tư có thể chấp nhận.

Chẳng hạn, nếu mô hình liên tục xếp các cổ phiếu ngân hàng vào nhóm tốt nhất, một chiến lược Active có thể tăng mạnh tỷ trọng ngân hàng để tối đa hóa lợi nhuận dự báo. Nhưng với Enhanced Indexing, mức chênh lệch tỷ trọng ngành so với benchmark có thể được giới hạn trước. Khi đó, hệ thống phải lựa chọn những cổ phiếu ngân hàng hấp dẫn hơn trong nội bộ ngành, hoặc tìm các cơ hội tương đương ở những ngành khác, thay vì biến toàn bộ danh mục thành một khoản cược vào xu hướng ngân hàng. Cách tiếp cận này giúp giảm rủi ro kết quả đầu tư bị chi phối bởi một quyết định phân bổ ngành duy nhất. Đổi lại, chiến lược có thể bỏ lỡ một phần lợi nhuận khi một ngành tăng mạnh vượt trội, nhưng đó là sự đánh đổi phù hợp với mục tiêu kiểm soát tracking error.

Điều này cũng cho thấy một chiến lược có Rank IC tốt chưa chắc tạo ra Enhanced Indexing hiệu quả. Rank IC đo khả năng xếp hạng lợi nhuận tương đối giữa các cổ phiếu, trong khi hiệu quả danh mục còn phụ thuộc vào cách chuyển thứ hạng thành active weights. Nếu những cổ phiếu được xếp hạng cao nhất có thanh khoản thấp, đã chiếm tỷ trọng lớn hoặc thường xuyên thay đổi vị trí, việc tăng giảm tỷ trọng có thể tạo ra chi phí đáng kể. Một mô hình cải thiện khả năng dự báo nhưng làm turnover tăng mạnh chưa chắc giúp danh mục đạt lợi nhuận ròng tốt hơn. Vì vậy, nghiên cứu cần đánh giá toàn bộ chuỗi từ factor signal, stock ranking, portfolio optimization đến execution, thay vì chỉ xem chỉ tiêu dự báo của mô hình.

Một thước đo phù hợp để đánh giá Enhanced Indexing là Information Ratio, được tính bằng mức excess return bình quân năm chia cho tracking error năm hóa trong cùng phương pháp đo lường. Ví dụ, nếu danh mục tạo ra mức lợi nhuận vượt benchmark 1% mỗi năm với tracking error 2% mỗi năm, Information Ratio tương ứng khoảng 0,5. Đây chỉ là ví dụ minh họa, không phải mức hiệu quả đã được chứng minh trên thị trường Việt Nam. Ý nghĩa của chỉ tiêu này là giúp đánh giá phần lợi nhuận bổ sung trong tương quan với rủi ro sai lệch mà chiến lược đã chấp nhận. Một danh mục tạo ra excess return cao hơn nhưng tracking error tăng nhiều lần chưa chắc mang lại hiệu quả sử dụng ngân sách rủi ro tốt hơn.

Nguồn tham khảo chính của chủ đề là thông cáo “Robeco launches QI Global Enhanced Index Equities, expanding its global quant offering”, công bố ngày 26/05/2026. Đây là ví dụ cho xu hướng kết hợp quản lý danh mục theo chỉ số với các tín hiệu lựa chọn cổ phiếu định lượng. Tuy nhiên, những mục tiêu về lợi nhuận và rủi ro do nhà quản lý nêu ra không nên được xem là bảo đảm về hiệu quả đầu tư. Việc áp dụng phương pháp tương tự tại Việt Nam vẫn cần dữ liệu lịch sử riêng, giả định giao dịch phù hợp và quá trình backtest độc lập. Một chiến lược được thiết kế cho thị trường toàn cầu không thể được chuyển nguyên sang VN100 mà bỏ qua sự khác biệt về cấu trúc ngành, mức độ tập trung vốn hóa và thanh khoản.

PHẦN 3. Xây dựng Enhanced Indexing cho VN100 bằng Factor Score và Tracking-Error Budget

Nếu triển khai một chiến lược Enhanced Indexing trên VN100, bước đầu tiên nên là xây dựng danh mục benchmark đúng với thành phần và tỷ trọng của chỉ số tại từng thời điểm lịch sử. Không nên sử dụng danh sách cổ phiếu hiện tại để backtest ngược nhiều năm, bởi thành phần chỉ số đã thay đổi qua các kỳ rà soát. Đồng thời, cần xử lý nhất quán các sự kiện doanh nghiệp, cổ tức, chia tách cổ phiếu và phương pháp tính lợi nhuận của benchmark. Nếu danh mục mô phỏng được đánh giá theo total return nhưng benchmark chỉ sử dụng biến động giá, kết quả excess return có thể bị sai lệch ngay từ cách đo lường. Vì vậy, việc tái tạo chính xác benchmark nên được xem là bước kiểm định nền tảng trước khi bổ sung bất kỳ mô hình Machine Learning nào.

Sau khi có benchmark, có thể xây dựng Composite Score dựa trên ba nhóm factor tương đối dễ giải thích: Value, Quality và Momentum. Value phản ánh mức độ hấp dẫn của định giá thông qua các chỉ tiêu phù hợp với từng ngành; Quality đánh giá hiệu quả hoạt động, dòng tiền, khả năng sinh lời và sức khỏe bảng cân đối kế toán; còn Momentum xem xét xu hướng giá trong các khoảng thời gian xác định. Các feature cần được chuẩn hóa để có thể so sánh giữa doanh nghiệp, đồng thời xử lý đặc thù ngành, chẳng hạn không sử dụng cùng một định nghĩa nợ vay cho ngân hàng và doanh nghiệp sản xuất. Mô hình cũng phải đảm bảo thông tin đầu vào đã có sẵn tại thời điểm hình thành tín hiệu. Với dữ liệu tài chính Việt Nam, ngày công bố và các phiên bản báo cáo điều chỉnh là những yếu tố cần được lưu riêng, tránh sử dụng thông tin tương lai trong backtest.

Bước tiếp theo là chuyển Composite Score thành mức điều chỉnh tỷ trọng so với benchmark. Ví dụ, nếu một cổ phiếu có tỷ trọng VN100 là 4% và nằm trong nhóm được đánh giá cao, danh mục có thể tăng lên 4,3%. Trong khi đó, một cổ phiếu khác có tỷ trọng 3% nhưng score thấp có thể bị giảm xuống 2,7%. Các mức tăng giảm phải được cân đối để tổng tỷ trọng danh mục đáp ứng giới hạn đầu tư đã xác định. Đồng thời, optimizer cần xem xét mức chênh lệch theo ngành, vốn hóa và các nguồn rủi ro chung để tránh tình trạng nhiều active weights nhỏ cộng lại thành một khoản cược lớn vào cùng một yếu tố. Những con số trên chỉ nhằm minh họa cơ chế Enhanced Indexing, không phải tỷ trọng khuyến nghị cho bất kỳ cổ phiếu cụ thể nào.

Về mặt kiểm soát rủi ro, có thể bắt đầu thí nghiệm bằng một tracking-error budget giả định, chẳng hạn 2% mỗi năm, kết hợp giới hạn mức overweight hoặc underweight của từng cổ phiếu và mức chênh lệch tỷ trọng ngành so với VN100. Đây là tham số nghiên cứu cần được hiệu chỉnh theo dữ liệu thực tế, không phải ngưỡng phù hợp mặc định cho mọi danh mục. Nếu danh mục dự kiến vượt giới hạn tracking error, optimizer phải giảm các vị thế chủ động hoặc điều chỉnh chúng để đưa rủi ro về mức cho phép. Việc ước lượng tracking error cũng cần dựa trên mô hình covariance đủ ổn định, bởi rủi ro dự báo có thể khác đáng kể rủi ro thực tế trong những giai đoạn thị trường biến động mạnh. Một hệ thống Enhanced Indexing đáng tin cậy không chỉ có khả năng tối ưu lợi nhuận mà còn phải giải thích được nguồn rủi ro khiến danh mục lệch khỏi benchmark.

Trong điều kiện thị trường Việt Nam, turnover và thanh khoản nên được đưa vào bài toán tối ưu ngay từ đầu. Nếu mô hình cập nhật score hằng ngày và liên tục thay đổi thứ hạng cổ phiếu, danh mục có thể phải giao dịch quá thường xuyên để theo kịp tín hiệu. Điều này làm phát sinh phí giao dịch, thuế bán, trượt giá và tác động thị trường. Một phương án cần kiểm định là tái cân bằng theo tháng hoặc theo kỳ cố định, kết hợp ngưỡng thay đổi tỷ trọng tối thiểu trước khi phát sinh lệnh. Cách làm này có thể bỏ lỡ một số tín hiệu ngắn hạn, nhưng đổi lại giúp hạn chế chi phí thực hiện. Quan trọng hơn, mức lợi nhuận bổ sung của Enhanced Indexing thường được kỳ vọng không quá lớn, nên chỉ một mức chi phí giao dịch tăng nhẹ cũng có thể làm mất đáng kể hiệu quả chiến lược.

Để đánh giá phương pháp một cách công bằng, tôi sẽ so sánh ba danh mục trên cùng bộ dữ liệu: danh mục mô phỏng VN100 theo tỷ trọng benchmark, danh mục Enhanced Indexing với những active tilts nhỏ và danh mục Active lựa chọn nhóm cổ phiếu có Composite Score cao nhất. Cả ba cần sử dụng cùng giả định về thời điểm ra quyết định, giá thực hiện, chi phí giao dịch và điều kiện thanh khoản. Kết quả nên được đánh giá qua annualized return, excess return, tracking error, Information Ratio, turnover, drawdown và mức độ tập trung danh mục. Nếu Enhanced Indexing tạo được phần lợi nhuận bổ sung tương đối ổn định với tracking error thấp, đó sẽ là bằng chứng ủng hộ cách tiếp cận. Ngược lại, nếu hiệu quả chỉ xuất hiện khi nới lỏng đáng kể các giới hạn rủi ro, chiến lược có thể đang dần chuyển sang Active Management thay vì giữ đúng bản chất Enhanced Indexing.

Một phép kiểm định khác cần thực hiện là phân tích hiệu quả theo từng trạng thái thị trường. Trong giai đoạn VN100 tăng mạnh nhờ một vài cổ phiếu vốn hóa lớn, Enhanced Indexing có thể hoạt động kém hơn nếu danh mục giảm tỷ trọng các cổ phiếu đó vì định giá cao. Ngược lại, khi thị trường có sự phân hóa lớn giữa các doanh nghiệp, những tín hiệu Quality hoặc Value có thể có điều kiện thuận lợi hơn để phát huy tác dụng. Cần đánh giá xem phần excess return đến từ năng lực lựa chọn cổ phiếu trong từng ngành hay chủ yếu từ việc tăng giảm tỷ trọng giữa các ngành. Nếu không phân tách được những nguồn đóng góp này, nhà nghiên cứu rất dễ nhầm lẫn một giai đoạn factor thuận lợi với khả năng tạo alpha bền vững của mô hình.

Khi đưa mô hình vào một nền tảng phân tích cổ phiếu, kết quả không nên chỉ được hiển thị dưới dạng một điểm số AI hoặc danh sách cổ phiếu nên mua. Người dùng cần nhìn thấy tỷ trọng benchmark, tỷ trọng đề xuất, active weight, các factor đóng góp và mức độ tác động đến tracking risk của danh mục. Chẳng hạn, nếu mô hình đề xuất tăng tỷ trọng một cổ phiếu từ 3% lên 3,4%, hệ thống nên cho biết sự điều chỉnh đến từ Quality cải thiện, Momentum tích cực hay định giá trở nên hấp dẫn hơn. Đồng thời, cần hiển thị thời điểm dữ liệu được cập nhật, phiên bản mô hình và trạng thái hợp lệ của tín hiệu. Nếu dữ liệu thiếu hoặc chưa được xác nhận, hệ thống nên giữ trạng thái không khả dụng hoặc áp dụng quy tắc dự phòng đã xác định trước, thay vì tự động tạo score không có cơ sở kiểm chứng.

Về dài hạn, Enhanced Indexing cũng cần một cơ chế giám sát sau khi triển khai. Các chỉ số như realized tracking error, active return, factor exposure và turnover cần được đối chiếu thường xuyên với mức dự kiến ban đầu. Nếu tracking error thực tế tăng cao, chiến lược cần được kiểm tra lại mô hình rủi ro, sự thay đổi tương quan giữa các cổ phiếu và những vị thế đang tạo ra sai lệch lớn. Nếu phần excess return liên tục âm sau chi phí, cần xác định nguyên nhân nằm ở chất lượng factor, phương pháp chuyển tín hiệu thành tỷ trọng hay chi phí giao dịch. Việc có sẵn quy trình đánh giá như vậy giúp hệ thống không chỉ biết khi nào chiến lược hoạt động tốt, mà còn nhận diện thời điểm cần giảm mức độ tin cậy vào mô hình.

Enhanced Indexing cho thấy một bài học đáng chú ý trong Quant Investing: không phải mọi nguồn alpha đều cần được khai thác bằng những khoản cược lớn. Trong nhiều trường hợp, một tín hiệu có khả năng dự báo tương đối nhỏ nhưng ổn định có thể hữu ích hơn khi được sử dụng để điều chỉnh một danh mục benchmark, thay vì trở thành cơ sở cho chiến lược Active quá tập trung. Tuy nhiên, lợi thế đó chỉ thực sự có ý nghĩa nếu phần lợi nhuận bổ sung tồn tại sau khi tính đến tracking risk, turnover, thanh khoản và chi phí triển khai.

Với Việt Nam, hướng nghiên cứu đáng quan tâm không nhất thiết là xây dựng ngay một hệ thống AI liên tục tìm ra cổ phiếu có khả năng tăng mạnh nhất. Một bước thực tế hơn có thể là sử dụng Value, Quality và Momentum để cải thiện danh mục VN100 trong những giới hạn rủi ro được xác định trước. Nếu phương pháp đơn giản này chưa tạo ra hiệu quả ngoài mẫu đủ thuyết phục, việc bổ sung Deep Learning hoặc những thuật toán phức tạp hơn cũng chưa chắc giải quyết được vấn đề.

Alpha hữu ích nhất đôi khi không phải tín hiệu đủ mạnh để thay thế benchmark, mà là tín hiệu giúp cải thiện benchmark một cách nhất quán, có thể kiểm định và phù hợp với khả năng giao dịch thực tế.