Quant nên dự báo Giá hay Return?

PHẦN 1. Dự báo giá ngày mai hay dự báo lợi nhuận trong tương lai?

Một trong những cách tiếp cận phổ biến nhất khi ứng dụng machine learning vào chứng khoán là sử dụng dữ liệu lịch sử để dự báo mức giá tương lai. Chẳng hạn, cổ phiếu đang giao dịch ở mức 50.000 đồng và mô hình dự báo giá sau năm phiên sẽ đạt 51.000 đồng. Kết quả này rất dễ hiểu, dễ hiển thị trên biểu đồ và cũng phù hợp với cách nhiều nhà đầu tư cá nhân suy nghĩ về thị trường. Tuy nhiên, dưới góc độ Quant, việc dự báo đúng mức giá tuyệt đối chưa chắc đồng nghĩa với khả năng tạo ra lợi nhuận đầu tư. Giá cổ phiếu thường có tính phụ thuộc rất mạnh vào mức giá gần nhất, khiến một mô hình đơn giản luôn dự báo giá ngày mai gần bằng giá hôm nay vẫn có thể đạt sai số tương đối thấp. Nếu thị trường ít biến động, mô hình gần như không cần phát hiện bất kỳ tín hiệu mới nào mà vẫn tạo ra kết quả dự báo có vẻ chính xác. Vấn đề nằm ở chỗ sai số dự báo giá đo mức độ gần nhau giữa hai con số, trong khi quyết định đầu tư lại phụ thuộc vào mức sinh lời, rủi ro và khả năng lựa chọn cơ hội tốt hơn các phương án thay thế.

Hãy xét một ví dụ đơn giản. Nếu cổ phiếu có giá 50.000 đồng và tăng lên 51.000 đồng sau năm phiên, mức sinh lời tương ứng là 2%. Nhưng nếu trong cùng giai đoạn, chỉ số tham chiếu tăng 3%, cổ phiếu này thực chất đang hoạt động kém hơn thị trường 1 điểm phần trăm. Một mô hình dự báo giá có thể được xem là khá chính xác nếu dự báo gần mức 51.000 đồng, nhưng thông tin đó chưa đủ để khẳng định cổ phiếu là lựa chọn hấp dẫn. Nhà đầu tư còn phải xem liệu việc mua cổ phiếu có tốt hơn nắm giữ danh mục thị trường, lựa chọn một cổ phiếu khác hay đơn giản là giữ tiền mặt. Khi chuyển mục tiêu từ price level sang future return, câu hỏi nghiên cứu bắt đầu dịch chuyển từ “giá sẽ là bao nhiêu?” sang “mức lợi nhuận có thể đạt được là bao nhiêu?”. Nếu tiếp tục điều chỉnh theo benchmark hoặc ngành, mô hình sẽ hướng đến việc tìm kiếm excess return, tức phần hiệu quả vượt lên trên biến động chung của thị trường.

Sự khác biệt này đặc biệt quan trọng với thị trường chứng khoán Việt Nam, nơi nhiều cổ phiếu có thể tăng hoặc giảm cùng chiều trong những giai đoạn dòng tiền lan tỏa mạnh. Khi thị trường bước vào một nhịp tăng giá rộng, mô hình dự báo return dương cho phần lớn cổ phiếu có thể đạt tỷ lệ dự báo đúng chiều tương đối cao mà không cần phân biệt rõ doanh nghiệp nào tốt hơn. Ngược lại, trong một đợt điều chỉnh mạnh, một mô hình dự báo lợi nhuận âm cho nhiều cổ phiếu cũng có thể cho kết quả tốt về mặt phân loại. Nhưng nếu mục tiêu cuối cùng là lựa chọn cổ phiếu, khả năng dự báo đúng xu hướng chung chưa đủ để tạo ra alpha. Điều đáng quan tâm hơn là trong cùng một ngày, mô hình có xếp những cổ phiếu sau đó vượt thị trường lên trên nhóm hoạt động kém hơn hay không. Đây chính là lý do các phương pháp cross-sectional ranking ngày càng được quan tâm trong nghiên cứu định lượng.

Tuy nhiên, không nên hiểu rằng dự báo giá là một bài toán sai trong mọi trường hợp. Nếu một mô hình dự báo price level được chuẩn hóa hợp lý, sử dụng hàm mất mát phù hợp và chuyển đổi kết quả thành lợi nhuận kỳ vọng, nó vẫn có thể phục vụ tốt cho quyết định đầu tư. Về mặt toán học, khi biết giá tham chiếu, giá dự báo và return dự báo có thể được chuyển đổi qua lại. Sự khác biệt quan trọng nằm ở cách xác định target, cách tối ưu mô hình và tiêu chuẩn đánh giá. Một mô hình tối thiểu hóa sai số giá bằng đồng có thể ưu tiên những cổ phiếu có mức giá danh nghĩa cao, trong khi nhà đầu tư thường quan tâm đến thay đổi theo tỷ lệ phần trăm hoặc lợi nhuận đã điều chỉnh rủi ro. Vì vậy, thay đổi từ price sang return không tự động tạo ra alpha, nhưng có thể khiến quá trình huấn luyện và kiểm định phù hợp hơn với mục tiêu đầu tư thực tế.

Một hướng nghiên cứu có ý nghĩa hơn là đặt bài toán lựa chọn cổ phiếu theo tương quan giữa các mã tại cùng thời điểm. Giả sử trong một tập gồm 100 cổ phiếu, mô hình không thể dự báo chính xác cổ phiếu A sẽ tăng 2,3% hay 3,1%, nhưng thường xuyên nhận diện được rằng A có triển vọng tốt hơn B và C trong năm phiên kế tiếp. Khi đó, dự báo có thể không quá xuất sắc nếu đo bằng MAE hay RMSE, nhưng vẫn mang giá trị đối với việc xây dựng danh mục. Với phương pháp cross-sectional ranking, trọng tâm chuyển sang mức độ nhất quán giữa thứ hạng dự báo và thứ hạng lợi nhuận thực tế. Mô hình không nhất thiết phải trả lời đúng từng mức giá, mà cần tạo ra sự phân biệt có ích giữa những lựa chọn đầu tư. Đây là thay đổi quan trọng trong cách đánh giá AI tài chính: một thuật toán không cần chính xác tuyệt đối để hữu ích, nhưng phải chứng minh rằng thông tin nó tạo ra giúp cải thiện quyết định phân bổ vốn.

Ở chiều ngược lại, một mô hình có khả năng xếp hạng rất tốt vẫn có thể khiến nhà đầu tư thua lỗ nếu toàn bộ thị trường giảm mạnh. Khi nhóm cổ phiếu đứng đầu giảm 2% còn nhóm cuối giảm 8%, mô hình đã phân biệt hiệu quả tương đối khá tốt, nhưng danh mục mua thực tế vẫn có lợi nhuận âm. Vì vậy, stock selection không thể hoàn toàn tách rời market timing và quản trị rủi ro. Với thị trường Việt Nam, nơi chiến lược mua cổ phiếu cơ sở phổ biến hơn chiến lược long-short, một hệ thống chỉ xếp hạng tương đối sẽ chưa đủ. Nhà đầu tư còn cần biết mức lợi nhuận tuyệt đối kỳ vọng, độ bất định của dự báo và trạng thái thị trường chung. Một cổ phiếu đứng đầu bảng xếp hạng trong thị trường giảm mạnh không nhất thiết là tín hiệu mua ngay lập tức.

Đây cũng là lý do khi đọc một biểu đồ hiệu quả chiến lược, tôi thường quan tâm đến nguồn gốc lợi nhuận hơn là chỉ nhìn tỷ suất sinh lời cuối cùng. Nếu một mô hình tạo ra kết quả tốt chủ yếu nhờ liên tục nắm giữ những cổ phiếu có beta cao trong giai đoạn thị trường tăng, phần lợi nhuận đó chưa chắc phản ánh khả năng dự báo vượt trội. Tương tự, nếu mô hình chỉ tạo hiệu quả trong một vài nhóm ngành thuận lợi, cần xác định đó là năng lực lựa chọn doanh nghiệp hay chỉ là hệ quả của phân bổ ngành. Một nghiên cứu Quant có tính thuyết phục phải cho thấy phần lợi nhuận đến từ đâu, điều kiện nào khiến nó tồn tại và liệu nó còn hiệu quả sau khi kiểm soát thị trường, các factor phổ biến và chi phí giao dịch hay không. Sự phức tạp của thuật toán không thể thay thế cho một lời giải thích kinh tế hợp lý.

PHẦN 2. Target definition quyết định bản chất mô hình

Một nghiên cứu đáng chú ý là working paper “A Deep Multi-Factor Framework for Cross-Sectional Stock Return Ranking via Market-State Attention Pooling” của Yuxun Wu và Chuanchang Liu, được đăng trên SSRN ngày 18/06/2026. Thay vì chỉ dự báo chuỗi lợi nhuận của từng cổ phiếu một cách độc lập, nhóm tác giả đặt bài toán dưới dạng xếp hạng lợi nhuận tương đối giữa các cổ phiếu trên thị trường A-share Trung Quốc. Phương pháp được mô tả kết hợp các factor có thể diễn giải về kinh tế với quá trình chuẩn hóa theo ngành và theo mặt cắt thị trường, đồng thời sử dụng cơ chế attention pooling để nắm bắt thông tin trạng thái thị trường và mối quan hệ giữa các cổ phiếu. Theo kết quả được tác giả công bố, phương pháp này cải thiện một số chỉ tiêu như Information Coefficient, excess return thường niên và Information Ratio so với các mô hình đối chứng trong mẫu nghiên cứu của họ. Tuy nhiên, đây là kết quả được báo cáo trên dữ liệu A-share, không phải bằng chứng rằng cùng kiến trúc sẽ tạo ra hiệu quả tương tự khi áp dụng vào HOSE hoặc VN100.

Giá trị phương pháp luận của nghiên cứu nằm ở cách xác định đúng mục tiêu cần tối ưu. Khi nhà đầu tư xây dựng danh mục từ hàng trăm cổ phiếu, quyết định thực tế thường không phải lựa chọn duy nhất một mã có giá tương lai gần với mức dự báo nhất. Thay vào đó, họ cần phân biệt nhóm cổ phiếu có triển vọng tương đối tốt và nhóm có triển vọng kém hơn, sau đó phân bổ vốn theo rủi ro, thanh khoản và những ràng buộc của danh mục. Một mô hình được tối ưu trực tiếp cho khả năng xếp hạng có thể phù hợp hơn với mục tiêu này so với mô hình chỉ giảm sai số dự báo tuyệt đối. Dù vậy, việc xếp hạng chỉ phát huy giá trị nếu universe được xác định hợp lý, dữ liệu giữa các cổ phiếu có thể so sánh và hệ thống đánh giá được thiết kế phù hợp với phương thức giao dịch thực tế. Cross-sectional ranking vì thế là một hướng nghiên cứu đáng thử nghiệm, không phải lời giải mặc định cho mọi bài toán dự báo tài chính.

Một chi tiết kỹ thuật thường bị xem nhẹ là return phải được tính từ mức giá nào. Nếu hệ thống sử dụng toàn bộ dữ liệu đến cuối phiên T để xây dựng tín hiệu, thời điểm sớm nhất có thể ra quyết định sau khi tín hiệu hoàn thành thường nằm ở phiên giao dịch tiếp theo. Khi đó, một mô hình giả định mua tại giá đóng cửa T sẽ có nguy cơ tạo ra look-ahead bias, bởi nó đang sử dụng mức giá mà nhà đầu tư không thể chắc chắn thực hiện sau khi đã quan sát đầy đủ dữ liệu của phiên. Với chiến lược dự báo năm phiên, có thể thiết kế quy trình theo hướng phát tín hiệu sau phiên T, giả định thực hiện mua trong phiên T+1 và xác định thời điểm bán sau đúng năm phiên nắm giữ theo một quy tắc nhất quán. Return dùng để huấn luyện và đánh giá phải tương ứng với chính cửa sổ giao dịch đó, thay vì tùy tiện lấy giá đóng cửa T+5 chia cho giá đóng cửa T rồi coi đây là lợi nhuận có thể kiếm được.

Đối với Việt Nam, cần phân biệt rõ kỳ hạn dự báo T+3 hoặc T+5 với chu kỳ thanh toán chứng khoán. Theo cơ chế được VSDC công bố, giao dịch cổ phiếu cơ sở áp dụng chu kỳ thanh toán T+2. Trong khi đó, T+3 hay T+5 của một mô hình dự báo có thể được định nghĩa là ba hoặc năm phiên giao dịch sau thời điểm phát tín hiệu, hoặc sau thời điểm thực hiện mua, tùy thiết kế nghiên cứu. Hai khái niệm này phục vụ những mục đích khác nhau và không nên sử dụng lẫn lộn. Một mô hình có thể dự báo lợi nhuận sau ba phiên, nhưng chiến lược vẫn phải kiểm tra thời điểm chứng khoán về tài khoản, khả năng bán và điều kiện khớp lệnh. Nếu thiếu định nghĩa thống nhất, hai mô hình cùng được ghi là “Forecast T+5” có thể đang dự báo hai khoảng thời gian hoàn toàn khác nhau, khiến mọi so sánh về độ chính xác trở nên thiếu giá trị.

Ngoài thời điểm giao dịch, target còn phụ thuộc vào cách xử lý cổ tức, chia tách cổ phiếu và các sự kiện doanh nghiệp. Nếu cổ phiếu điều chỉnh giá sau ngày giao dịch không hưởng quyền, mức thay đổi của giá niêm yết không nhất thiết phản ánh đúng lợi nhuận kinh tế của người nắm giữ cổ phiếu. Trong nghiên cứu lịch sử, cần sử dụng chuỗi giá được điều chỉnh phù hợp hoặc xây dựng total return có tính đến quyền lợi của cổ đông, đồng thời bảo đảm quá trình điều chỉnh không đưa thông tin tương lai vào bộ feature. Nếu mục tiêu là lợi nhuận giao dịch sau chi phí, cũng cần phân biệt giá dùng để tính lợi nhuận kinh tế với giá có thể thực hiện lệnh. Đây không chỉ là vấn đề kỹ thuật dữ liệu, bởi một sai lệch nhỏ trong cách xây dựng nhãn có thể khiến mô hình học được các quy luật không tồn tại trong thực tế.

Một vấn đề quan trọng khác là sự chồng lấn giữa các nhãn dự báo. Nếu mỗi ngày hệ thống tạo một nhãn return cho năm phiên tiếp theo, nhãn được tạo hôm nay và nhãn được tạo ngày mai sẽ chia sẻ phần lớn khoảng thời gian quan sát tương lai. Điều này khiến các quan sát không độc lập, đồng thời tạo ra nguy cơ rò rỉ thông tin nếu dữ liệu được chia train và test theo cách ngẫu nhiên hoặc không loại bỏ những cửa sổ nhãn chồng lấn tại ranh giới. Một quy trình walk-forward có kiểm soát khoảng thời gian của nhãn, kết hợp purging khi cần thiết, sẽ phù hợp hơn với cấu trúc dữ liệu tài chính. Tương tự, khi đánh giá ý nghĩa thống kê của Rank IC hoặc lợi nhuận chiến lược, cần tính đến tự tương quan do các kỳ nắm giữ chồng lấn. Nếu chỉ áp dụng t-test thông thường lên chuỗi kết quả hằng ngày mà bỏ qua sự phụ thuộc này, mức độ chắc chắn của kết luận có thể bị đánh giá quá cao.

Sự khác biệt giữa absolute return và excess return cũng cần được xác định từ mục tiêu đầu tư. Nếu một mô hình phục vụ lựa chọn cổ phiếu vượt VN100, việc trừ return của benchmark có thể giúp tập trung vào phần hiệu quả tương đối. Nhưng nếu mục tiêu là tìm cổ phiếu vượt các doanh nghiệp cùng ngành, industry-relative return có thể thích hợp hơn. Hai mục tiêu không hoàn toàn giống nhau, bởi một cổ phiếu đứng đầu ngành vẫn có thể hoạt động kém hơn thị trường chung nếu toàn bộ ngành đi xuống. Ngược lại, một cổ phiếu có excess return dương so với VN100 có thể chỉ hưởng lợi từ việc ngành của nó tăng mạnh chứ không thể hiện khả năng vượt trội trong nội bộ ngành. Vì vậy, một hệ thống Quant hoàn chỉnh nên đánh giá đồng thời nhiều lớp hiệu quả, thay vì xem một target duy nhất là đại diện đầy đủ cho alpha.

Cần nhấn mạnh rằng nghiên cứu của Wu và Liu cung cấp một hướng tiếp cận có cơ sở để thảo luận về cross-sectional stock ranking, chứ không phải một mô hình đã được xác nhận phù hợp với Việt Nam. Thị trường A-share có đặc điểm riêng về quy mô cổ phiếu, cấu trúc ngành, mức độ giao dịch và điều kiện dữ liệu. Những quan hệ được mô hình học trên dữ liệu Trung Quốc có thể không tồn tại, hoặc tồn tại với cường độ khác, trên thị trường Việt Nam. Khi chuyển giao phương pháp, điều quan trọng không phải sao chép nguyên kiến trúc attention pooling mà là kiểm tra giả thuyết cốt lõi: liệu thông tin tương đối giữa các cổ phiếu có giúp cải thiện khả năng lựa chọn danh mục hay không. Nếu một mô hình đơn giản sử dụng các factor cơ bản đã đạt hiệu quả tương đương, sự phức tạp bổ sung của deep learning cần được cân nhắc về chi phí tính toán, khả năng giải thích và rủi ro overfitting.

Nguồn tham khảo chính của phần này là working paper “A Deep Multi-Factor Framework for Cross-Sectional Stock Return Ranking via Market-State Attention Pooling”, Yuxun Wu và Chuanchang Liu, SSRN, ngày 18/06/2026. Những quy tắc thiết kế nhãn, chia dữ liệu, mô phỏng giao dịch và ứng dụng tại Việt Nam được trình bày trong bài là các đề xuất nghiên cứu bổ sung, không nên hiểu là toàn bộ đã được nhóm tác giả trực tiếp kiểm định trên thị trường Việt Nam.

PHẦN 3. Thiết kế nhãn return có thể giao dịch và không leakage

Nếu triển khai một pipeline nghiên cứu trên VN100, tôi sẽ không loại bỏ hoàn toàn dự báo giá, nhưng sẽ thay đổi thứ tự ưu tiên của các đầu ra. Thay vì xem price T+5 là kết quả chính, hệ thống nên tập trung vào expected return, khả năng tạo excess return dương và thứ hạng tương đối giữa các cổ phiếu. Giá mục tiêu khi đó có thể được tính lại từ return dự báo để phục vụ nhu cầu hiển thị trực quan, nhưng không nên là tiêu chuẩn duy nhất đánh giá chất lượng mô hình. Cách tiếp cận này giúp tách bạch hai nhu cầu khác nhau: người dùng cá nhân muốn biết mức giá tham khảo trong tương lai, còn hệ thống Quant cần xác định cổ phiếu nào có triển vọng tốt hơn những lựa chọn khác. Khi cả hai đầu ra cùng được xây dựng từ một định nghĩa thời điểm và giá tham chiếu thống nhất, việc phân tích và kiểm toán cũng trở nên rõ ràng hơn.

Một ví dụ minh họa có thể bắt đầu với cổ phiếu đang có giá đóng cửa 50.000 đồng. Giả sử mô hình dự báo return năm phiên là 2%, giá mục tiêu tham khảo sẽ tương ứng với 51.000 đồng. Tuy nhiên, nếu tín hiệu chỉ xuất hiện sau khi thị trường đóng cửa và giá mua thực tế trong phiên tiếp theo là 50.500 đồng, lợi nhuận trước chi phí khi bán ở mức 51.000 đồng chỉ còn khoảng 0,99%. Nếu cộng thêm phí giao dịch, thuế bán và trượt giá, lợi nhuận ròng sẽ tiếp tục giảm. Trong trường hợp benchmark tăng mạnh hơn trong cùng khoảng thời gian, chiến lược có thể còn không tạo ra excess return. Ví dụ này cho thấy sự cần thiết của việc tách return dùng để mô tả biến động thị trường khỏi return có thể thực hiện trong danh mục. Một mức giá dự báo nhìn có vẻ hấp dẫn chưa chắc mang lại cơ hội giao dịch đủ tốt.

Về mặt nghiên cứu, có thể thử nghiệm song song một mô hình dự báo return tuyệt đối và một mô hình xếp hạng cổ phiếu theo excess return. Mô hình thứ nhất trả lời liệu cổ phiếu có khả năng tăng hay giảm bao nhiêu trong kỳ hạn quan sát, trong khi mô hình thứ hai tập trung xác định cổ phiếu nào có triển vọng tốt hơn phần còn lại của universe. Thêm một mô hình phân loại xác suất excess return dương có thể giúp đánh giá mức độ chắc chắn của tín hiệu, nhưng xác suất này cần được hiệu chỉnh và kiểm định bằng dữ liệu ngoài mẫu. Chẳng hạn, nếu trong nhiều lần dự báo mô hình gán xác suất khoảng 70%, tỷ lệ xảy ra thực tế của sự kiện tương ứng cũng nên được kiểm tra để xem mức xác suất có đáng tin hay không. Một mô hình dự báo xác suất cao liên tục nhưng kết quả thực tế chỉ đúng khoảng một nửa số lần sẽ không hữu ích cho việc quản lý rủi ro, ngay cả khi bảng xếp hạng của nó trông khá hợp lý.

Khi đánh giá hiệu quả, cần kết hợp các chỉ tiêu phản ánh những mục tiêu khác nhau. MAE của return giúp đo sai lệch về độ lớn dự báo, trong khi Rank IC cho biết mức độ tương quan giữa thứ hạng dự báo và thứ hạng lợi nhuận thực tế tại từng thời điểm. Với bài toán stock selection, nên quan sát thêm lợi nhuận trung bình của nhóm điểm cao, chênh lệch giữa các nhóm phân vị và mức vượt benchmark sau chi phí giao dịch. Đặc biệt, cần kiểm tra tính đơn điệu của kết quả: nhóm top 10% có thực sự tốt hơn nhóm 10–20%, nhóm 20–30% và những nhóm tiếp theo hay không. Nếu mô hình chỉ tạo ra một nhóm cổ phiếu xuất sắc nhưng các nhóm còn lại gần như không có sự phân biệt, kết quả có thể thiếu ổn định hoặc chịu tác động từ một vài quan sát bất thường. Một mô hình tốt không nhất thiết phải tạo đường phân vị hoàn hảo, nhưng cần cung cấp bằng chứng rằng điểm số có liên hệ nhất quán với hiệu quả tương lai.

Với VN100, bài toán xếp hạng còn phải đối mặt với giới hạn về số lượng cổ phiếu và mức độ tập trung ngành. Nếu sử dụng decile, mỗi nhóm chỉ gồm khoảng mười cổ phiếu khi universe có đủ 100 mã, khiến kết quả dễ chịu ảnh hưởng từ một vài cổ phiếu biến động mạnh. Có thể bổ sung phân tích theo quintile hoặc danh mục top 20 để đánh giá tính ổn định, thay vì chỉ công bố nhóm top 10 có mức sinh lời cao nhất. Cũng cần kiểm tra hiệu quả theo ngành, vốn hóa và thanh khoản để xác định mô hình có thực sự tạo ra khả năng lựa chọn cổ phiếu hay chỉ đang liên tục ưu tiên một nhóm ngành trong giai đoạn thuận lợi. Nếu mô hình hoạt động tốt chủ yếu nhờ nắm giữ ngân hàng hoặc công nghệ khi hai ngành này dẫn dắt thị trường, kết quả cần được diễn giải khác với trường hợp mô hình liên tục chọn đúng cổ phiếu vượt trội trong từng ngành.

Một rủi ro thực tế là thứ hạng mô hình thay đổi quá thường xuyên. Giả sử hôm nay cổ phiếu A đứng thứ ba, ngày mai xuống thứ hai mươi và hai ngày sau lại quay về top năm, hệ thống có thể tạo ra nhiều tín hiệu mua bán dù triển vọng cơ bản chưa thay đổi đáng kể. Nếu chiến lược liên tục điều chỉnh danh mục theo từng thay đổi nhỏ của score, turnover có thể tăng rất nhanh và làm mất phần lớn lợi thế dự báo. Vì vậy, ngoài khả năng xếp hạng đúng, cần đánh giá sự ổn định của điểm số theo thời gian và tác động của tần suất tái cân bằng. Một phương án là chỉ thay đổi danh mục khi mức cải thiện kỳ vọng đủ lớn để bù đắp chi phí giao dịch, hoặc thử nghiệm cơ chế giữ vị thế trong một khoảng thời gian tối thiểu khi điều kiện rủi ro cho phép. Đây là bài toán tối ưu danh mục và thực thi giao dịch, không thể giải quyết chỉ bằng cách cải thiện thêm một vài điểm Rank IC.

Khi backtest trên thị trường Việt Nam, hệ thống phải mô phỏng đúng khả năng mua bán cổ phiếu tại thời điểm tín hiệu xuất hiện. Những phiên tăng trần, giảm sàn, khối lượng khớp lệnh thấp hoặc cổ phiếu bị hạn chế giao dịch có thể khiến chiến lược không thực hiện được lệnh ở mức giá giả định. Nếu mô hình liên tục chọn những cổ phiếu tăng mạnh nhưng nhà đầu tư không thể mua đủ khối lượng sau khi tín hiệu xuất hiện, kết quả dự báo có thể tốt trong khi lợi nhuận thực tế không tương ứng. Tương tự, khả năng dự báo đúng một đợt giảm giá không đồng nghĩa với việc nhà đầu tư có thể bán ra khi cần thiết. Một backtest chỉ sử dụng giá đóng cửa và giả định tất cả giao dịch đều thành công sẽ bỏ qua những giới hạn quan trọng này. Vì thế, return mục tiêu không chỉ cần đúng về công thức mà còn phải gắn với thời điểm có thể giao dịch, điều kiện thanh khoản và quy mô vốn của chiến lược.

Ở tầng dữ liệu, hệ thống production cần áp dụng những tiêu chuẩn nghiêm ngặt hơn giai đoạn nghiên cứu. Nếu giá cổ phiếu chưa cập nhật đầy đủ, báo cáo tài chính chưa được xác minh hoặc dữ liệu công bố thông tin bị chậm, mô hình không nên tự động thay thế bằng những giá trị suy đoán rồi tiếp tục đưa ra kết luận như bình thường. Mỗi tín hiệu cần có thời điểm hình thành, phiên bản mô hình, nguồn dữ liệu, trạng thái hoàn chỉnh của input và điều kiện khiến dự báo không còn hợp lệ. Đặc biệt, các phiên bản dự báo phải được lưu lại để đánh giá sau này, tránh tình trạng mô hình được cập nhật nhưng hệ thống không còn khả năng xác định dự báo ban đầu được tạo ra từ dữ liệu nào. Một tín hiệu tạm thời không khả dụng nhưng được thông báo minh bạch sẽ có giá trị quản trị rủi ro cao hơn một kết quả vẫn hiển thị tích cực dù thực chất dựa trên dữ liệu cũ.

Với một nền tảng phân tích cổ phiếu Việt Nam, giao diện dự báo cũng nên thể hiện rõ sự khác biệt giữa giá mục tiêu tham khảo và cơ hội đầu tư thực tế. Người dùng có thể nhìn thấy return kỳ vọng, xác suất vượt benchmark, thứ hạng trong universe và mức độ tin cậy của mô hình, đồng thời xem chi tiết các yếu tố khiến điểm số thay đổi. Chẳng hạn, một cổ phiếu có dự báo tăng 3% nhưng toàn ngành được dự báo tăng 5% cần được diễn giải khác với cổ phiếu có dự báo tăng 2% trong một ngành đang suy yếu. Hệ thống cũng nên cho biết dự báo đó đã được đánh giá như thế nào trong lịch sử ngoài mẫu, số lần tín hiệu tương tự xuất hiện và mức độ ổn định của kết quả sau chi phí. Nhờ đó, người dùng có thể hiểu con số trên màn hình là ước lượng thống kê với những giới hạn cụ thể, chứ không phải một mức giá chắc chắn sẽ đạt được.

Một hướng phát triển tiếp theo là sử dụng kết quả xếp hạng như đầu vào của quá trình phân bổ vốn, thay vì chuyển trực tiếp điểm số thành tín hiệu mua bán. Hai cổ phiếu có return kỳ vọng tương đương có thể có mức biến động, tương quan với danh mục và khả năng thanh khoản hoàn toàn khác nhau. Việc lựa chọn tỷ trọng vì thế cần tính đến cả rủi ro tập trung ngành, mức độ biến động, chi phí giao dịch và giới hạn vốn có thể giải ngân. Trong một số trường hợp, cổ phiếu đứng thứ năm nhưng có thanh khoản tốt và tương quan thấp với danh mục hiện tại có thể phù hợp hơn cổ phiếu đứng đầu nhưng rủi ro tập trung quá cao. Đây là lý do dự báo, ranking và portfolio construction nên được xem là ba công đoạn có liên quan nhưng không thể thay thế cho nhau. Một mô hình dự báo tốt chỉ thực sự tạo giá trị khi được kết nối với quy trình phân bổ vốn hợp lý.

Sau cùng, hiệu quả của toàn bộ hệ thống cần được so sánh với những baseline đơn giản và có thể thực hiện được. Đối với price forecast, baseline giá không đổi là điểm so sánh tự nhiên. Đối với return forecast, có thể sử dụng dự báo return bằng không hoặc mức sinh lời kỳ vọng đơn giản được xác định từ dữ liệu huấn luyện. Đối với ranking, nên so sánh với các chiến lược dựa trên Momentum, Value hoặc kết hợp factor truyền thống. Nếu mô hình deep learning phức tạp không cải thiện đáng kể kết quả ngoài mẫu, hiệu quả ròng hoặc khả năng kiểm soát rủi ro, việc triển khai có thể không đem lại lợi ích tương xứng với chi phí vận hành. Ngược lại, nếu mô hình tạo được khả năng phân biệt cổ phiếu ổn định qua nhiều giai đoạn và cải thiện hiệu quả danh mục sau chi phí, đó mới là bằng chứng đáng quan tâm về giá trị bổ sung của AI.

Câu hỏi cốt lõi của nghiên cứu Quant không phải AI có dự báo đúng giá cổ phiếu sau năm phiên hay không, mà là dự báo đó có giúp nhà đầu tư lựa chọn tốt hơn một phương pháp đơn giản và tạo ra lợi nhuận có thể thực hiện hay không. Price level có giá trị trong việc diễn giải kết quả, future return đưa bài toán đến gần hơn với quyết định đầu tư, còn cross-sectional ranking giúp đánh giá khả năng phân biệt cơ hội giữa các cổ phiếu. Không có một target duy nhất tối ưu cho mọi mục đích, nhưng target phải được thiết kế nhất quán với cách hệ thống sẽ sử dụng dự báo trong thực tế.

Trong dài hạn, lợi thế của một nền tảng AI đầu tư không nằm ở việc hiển thị mức giá T+3 hay T+5 trông chính xác đến từng đồng. Lợi thế nằm ở khả năng chứng minh rằng những dự báo được tạo ra từ thông tin có sẵn tại đúng thời điểm, vượt qua kiểm định độc lập và giúp cải thiện lựa chọn danh mục sau khi tính đến chi phí cùng rủi ro. Dự báo gần đúng một mức giá chưa chắc có alpha; nhưng xếp hạng đúng những cơ hội có thể giao dịch, một cách đủ ổn định, mới là nơi machine learning có khả năng tạo ra giá trị đầu tư thực sự.