Quant Renaissance: Quant đang quay lại, nhưng không còn theo cách cũ

PHẦN 1. Quant Winter 2018–2020: Khi những mô hình tưởng như khác nhau lại cùng thua lỗ

Có một giai đoạn mà đầu tư định lượng, hay quantitative investing, bắt đầu đối mặt với một câu hỏi khá khó chịu: tại sao những chiến lược được xây dựng từ nhiều thập kỷ nghiên cứu, đã trải qua không ít chu kỳ thị trường và có cơ sở thống kê tương đối vững chắc, lại có thể cùng hoạt động kém hiệu quả trong một khoảng thời gian dài? Giai đoạn 2018–2020 thường được gọi là Quant Winter, một thời kỳ mà nhiều chiến lược systematic equity dựa trên các factor truyền thống như Value, Momentum và những tổ hợp multi-factor gặp khó khăn. Điều đáng chú ý là vấn đề không chỉ nằm ở việc một vài factor có performance xấu, mà còn ở chỗ nhiều quỹ quant tưởng như đang sử dụng những hệ thống đầu tư khác nhau lại có mức độ phụ thuộc khá giống nhau vào một số nguồn lợi nhuận chung.

Để hiểu chuyện này, có lẽ cần quay lại cách phần lớn chiến lược quant truyền thống được xây dựng. Một nhà quản lý có thể bắt đầu từ Value, tức ưu tiên doanh nghiệp có mức định giá thấp so với các chỉ tiêu cơ bản. Một người khác tập trung vào Momentum, lựa chọn những cổ phiếu đang có xu hướng giá tương đối mạnh. Một quỹ khác kết hợp thêm Quality, Profitability, Low Volatility hoặc Growth để tạo thành một danh mục đa nhân tố. Về lý thuyết, sự kết hợp này giúp giảm phụ thuộc vào một factor riêng lẻ và cải thiện tính ổn định của lợi nhuận. Nhưng trong thực tế, việc sử dụng nhiều factor không tự động đồng nghĩa với việc danh mục có nhiều nguồn alpha độc lập.

Hãy hình dung ba quỹ quant cùng hoạt động trên thị trường cổ phiếu Mỹ. Quỹ thứ nhất sử dụng Value kết hợp Quality, quỹ thứ hai dùng Momentum cùng các tiêu chí về lợi nhuận và định giá, còn quỹ thứ ba sử dụng machine learning để tổng hợp hàng chục chỉ tiêu tài chính. Nhìn trên tài liệu giới thiệu, ba chiến lược có vẻ khá khác nhau. Tuy nhiên, nếu tất cả đều sử dụng những dữ liệu tương tự, tối ưu trên cùng một tập cổ phiếu và chịu những ràng buộc danh mục gần giống nhau, kết quả cuối cùng có thể là các vị thế rất tương đồng. Họ có thể cùng ưu tiên những doanh nghiệp bị định giá thấp, cùng tránh một nhóm cổ phiếu tăng trưởng đắt đỏ hoặc cùng chịu ảnh hưởng khi thị trường thay đổi kỳ vọng về lãi suất.

Trong trường hợp này, danh mục có nhiều mô hình nhưng chưa chắc có nhiều nguồn rủi ro độc lập. Đây là sự khác biệt giữa diversification trên danh nghĩa và diversification thực chất. Một hệ thống có thể kết hợp 20 signal nhưng nếu phần lớn đều là những biến thể của cùng một Value exposure, việc bổ sung thêm signal thứ 21 có thể chẳng làm danh mục an toàn hơn bao nhiêu. Khi thị trường thuận lợi cho Value, mọi thứ hoạt động khá tốt. Nhưng khi môi trường thay đổi và Value trải qua một đợt suy giảm kéo dài, những chiến lược tưởng như độc lập lại có thể cùng chịu tổn thất.

Giai đoạn Quant Winter là ví dụ rõ ràng cho vấn đề này. Theo phân tích của Man Group, những thay đổi trong chính sách tiền tệ của Federal Reserve, sự tập trung của dòng tiền vào cổ phiếu Growth và sau đó là cú sốc COVID-19 đã tạo ra môi trường bất lợi cho nhiều factor truyền thống. Value chịu áp lực trong giai đoạn nhà đầu tư sẵn sàng trả mức định giá ngày càng cao cho những doanh nghiệp có kỳ vọng tăng trưởng mạnh. Những biến động đột ngột và sự đảo chiều của xu hướng thị trường cũng khiến một số chiến lược Momentum trải qua các đợt drawdown lớn. Đây không phải câu chuyện tất cả factor cùng giảm trong từng tháng, mà là nhiều nguồn lợi nhuận quen thuộc lần lượt gặp khó trong cùng một giai đoạn.

Điểm đáng nói là những mô hình này không nhất thiết sai về mặt kinh tế. Việc một doanh nghiệp có định giá thấp hơn giá trị cơ bản vẫn có thể mang lại lợi nhuận trong dài hạn. Một cổ phiếu đang có Momentum mạnh vẫn có khả năng tiếp tục xu hướng. Nhưng khả năng khai thác những đặc điểm đó phụ thuộc vào kỳ vọng, dòng tiền, điều kiện thanh khoản và regime của thị trường. Khi các yếu tố vĩ mô thay đổi mạnh, một phần quan hệ thống kê được quan sát trong quá khứ có thể suy yếu hoặc đảo chiều, ít nhất trong một khoảng thời gian đủ dài để gây tổn thất đáng kể cho danh mục.

Đây cũng là một trong những giới hạn của backtest. Một chiến lược có thể hoạt động tốt trong mười năm, có Sharpe ratio tương đối cao và drawdown lịch sử khá thấp, nhưng nếu toàn bộ giai đoạn kiểm định chủ yếu nằm trong một môi trường kinh tế thuận lợi, hệ thống có thể chưa từng được thử thách trước những cú sốc làm thay đổi mối quan hệ giữa các factor. Backtest khi đó không hẳn sai, nhưng có thể chưa phản ánh đầy đủ những điều kiện khiến chiến lược thất bại.

Một vấn đề khác là factor crowding, tức nhiều nhà đầu tư cùng khai thác những cơ hội tương tự. Khi một factor trở nên phổ biến, ngày càng nhiều dòng vốn có thể được phân bổ vào những vị thế giống nhau. Điều này không nhất thiết khiến factor lập tức mất hiệu quả, nhưng nó có thể làm tăng mức độ nhạy cảm của danh mục trước các đợt đảo chiều. Nếu nhiều quỹ đồng thời phải giảm rủi ro, đóng vị thế hoặc điều chỉnh danh mục do volatility tăng mạnh, áp lực giao dịch có thể khiến những cổ phiếu được nắm giữ chung biến động mạnh hơn.

Điều thú vị là ngay cả những quy tắc quản trị rủi ro được thiết kế để bảo vệ danh mục đôi khi cũng góp phần tạo ra sự đồng bộ. Chẳng hạn, nhiều hệ thống cùng sử dụng volatility targeting, tức điều chỉnh quy mô vị thế theo biến động thị trường. Khi volatility tăng, các hệ thống có thể đồng thời giảm exposure. Một quỹ có thể đang giảm rủi ro vì mô hình thống kê, quỹ khác vì giới hạn drawdown, nhưng nếu cả hai cùng bán những cổ phiếu tương tự vào cùng thời điểm, tác động thị trường có thể trở nên lớn hơn dự kiến.

Trong bài viết The Quant Renaissance công bố tháng 8/2024, Nina Gnedin và Ori Ben-Akiva của Man Group đưa ra một quan sát đáng chú ý. Dựa trên dữ liệu đến cuối năm 2023, độ phân tán trong lợi nhuận vượt chuẩn giữa các quant manager đã tăng lên mức cao nhất kể từ khủng hoảng tài chính toàn cầu. Điều này không đơn thuần cho thấy quant đang hoạt động tốt hơn hay kém hơn, mà cho thấy kết quả giữa các nhà quản lý đang trở nên khác biệt hơn. Trong khi các chiến lược truyền thống hưởng lợi từ môi trường factor thuận lợi hơn sau Quant Winter, một số nhà quản lý bắt đầu tạo ra sự khác biệt bằng những phương pháp và nguồn dữ liệu riêng.

Đến tháng 9/2026, Man Group tiếp tục công bố phần thứ ba của chuỗi nghiên cứu Quant Renaissance, lần này đi sâu hơn vào câu hỏi liệu các quỹ quant thực sự đã thay đổi hay chỉ đang hưởng lợi từ một giai đoạn factor phục hồi. Thay vì chỉ so sánh tổng lợi nhuận, nhóm nghiên cứu sử dụng hồi quy để phân tách lợi nhuận chủ động của từng quỹ thành phần được giải thích bởi các factor phổ biến và phần còn lại. Trong mẫu các chiến lược systematic equity được lựa chọn từ eVestment, tỷ lệ biến động lợi nhuận chủ động được giải thích bởi các factor truyền thống, đo bằng R², có trung vị vượt 40% trong Quant Winter. Sau đó, con số này giảm xuống khoảng 28% vào đầu năm 2026.

Đây là một kết quả khá đáng suy nghĩ. R² trong trường hợp này cho biết bao nhiêu phần biến động lợi nhuận chủ động của quỹ có thể được giải thích bởi các factor đã biết. R² cao không tự động có nghĩa nhà quản lý thiếu kỹ năng, bởi việc chủ động điều chỉnh exposure với factor cũng có thể tạo ra giá trị. Tuy nhiên, nếu phần lớn lợi nhuận của quỹ phụ thuộc vào những nguồn rủi ro mà nhiều quỹ khác cũng đang nắm giữ, thì nhà đầu tư có thể không nhận được mức độ đa dạng hóa như họ kỳ vọng.

Nghiên cứu năm 2026 còn cho thấy một hiện tượng đáng chú ý hơn. Trong mẫu phân tích của Man Group, nhóm manager phụ thuộc nhiều nhất vào các factor phổ biến có residual alpha âm trong cả ba giai đoạn được xem xét: trước Quant Winter, trong Quant Winter và sau Quant Winter. Residual alpha ở đây là phần lợi nhuận ước tính còn lại sau khi kiểm soát exposure với các factor trong mô hình. Điều này gợi ý rằng một quỹ có thể tạo ra active return dương nhờ môi trường factor thuận lợi, nhưng phần lợi nhuận vượt lên trên những exposure đã biết vẫn không thực sự hấp dẫn.

Tất nhiên, không thể từ một nghiên cứu của Man Group kết luận rằng toàn bộ ngành quant đều có đặc điểm như vậy. Kết quả phụ thuộc vào mẫu quỹ, bộ factor sử dụng, phương pháp hồi quy và khoảng thời gian quan sát. Nhưng về mặt tư duy đầu tư, nó đặt ra một câu hỏi rất quan trọng: khi một chiến lược có performance tốt, chúng ta đang được trả công vì một nguồn alpha khác biệt, hay đơn giản đang được hưởng lợi từ một factor exposure có thể tái tạo bằng phương pháp rẻ hơn?

Mình nghĩ đây mới là bài học lớn nhất của Quant Winter. Vấn đề không phải Value hay Momentum đã hết giá trị. Cũng không phải những phương pháp quant truyền thống trở nên lỗi thời. Vấn đề là một danh mục có thể trông rất đa dạng ở cấp độ mô hình nhưng lại tập trung rủi ro ở cấp độ kinh tế. Và khi thị trường chuyển sang một regime mà những nguồn rủi ro đó cùng chịu áp lực, sự đa dạng hóa trên giấy gần như không còn nhiều ý nghĩa.

PHẦN 2. Quant Renaissance: Từ việc tìm factor có Sharpe cao đến tìm những nguồn alpha thực sự khác biệt

Điều thú vị là sau Quant Winter, systematic investing không đơn giản quay lại với những công thức đã từng thành công. Các factor truyền thống vẫn tiếp tục được sử dụng, nhưng nhiều nhà quản lý bắt đầu mở rộng nghiên cứu sang những nguồn dữ liệu và phương pháp mà trước đây chưa được khai thác rộng rãi. Theo Man Group, hai thay đổi quan trọng thúc đẩy quá trình này là sự phát triển của alternative data và khả năng ứng dụng những kỹ thuật machine learning phức tạp hơn vào dữ liệu tài chính.

Trong đầu tư định lượng truyền thống, phần lớn dữ liệu đầu vào thường xoay quanh giá, khối lượng giao dịch, báo cáo tài chính, các tỷ số định giá và một số đặc điểm rủi ro thị trường. Đây là những nguồn dữ liệu có nhiều ưu điểm: tương đối chuẩn hóa, dễ kiểm định, có lịch sử dài và liên quan trực tiếp đến hoạt động tài chính doanh nghiệp. Tuy nhiên, vì chúng được sử dụng rất phổ biến, nhiều nhà quản lý cũng có khả năng tiếp cận những thông tin và biến số tương tự nhau. Một thay đổi trong phương pháp xử lý dữ liệu có thể cải thiện mô hình, nhưng chưa chắc tạo ra một nguồn alpha thực sự mới.

Alternative data mở rộng bài toán sang những thông tin nằm ngoài hệ thống dữ liệu tài chính quen thuộc. Chẳng hạn, dữ liệu giao dịch thẻ có thể cung cấp tín hiệu về xu hướng chi tiêu của người tiêu dùng trước khi doanh nghiệp công bố doanh thu. Dữ liệu foot traffic có thể giúp ước lượng mức độ hoạt động tại các cửa hàng bán lẻ. Patent filings có thể phản ánh một phần hoạt động đổi mới công nghệ, còn ảnh vệ tinh có thể được sử dụng để nghiên cứu hoạt động sản xuất, kho bãi hoặc lưu lượng vận chuyển trong những trường hợp dữ liệu đủ phù hợp.

Hãy lấy một doanh nghiệp bán lẻ làm ví dụ. Nếu chỉ sử dụng báo cáo tài chính, nhà đầu tư thường phải chờ kết quả kinh doanh quý mới biết doanh thu thực tế tăng trưởng thế nào. Nhưng nếu có dữ liệu giao dịch hoặc lưu lượng khách hàng đáng tin cậy, mô hình có thể hình thành một ước lượng sớm hơn về xu hướng hoạt động. Khi ước lượng đó khác biệt đáng kể so với kỳ vọng hiện tại của thị trường, nó có thể trở thành đầu vào cho một tín hiệu dự báo earnings surprise hoặc revenue surprise.

Một ví dụ khác là doanh nghiệp công nghiệp đang đầu tư mở rộng công suất. Báo cáo tài chính có thể ghi nhận capex, nhưng bản thân chi tiêu vốn chưa đủ để đánh giá doanh nghiệp đang phát triển tốt hay không. Nếu kết hợp tiến độ xây dựng, dữ liệu vận hành, thông tin đơn hàng và những thay đổi trong nhu cầu sản phẩm, mô hình có thể hiểu rõ hơn liệu công suất mới có khả năng được sử dụng hiệu quả hay không. Đây là kiểu thông tin mang tính hoạt động kinh doanh mà các factor truyền thống chưa chắc phản ánh đầy đủ.

Tuy nhiên, việc một dữ liệu mới xuất hiện không tự động tạo ra alpha. Dữ liệu thẻ có thể bị sai lệch do tệp khách hàng không đại diện cho toàn bộ thị trường. Foot traffic tăng chưa chắc doanh thu tăng nếu tỷ lệ chuyển đổi hoặc giá trị đơn hàng giảm. Patent filings có thể liên quan đến hoạt động R&D nhưng chưa chắc chuyển thành sản phẩm thương mại có lợi nhuận. Nếu không hiểu cơ chế kinh tế phía sau dữ liệu, một mô hình rất dễ học được những tương quan đẹp trong quá khứ nhưng không có khả năng dự báo ổn định.

Đây là lúc machine learning bắt đầu đóng vai trò quan trọng hơn. Nhiều mối quan hệ trong tài chính không thực sự tuyến tính. Chẳng hạn, việc hàng tồn kho tăng 10% có thể là tín hiệu tích cực với một doanh nghiệp đang mở rộng quy mô và có đơn hàng tốt, nhưng lại là tín hiệu tiêu cực với doanh nghiệp có doanh thu suy giảm. Cùng một thay đổi trong chi phí vốn cũng có thể tạo ra tác động khác nhau tùy cấu trúc nợ, khả năng định giá sản phẩm và giai đoạn kinh doanh của từng doanh nghiệp.

Một mô hình tuyến tính truyền thống có thể cần những giả định hoặc biến tương tác được xác định trước để nhận diện các quan hệ này. Trong khi đó, các phương pháp như gradient boosting, random forest hay neural networks có khả năng học một số quan hệ phi tuyến và tương tác phức tạp trực tiếp từ dữ liệu, với điều kiện mẫu huấn luyện đủ tốt và thiết kế kiểm định phù hợp. Lợi thế không nằm ở việc mô hình càng phức tạp càng tốt, mà ở khả năng phát hiện những đặc điểm mà cách xây dựng factor thủ công có thể bỏ sót.

Điều này cũng mở đường cho các ứng dụng LLM trong đầu tư. Nếu alternative data giúp mở rộng nguồn thông tin về hoạt động doanh nghiệp, LLM có thể giúp chuyển những dữ liệu phi cấu trúc như earnings call, investor presentation, báo cáo thường niên hoặc tin tức thành đặc trưng định lượng. Một hệ thống có thể kết hợp thay đổi trong guidance của ban lãnh đạo với earnings surprise, momentum, thanh khoản và xu hướng ngành để đánh giá liệu thông tin mới đã được giá phản ánh hay chưa. Đây là ví dụ về một hướng mở rộng của Quant Renaissance, không phải khẳng định rằng toàn bộ các mô hình mới của Man Group đều sử dụng LLM.

Trong nghiên cứu năm 2024, Man Group cho biết số mô hình sử dụng alternative data của Man Numeric đã tăng gần gấp ba trong khoảng hai năm gần thời điểm nghiên cứu. Đồng thời, họ cũng phát triển những mô hình dựa trên các kỹ thuật phân tích mới. Đáng chú ý hơn, tương quan giữa các alpha model tại thời điểm đó và bộ alpha mà họ sử dụng trước Quant Winter chỉ còn trung bình khoảng 40–50% tùy khu vực. Con số này nói về sự thay đổi trong hệ thống alpha của chính Man Numeric, chứ không phải tương quan giữa các quỹ quant nói chung.

Mình nghĩ đây là một trong những chi tiết quan trọng nhất của toàn bộ câu chuyện Quant Renaissance. Nếu một tổ chức liên tục nghiên cứu mô hình mới nhưng các tín hiệu mới vẫn gần như trùng với bộ tín hiệu cũ, thì dù thuật toán thay đổi, nguồn lợi nhuận thực tế có thể chưa thay đổi nhiều. Ngược lại, nếu mô hình mới khai thác một đặc điểm kinh tế khác, sử dụng nguồn dữ liệu khác và có mức tương quan thấp hơn với những tín hiệu hiện hữu, nó có thể giúp danh mục trở nên đa dạng hơn.

Khái niệm này thường được gọi là orthogonal alpha. Trong toán học, hai vector trực giao có tích vô hướng bằng 0. Trong ngữ cảnh đầu tư, thuật ngữ được dùng theo nghĩa thực tiễn hơn: một nguồn alpha bổ sung tương đối ít thông tin trùng lặp với các nguồn alpha đã có, sau khi xem xét những exposure và điều kiện rủi ro liên quan. Một tín hiệu có tương quan thấp với danh mục hiện tại có thể mang lại lợi ích đa dạng hóa lớn, nhưng điều kiện quan trọng là nó vẫn phải có giá trị dự báo thực sự.

Chẳng hạn, giả sử một hệ thống đang có signal A với Sharpe ratio 1.3. Nhóm nghiên cứu phát triển signal B với Sharpe chỉ 0.8, tức hiệu quả khi đứng độc lập có vẻ thấp hơn. Nếu B có tương quan rất thấp với A, nó vẫn có thể cải thiện Sharpe của danh mục kết hợp. Trong khi đó, một signal C khác có Sharpe 1.3 nhưng tương quan gần 0.9 với A có thể đóng góp rất ít, bởi phần lớn lợi nhuận và rủi ro của C đã xuất hiện trong A. Đây chỉ là ví dụ minh họa; giá trị bổ sung thực tế còn phụ thuộc vào volatility, covariance, khả năng mở rộng quy mô và chi phí giao dịch.

Điều này khiến cách đánh giá nghiên cứu Quant thay đổi khá nhiều. Trước đây, một nhóm nghiên cứu có thể tập trung vào việc cải thiện Information Coefficient, Sharpe ratio hoặc annualized return của từng mô hình. Những chỉ tiêu đó vẫn quan trọng, nhưng chưa đủ. Một signal mới cần được đánh giá trong tương quan với toàn bộ hệ thống hiện có. Nó có tạo ra những vị thế khác không, có cùng thua lỗ trong những giai đoạn thị trường căng thẳng không, có tăng turnover quá nhiều không và sau khi ghép vào portfolio thì hiệu quả ròng được cải thiện đến mức nào?

Một vấn đề thường bị bỏ qua là tương quan thấp không đồng nghĩa với alpha chất lượng cao. Một chuỗi tín hiệu nhiễu ngẫu nhiên cũng có thể có tương quan rất thấp với những factor phổ biến, nhưng rõ ràng điều đó không biến nó thành một chiến lược đầu tư tốt. Tương tự, một mô hình được tối ưu quá mức trên dữ liệu lịch sử có thể trông rất khác biệt trong backtest nhưng nhanh chóng mất hiệu quả khi chạy trên dữ liệu mới. Vì vậy, tính độc lập và khả năng dự báo ngoài mẫu phải được đánh giá cùng nhau.

Man Group cũng không chỉ dừng ở alternative data và machine learning. Trong phần tiếp theo của nghiên cứu công bố tháng 2/2026, nhóm tác giả nhấn mạnh thêm vai trò của dynamic factor selection và khả năng thích nghi với các macro regime. Thay vì giữ trọng số Value, Momentum, Quality cố định trong mọi môi trường, một hệ thống có thể xem xét sự thay đổi của lãi suất, lạm phát, tăng trưởng kinh tế, volatility và những quan hệ giữa các factor để điều chỉnh mức độ phân bổ.

Chẳng hạn, khi môi trường kinh tế chuyển từ tăng trưởng ổn định sang giai đoạn biến động mạnh, một tổ hợp factor từng hoạt động tốt có thể trở nên nhạy cảm hơn với rủi ro vĩ mô. Nếu hệ thống nhận diện được sự thay đổi này đủ sớm, nó có thể giảm bớt những exposure đang tập trung rủi ro và phân bổ sang các nguồn tín hiệu ít phụ thuộc hơn. Tuy nhiên, việc dự báo regime bản thân cũng là một bài toán khó. Một mô hình thích nghi quá nhạy với dữ liệu gần nhất có thể liên tục thay đổi vị thế, tăng chi phí giao dịch và phản ứng sai trước những biến động ngắn hạn.

Vì thế, cách tiếp cận mới không nhất thiết là xây dựng một mô hình thật phức tạp để dự đoán chính xác mọi lần thị trường chuyển regime. Trong nhiều trường hợp, việc duy trì những nguồn alpha có cơ chế kinh tế khác nhau và kiểm soát mức độ tập trung rủi ro có thể là cách tăng resilience thực tế hơn. Một mô hình nhận diện regime tốt là hữu ích, nhưng một danh mục chỉ sống sót khi mô hình regime luôn dự báo đúng vẫn có thể rất mong manh.

Một điểm cũng cần nhìn nhận thận trọng là kết quả của những mô hình mới trong nghiên cứu Man Group. Họ ghi nhận các phương pháp sử dụng dữ liệu và kỹ thuật mới đã tạo ra hiệu quả điều chỉnh theo rủi ro tốt hơn nhóm factor truyền thống trong các kiểm định được trình bày. Nhưng đây là kết quả dựa trên hệ thống, dữ liệu và phương pháp cụ thể của Man Numeric. Những backcast được tính lại bằng mô hình hiện tại không thể được xem là tương đương với kết quả giao dịch trực tiếp trong quá khứ, và hiệu quả lịch sử không bảo đảm khả năng duy trì alpha trong tương lai.

Dù vậy, xét trên góc độ nghiên cứu, thay đổi tư duy ở đây là khá rõ ràng. Quant Renaissance không phải cuộc thi xem ai có nhiều indicator hơn, ai sử dụng mô hình machine learning lớn hơn hay ai đạt Sharpe cao nhất trên một bộ backtest. Giá trị thực sự nằm ở việc tìm được những nguồn thông tin khác biệt, hiểu cơ chế tạo ra lợi nhuận của chúng và kết hợp chúng sao cho danh mục không bị chi phối bởi một vài trạng thái thị trường.

Nói cách khác, câu hỏi quan trọng không chỉ là một signal có tốt hay không, mà là nó tốt theo cách nào, phụ thuộc vào những điều kiện gì và có bổ sung thứ mà những signal hiện tại chưa có hay không.

PHẦN 3. Bài học từ Quant Renaissance: Xây dựng portfolio alpha thay vì chỉ xây dựng nhiều mô hình dự báo

Nếu đem tư duy Quant Renaissance vào việc xây dựng một hệ thống đầu tư thực tế, mình nghĩ thay đổi đầu tiên nên nằm ở cách đánh giá signal. Nhiều hệ thống Quant thường bắt đầu bằng việc nghiên cứu từng chiến lược riêng lẻ: xây một mô hình Momentum, backtest và đánh giá kết quả; sau đó xây thêm Value, Quality, Earnings Growth hoặc Machine Learning Forecast. Nếu mỗi mô hình đều có performance tương đối ổn, chúng ta có xu hướng kết hợp chúng lại với kỳ vọng danh mục tổng thể sẽ tốt hơn. Nhưng vấn đề là hiệu quả của từng signal khi đứng riêng chưa cho biết nó đóng góp bao nhiêu khi đưa vào danh mục.

Hãy hình dung một hệ thống phân tích cổ phiếu có năm mô hình dự báo khác nhau. Mô hình thứ nhất sử dụng Momentum giá, mô hình thứ hai kết hợp xu hướng giá với khối lượng, mô hình thứ ba phát hiện breakout, mô hình thứ tư sử dụng moving averages và mô hình thứ năm dùng machine learning để dự báo lợi nhuận dựa trên các biến kỹ thuật. Trên giao diện, đây có thể là năm phương pháp dự báo hoàn toàn khác nhau. Nhưng nếu phần lớn đều phản ứng tích cực khi cổ phiếu có xu hướng tăng mạnh, chúng có thể chỉ đang cung cấp những phiên bản khác nhau của cùng một loại thông tin.

Trong thị trường tăng trưởng thuận lợi, cả năm mô hình có thể cho kết quả tốt và thường xuyên lựa chọn những cổ phiếu giống nhau. Điều này dễ tạo cảm giác hệ thống có độ tin cậy cao vì nhiều mô hình cùng xác nhận một tín hiệu. Nhưng thực chất, chúng có thể không phải năm bằng chứng độc lập. Khi thị trường bước vào giai đoạn đảo chiều, cả năm có khả năng cùng phát tín hiệu sai, bởi chúng đều phụ thuộc vào sự tiếp diễn của xu hướng giá.

Nếu thay một trong những mô hình đó bằng một tín hiệu dự báo earnings surprise, sự thay đổi trong chất lượng lợi nhuận hoặc thông tin mới từ doanh nghiệp, danh mục có thể bắt đầu tiếp cận một nguồn thông tin khác. Signal mới không nhất thiết phải có hiệu quả dự báo cao hơn mọi mô hình kỹ thuật đang có, nhưng nếu nó bổ sung được thông tin về fundamentals mà giá chưa phản ánh đầy đủ, giá trị đối với portfolio có thể đáng kể hơn.

Đây cũng là lý do mình nghĩ một hệ thống Quant hiện đại nên được xây dựng theo hướng quản lý một portfolio các nguồn alpha, thay vì chỉ quản lý một danh sách các mô hình dự báo. Các mô hình có thể được phân thành những nhóm theo cơ chế tạo tín hiệu, chẳng hạn Price/Volume, Fundamental, Expectations, Alternative Data và Market Structure. Mỗi nhóm phản ánh một khía cạnh khác nhau của thị trường. Tuy nhiên, cách phân loại này chỉ mang tính tổ chức nghiên cứu; mức độ độc lập thực sự vẫn phải được chứng minh bằng dữ liệu.

Với thị trường Việt Nam, cách tiếp cận này có khá nhiều điểm đáng thử nghiệm. Hiện nay, dữ liệu giá, khối lượng, báo cáo tài chính, chỉ tiêu định giá và thông tin công bố doanh nghiệp đã tương đối dễ tiếp cận hơn trước. Các mô hình Momentum, Value, Quality hoặc Earnings Growth hoàn toàn có thể được xây dựng từ những dữ liệu này. Nhưng nếu chỉ tạo ra nhiều biến thể từ cùng một nguồn dữ liệu, chúng ta có thể gặp lại vấn đề quen thuộc: hệ thống ngày càng phức tạp nhưng nguồn thông tin tạo ra alpha chưa thực sự đa dạng.

Một hướng nghiên cứu có thể bắt đầu từ sự kết hợp giữa giá và thông tin cơ bản. Ví dụ, một cổ phiếu có Momentum giá mạnh nhưng tăng trưởng lợi nhuận đang suy yếu có thể mang đặc điểm khác với một cổ phiếu có Momentum tương tự nhưng earnings surprise liên tục tích cực. Nếu chỉ nhìn biến động giá, hai trường hợp có thể được xếp khá gần nhau. Nhưng khi bổ sung tín hiệu từ fundamentals, hệ thống có cơ hội phân biệt xu hướng được hỗ trợ bởi cải thiện kinh doanh với xu hướng chủ yếu đến từ thay đổi định giá hoặc dòng tiền ngắn hạn.

Một nguồn alpha khác có thể đến từ việc phân tích phản ứng giá trước thông tin mới. Chẳng hạn, một doanh nghiệp công bố kết quả kinh doanh tốt hơn kỳ vọng nhưng giá cổ phiếu chỉ phản ứng rất nhẹ. Điều này có thể là vì thông tin đã được thị trường dự báo trước, nhưng cũng có thể phản ánh phản ứng điều chỉnh giá chưa đầy đủ. Để phân biệt hai trường hợp, mô hình cần xem xét mức độ bất ngờ thực sự của thông tin, kỳ vọng trước đó, thanh khoản, định giá và diễn biến của nhóm ngành. Không thể đơn giản kết luận rằng giá chưa tăng thì cổ phiếu còn dư địa tăng.

Bên cạnh đó, những dữ liệu phi cấu trúc như báo cáo giải trình, tài liệu gặp nhà đầu tư và nội dung trao đổi của ban lãnh đạo cũng có thể trở thành một lớp tín hiệu bổ sung. Đây chính là hướng Text Alpha từ earnings call mà mình đã đề cập ở bài trước. Nếu dữ liệu văn bản được chuẩn hóa theo thời điểm công bố và được kiểm định đúng cách, LLM có thể giúp tạo ra những đặc trưng về thay đổi guidance, kỳ vọng doanh thu, rủi ro vận hành hoặc kế hoạch đầu tư. Khi kết hợp với tín hiệu giá và báo cáo tài chính, hệ thống có cơ hội tiếp cận phần thông tin mà các factor truyền thống chưa đo lường đầy đủ.

Tuy nhiên, ở Việt Nam còn có một giới hạn quan trọng là quy mô và cấu trúc thị trường. Không phải cổ phiếu nào cũng có thanh khoản đủ tốt để giao dịch theo tín hiệu định lượng. Những chiến lược có turnover cao có thể tạo ra backtest hấp dẫn nhưng rất khó thực hiện khi tính đến spread, trượt giá, phí giao dịch và tác động của lệnh lên thị trường. Các mô hình long-short hoặc portfolio market-neutral phổ biến trong nghiên cứu quốc tế cũng không thể được sao chép nguyên trạng khi điều kiện bán khống và công cụ phòng hộ tại Việt Nam còn khác biệt.

Vì vậy, việc đánh giá alpha phải gắn với tập cổ phiếu và phương thức giao dịch thực tế. Một tín hiệu có khả năng xếp hạng tốt trên toàn bộ cổ phiếu niêm yết chưa chắc hoạt động hiệu quả trong nhóm VN100 có thanh khoản cao. Ngược lại, một mô hình chỉ có hiệu quả ở những cổ phiếu vốn hóa rất nhỏ cũng chưa chắc phù hợp với một danh mục có quy mô vốn lớn. Cùng một nguồn alpha có thể có giá trị rất khác nhau tùy capacity, tức lượng vốn mà chiến lược có thể triển khai trước khi chính hoạt động giao dịch làm suy giảm hiệu quả.

Nếu xây dựng hệ thống nghiên cứu theo hướng này, mình sẽ bắt đầu bằng việc đánh giá từng signal trên cùng một universe, cùng lịch sử dữ liệu và cùng quy tắc giao dịch. Một signal Momentum không nên được kiểm định trên nhóm cổ phiếu thanh khoản cao rồi so sánh trực tiếp với một signal Fundamental được kiểm định trên toàn thị trường. Tương tự, dữ liệu báo cáo tài chính phải được gắn với thời điểm công bố thực tế, không được sử dụng lại số liệu điều chỉnh hoặc công bố bổ sung như thể những thông tin đó đã có sẵn trong quá khứ.

Sau khi chuẩn hóa, từng signal có thể được kiểm tra bằng Information Coefficient, tức tương quan giữa điểm dự báo và lợi nhuận cổ phiếu trong kỳ tiếp theo. Nhưng IC chỉ là một phần của bức tranh. Chúng ta còn cần quan sát tính ổn định của IC qua thời gian, hiệu quả của các nhóm cổ phiếu được xếp hạng, sự nhạy cảm với thị trường tăng giảm và mức độ phụ thuộc vào từng ngành. Một mô hình có IC trung bình tốt nhưng chỉ tạo ra kết quả nhờ vài giai đoạn ngắn có thể kém đáng tin cậy hơn mô hình có IC vừa phải nhưng tương đối ổn định qua nhiều điều kiện thị trường.

Bước tiếp theo mới là xem các signal có thực sự khác nhau hay không. Có thể bắt đầu bằng tương quan giữa điểm số, nhưng nên kiểm tra thêm tương quan giữa lợi nhuận của các danh mục được xây dựng từ từng signal. Hai mô hình có điểm dự báo khác nhau về mặt thống kê nhưng vẫn có thể lựa chọn phần lớn các cổ phiếu giống nhau. Ngược lại, sự khác biệt trong điểm số có thể không chuyển thành hiệu quả đầu tư nếu những vị thế khác biệt nằm ở các mã không đủ thanh khoản hoặc có trọng số quá nhỏ.

Một cách kiểm tra quan trọng hơn là phân rã lợi nhuận theo factor. Nếu một chiến lược mới có lợi nhuận tốt, chúng ta có thể sử dụng hồi quy để đánh giá bao nhiêu phần hiệu quả được giải thích bởi Momentum, Value, Size, Quality, Market Beta hoặc các exposure ngành. Phần còn lại, nếu có ý nghĩa thống kê và duy trì ngoài mẫu, mới cung cấp thêm bằng chứng về alpha khác biệt. Đây cũng là tư duy mà nghiên cứu mới của Man Group sử dụng khi phân biệt giữa lợi nhuận từ những factor phổ biến và residual alpha của nhà quản lý.

Điều này dẫn đến một thay đổi đáng kể trong cách quyết định có nên đưa signal mới vào hệ thống. Thay vì chỉ hỏi Sharpe của mô hình mới là bao nhiêu, chúng ta có thể so sánh performance của portfolio trước và sau khi bổ sung nó. Nếu một tín hiệu có Sharpe đứng riêng khá cao nhưng gần như không cải thiện Information Ratio, drawdown hay hiệu quả sau chi phí giao dịch của danh mục tổng thể, đóng góp thực tế có thể không lớn. Ngược lại, một tín hiệu có Sharpe riêng thấp hơn nhưng giúp giảm rủi ro tập trung hoặc cải thiện hiệu quả ngoài mẫu có thể đáng được ưu tiên hơn.

Tất nhiên, việc bổ sung signal cũng không thể dựa hoàn toàn vào tối ưu hóa trọng số trên dữ liệu lịch sử. Nếu chúng ta thử hàng trăm tổ hợp và chọn cấu hình có Sharpe cao nhất, kết quả rất dễ bị overfitting. Một thiết kế hợp lý hơn là sử dụng walk-forward backtest, trong đó mô hình được huấn luyện và lựa chọn tham số trên dữ liệu đã có tại từng thời điểm, sau đó kiểm tra trên giai đoạn tiếp theo chưa được sử dụng trong quá trình phát triển. Đối với những bài toán dự báo có kỳ hạn chồng lấn, việc tách mẫu còn cần xử lý nguy cơ thông tin giữa train và test bị giao thoa.

Một điểm khác mình nghĩ rất quan trọng là đánh giá tương quan trong các giai đoạn thị trường căng thẳng, thay vì chỉ sử dụng tương quan trung bình của toàn bộ lịch sử. Hai signal có thể có correlation thấp trong phần lớn thời gian nhưng cùng chịu drawdown lớn khi thị trường đảo chiều mạnh hoặc thanh khoản suy giảm. Những giai đoạn như vậy thường là lúc lợi ích đa dạng hóa được cần đến nhiều nhất. Nếu chỉ nhìn ma trận correlation trung bình, hệ thống có thể đánh giá thấp rủi ro các chiến lược cùng thất bại trong một macro regime cụ thể.

Vì vậy, việc kết hợp nhiều signal nên đi kèm phân tích regime, nhưng không nhất thiết phải dự báo chính xác mọi chế độ thị trường. Chúng ta có thể kiểm tra hiệu quả của từng nguồn alpha trong môi trường xu hướng tăng, giảm, đi ngang, volatility cao hoặc thanh khoản suy yếu. Nếu một signal có mức phụ thuộc lớn vào một regime nhất định, điều đó cần được thể hiện trong phân bổ rủi ro. Nếu nhiều signal cùng chịu áp lực trong một điều kiện thị trường, hệ thống cũng phải nhận diện đó là một exposure chung thay vì coi chúng là các chiến lược độc lập.

Một câu hỏi nữa là khi quy mô danh mục tăng, những nguồn alpha khác biệt có còn khai thác được hay không. Nghiên cứu tháng 9/2026 của Man Group chỉ ra rằng trong mẫu họ phân tích, những manager có quy mô lớn hơn đã trở nên phụ thuộc nhiều hơn vào các factor phổ biến sau Quant Winter. Một cách lý giải là khi tài sản quản lý tăng, quỹ cần sử dụng những cổ phiếu và chiến lược có capacity đủ lớn. Điều này có thể khiến họ phải phân bổ nhiều hơn vào các nguồn lợi nhuận phổ biến, trong khi những cơ hội mang tính đặc thù thường khó triển khai ở quy mô lớn.

Với Việt Nam, vấn đề này có thể còn đáng quan tâm hơn vì sự chênh lệch thanh khoản giữa các nhóm cổ phiếu khá lớn. Một signal khai thác sự chậm phản ánh thông tin ở cổ phiếu vốn hóa nhỏ có thể tạo ra lợi nhuận lịch sử tốt, nhưng khả năng triển khai thực tế lại bị giới hạn bởi khối lượng giao dịch. Nếu không đưa capacity và transaction cost vào đánh giá từ đầu, hệ thống có thể lựa chọn những mô hình tối ưu trên lý thuyết nhưng thiếu khả năng thực hiện.

Mình cũng nghĩ Quant Renaissance có một hàm ý khá thú vị với việc sử dụng AI trong đầu tư. Hiện nay, chúng ta có thể xây dựng rất nhiều mô hình machine learning, deep learning hoặc LLM để dự báo giá cổ phiếu. Nhưng nếu tất cả đều được huấn luyện trên cùng một tập dữ liệu OHLCV và cùng tối ưu để dự báo return trong một khoảng thời gian ngắn, việc đổi thuật toán chưa chắc tạo ra sự đa dạng hóa đáng kể. Một mô hình XGBoost, một mô hình LSTM và một neural network có thể học những quan hệ tương tự nhau, dù cấu trúc kỹ thuật hoàn toàn khác.

Điều đáng quan tâm hơn là liệu mô hình mới có tiếp cận được một nguồn thông tin khác, nhận diện một cơ chế kinh tế khác hoặc khai thác được mối quan hệ mà hệ thống hiện tại chưa sử dụng hay không. Một mô hình dự báo thay đổi kỳ vọng lợi nhuận doanh nghiệp có thể khác về bản chất với mô hình Momentum giá. Một mô hình nhận diện sự thay đổi trong nội dung công bố thông tin có thể bổ sung góc nhìn khác với mô hình định giá. Nhưng để khẳng định sự khác biệt đó mang giá trị đầu tư, tất cả vẫn phải quay về cùng một quy trình kiểm định ngoài mẫu và đo lường đóng góp vào portfolio.

Và có lẽ đây là điểm quan trọng nhất khi nhìn vào Quant Renaissance. Trong một thời gian dài, phần lớn nghiên cứu đầu tư định lượng tập trung vào việc tìm những factor có khả năng dự báo return tốt hơn. Nhưng khi thị trường ngày càng hiệu quả hơn, dữ liệu trở nên phổ biến hơn và nhiều nhà đầu tư khai thác những mô hình tương tự nhau, việc cải thiện hiệu quả dự báo của một signal riêng lẻ có thể không còn đủ để tạo ra lợi thế bền vững.

Một hệ thống đầu tư tốt vì thế không nhất thiết là hệ thống có nhiều mô hình nhất, sử dụng thuật toán mới nhất hoặc liên tục tạo ra những tín hiệu mua bán. Nó cần hiểu lợi nhuận đến từ đâu, những nguồn alpha nào đang bị trùng lặp, những yếu tố rủi ro nào đang tích tụ và khi điều kiện thị trường thay đổi thì danh mục sẽ phản ứng thế nào. Điều khó không phải là tạo ra thêm một mô hình có backtest đẹp, mà là chứng minh mô hình đó thực sự bổ sung giá trị sau khi đặt cạnh tất cả những gì chúng ta đã có.

Nếu nhìn theo cách này, Quant Renaissance không phải sự trở lại đơn thuần của systematic investing sau một giai đoạn performance khó khăn. Nó phản ánh một sự thay đổi rộng hơn trong tư duy nghiên cứu: từ việc tìm những factor có hiệu quả cao sang việc xây dựng một hệ sinh thái các nguồn alpha có cơ chế kinh tế khác biệt, mức độ phụ thuộc được đo lường rõ ràng và khả năng kết hợp hiệu quả trong danh mục.

Và có lẽ câu hỏi quan trọng nhất của một nhà nghiên cứu Quant ngày nay không còn chỉ là “Mô hình mới này dự báo tốt đến đâu?”, mà là “Nó đang dự báo điều gì mà những mô hình hiện tại chưa dự báo được, và phần thông tin khác biệt đó có thực sự chuyển thành lợi nhuận sau rủi ro và chi phí giao dịch hay không?”

Theo mình, đó mới là ý nghĩa thực sự của Quant Renaissance. Không phải quay lại tìm một công thức đầu tư có thể hoạt động trong mọi thị trường, mà là xây dựng một hệ thống đủ đa dạng để không phải phụ thuộc vào một công thức duy nhất.