Tại sao Quant thích xếp hạng 500 cổ phiếu hơn dự báo chính xác từng mã?

PHẦN 1. Vì sao đoán đúng mọi giá cổ phiếu không phải mục tiêu tốt nhất?

Khi ứng dụng Machine Learning vào thị trường chứng khoán, cách tiếp cận phổ biến là sử dụng dữ liệu lịch sử để dự báo mức giá hoặc tỷ suất sinh lời của từng cổ phiếu trong tương lai. Chẳng hạn, mô hình được yêu cầu dự báo FPT sẽ tăng bao nhiêu phần trăm trong năm phiên tới, HPG sẽ biến động ra sao hoặc một cổ phiếu ngân hàng có khả năng tăng hay giảm trong tuần tiếp theo. Về mặt kỹ thuật, đây là bài toán regression tương đối quen thuộc. Tuy nhiên, giá cổ phiếu chịu ảnh hưởng đồng thời từ nhiều yếu tố như biến động thị trường chung, xu hướng ngành, kết quả kinh doanh, thay đổi kỳ vọng và những cú sốc thông tin không thể dự đoán trước. Việc dự báo chính xác mức sinh lời tuyệt đối của từng cổ phiếu vì thế rất khó, đặc biệt khi kỳ hạn dự báo ngắn và phần lớn biến động đến từ nhiễu thị trường.

Trong thực tế, nhiều nhà quản lý danh mục không nhất thiết cần biết một cổ phiếu sẽ tăng chính xác 2,5% hay 3% trong năm phiên. Điều họ quan tâm hơn là liệu cổ phiếu đó có triển vọng tốt hơn những lựa chọn khác trong cùng khoảng thời gian hay không. Nếu đang quản lý một danh mục gồm 500 cổ phiếu tiềm năng, nhà đầu tư cần quyết định nên tăng tỷ trọng những mã nào, giảm tỷ trọng những mã nào và phân bổ vốn ra sao để cải thiện hiệu quả tổng thể. Một mô hình có thể không dự báo đúng mức lợi nhuận tuyệt đối, nhưng nếu thường xuyên xếp những cổ phiếu có kết quả tốt hơn lên đầu danh sách và những cổ phiếu kém hơn xuống cuối danh sách, nó vẫn có thể mang lại giá trị đáng kể cho quá trình lựa chọn danh mục.

Đây là lý do Cross-sectional Ranking trở thành một hướng nghiên cứu quan trọng trong Quant Investing. Thay vì xây dựng mô hình chỉ quan sát chuỗi thời gian của từng cổ phiếu một cách độc lập, hệ thống xem xét nhiều cổ phiếu tại cùng một thời điểm và đánh giá triển vọng tương đối giữa chúng. Ví dụ, trong một tập 500 cổ phiếu, mô hình có thể kết hợp Momentum, Value, Quality, Volatility và các thông tin liên quan đến trạng thái thị trường để tạo ra một điểm số cho từng mã. Sau đó, toàn bộ cổ phiếu được sắp xếp từ nhóm có triển vọng cao nhất đến thấp nhất. Nếu chia thành mười nhóm phân vị, mỗi nhóm sẽ chứa khoảng 50 cổ phiếu, giả sử tất cả 500 mã đều đủ điều kiện. Bài toán khi đó không còn là dự báo chính xác từng mức giá, mà là kiểm tra liệu nhóm được xếp hạng cao có thực sự tạo ra hiệu quả tốt hơn nhóm được xếp hạng thấp trong tương lai hay không.

Một ví dụ đơn giản có thể cho thấy sự khác biệt. Giả sử mô hình dự báo cổ phiếu A tăng 4%, B tăng 3% và C tăng 1% trong năm phiên tiếp theo. Trên thực tế, cả ba cổ phiếu đều chịu tác động từ thị trường và lần lượt giảm 1%, 2% và 5%. Nếu đánh giá bằng sai số dự báo lợi nhuận tuyệt đối, kết quả của mô hình khá kém vì cả ba mức dự báo đều sai đáng kể. Tuy nhiên, thứ tự tương đối giữa A, B và C vẫn được giữ nguyên: A hoạt động tốt hơn B, còn B tốt hơn C. Nếu mục tiêu là lựa chọn cổ phiếu có khả năng vượt trội, thông tin xếp hạng này vẫn có thể hữu ích. Tất nhiên, nhà đầu tư mua A vẫn đang chịu lỗ, nên ranking không thể thay thế hoàn toàn quản trị rủi ro hoặc đánh giá xu hướng thị trường chung. Nhưng ví dụ cho thấy một mô hình có thể dự báo sai độ lớn biến động mà vẫn mang thông tin có giá trị đối với stock selection.

Một lợi thế khác của ranking là giảm sự phụ thuộc vào việc dự báo chính xác biến động chung của thị trường. Trong một giai đoạn bull market, phần lớn cổ phiếu có thể cùng tăng giá, khiến mô hình chỉ dự báo return dương đạt tỷ lệ dự báo đúng chiều tương đối cao. Tuy nhiên, khả năng đó chưa chứng minh mô hình biết lựa chọn cổ phiếu tốt hơn thị trường. Nếu VN-Index tăng 5% nhưng danh mục được mô hình lựa chọn chỉ tăng 3%, nhà đầu tư vẫn đang hoạt động kém hơn benchmark. Ngược lại, trong một giai đoạn thị trường giảm mạnh, nhóm cổ phiếu được xếp hạng cao có thể giảm ít hơn nhóm còn lại. Vì vậy, muốn đánh giá năng lực stock selection, cần tách phần lợi nhuận đến từ market beta và biến động ngành khỏi phần hiệu quả thực sự do mô hình tạo ra.

Với thị trường Việt Nam, yếu tố này càng đáng quan tâm vì nhiều cổ phiếu có xu hướng biến động cùng chiều khi dòng tiền tập trung vào những nhóm ngành lớn như ngân hàng, chứng khoán, bất động sản hoặc thép. Một mô hình dự báo return tuyệt đối có thể học được rằng trong giai đoạn thị trường tăng, phần lớn cổ phiếu cũng có xác suất tăng cao. Nhưng một mô hình ranking tốt cần đi xa hơn: trong cùng nhóm ngân hàng, cổ phiếu nào có triển vọng tương đối tốt hơn; trong nhóm sản xuất, doanh nghiệp nào đang cải thiện chất lượng lợi nhuận; và trong toàn bộ universe, những mã nào có khả năng vượt trội sau khi đã kiểm soát ảnh hưởng từ thị trường chung. Việc chuẩn hóa tín hiệu theo mặt cắt thị trường hoặc theo ngành có thể giúp làm rõ những khác biệt này, dù nó cũng có thể loại bỏ một phần thông tin hữu ích về xu hướng ngành nếu được áp dụng quá mạnh.

Tuy vậy, khả năng xếp hạng tốt không đồng nghĩa với việc một chiến lược sẽ tạo alpha bền vững. Khi một tín hiệu trở nên phổ biến, nhiều nhà đầu tư có thể cùng giao dịch theo hướng giống nhau, khiến lợi thế bị phản ánh vào giá nhanh hơn. Một chiến lược Momentum từng hoạt động tốt có thể suy yếu khi các vị thế trở nên crowded hoặc khi trạng thái thị trường thay đổi đột ngột. Ngoài ra, những cổ phiếu được xếp hạng cao nhất có thể có thanh khoản thấp, spread lớn hoặc biến động mạnh khiến nhà đầu tư khó thực hiện giao dịch ở mức giá kỳ vọng. Vì vậy, bài toán Quant không dừng lại ở việc tạo ra bảng xếp hạng chính xác hơn. Câu hỏi cuối cùng vẫn là liệu bảng xếp hạng đó có giúp xây dựng một danh mục hiệu quả hơn sau khi đã tính đến chi phí, rủi ro và khả năng triển khai bằng vốn thực tế hay không.

PHẦN 2. Cross-sectional Ranking và chất lượng lựa chọn cổ phiếu tương đối

Một nghiên cứu đáng chú ý theo hướng này 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, đăng trên SSRN ngày 18/06/2026. Thay vì chỉ xử lý từng cổ phiếu như những chuỗi thời gian độc lập, nhóm tác giả xây dựng bài toán dưới dạng xếp hạng lợi nhuận tương đối trên thị trường A-share Trung Quốc. Phương pháp được mô tả kết hợp các factor có thể diễn giải về kinh tế, chuẩn hóa dữ liệu theo mặt cắt thị trường và xử lý ảnh hưởng ngành. Đồng thời, kiến trúc attention pooling được sử dụng để tổng hợp thông tin từ nhiều cổ phiếu nhằm nhận diện trạng thái thị trường và quan hệ giữa các tài sản. Theo kết quả do tác giả công bố, mô hình cải thiện các chỉ tiêu như Information Coefficient, annualized excess return và Information Ratio so với những mô hình đối chứng trong mẫu nghiên cứu. Tuy nhiên, đây là kết quả trên dữ liệu A-share, không phải bằng chứng một kiến trúc tương tự sẽ đạt hiệu quả tương ứng tại Việt Nam.

Điểm quan trọng của hướng nghiên cứu này là sự thay đổi trong cách mô hình học từ dữ liệu. Với phương pháp regression truyền thống, mô hình thường được huấn luyện để giảm sai số giữa return dự báo và return thực tế. Nếu dự báo lợi nhuận 5% nhưng kết quả chỉ đạt 2%, mô hình bị phạt vì sai lệch 3 điểm phần trăm. Trong khi đó, một mô hình ranking có thể tập trung vào việc đặt các cổ phiếu đúng thứ tự tương đối. Chẳng hạn, nếu cổ phiếu A thực tế hoạt động tốt hơn B, mô hình được khuyến khích gán điểm cho A cao hơn B. Cách tối ưu này gần hơn với quá trình ra quyết định của một nhà quản lý danh mục khi phải lựa chọn giữa nhiều tài sản. Tuy nhiên, không phải mọi phương pháp regression đều không phù hợp với stock selection. Một mô hình regression đơn giản nhưng được đánh giá bằng thứ hạng dự báo vẫn có thể đạt hiệu quả tốt, nên việc thay đổi loss function cần được kiểm định thay vì mặc định sẽ tạo ra cải thiện.

Trong Machine Learning, có thể phân biệt ba hướng tối ưu phổ biến gồm regression loss, pairwise ranking loss và listwise ranking loss. Regression loss tập trung giảm sai số của từng giá trị dự báo. Pairwise ranking loss xem xét quan hệ giữa từng cặp cổ phiếu, khuyến khích mô hình xếp cổ phiếu có return tương lai cao hơn lên phía trên. Trong khi đó, listwise ranking loss xem xét cấu trúc thứ hạng của một nhóm hoặc toàn bộ danh sách cổ phiếu trong cùng thời điểm. Ví dụ, nếu có 500 cổ phiếu, pairwise ranking có thể tạo ra rất nhiều cặp so sánh, trong khi listwise ranking hướng đến việc tối ưu chất lượng của cả danh sách. Mỗi phương pháp có ưu điểm và chi phí tính toán khác nhau, nhưng không có phương pháp nào tốt hơn trong mọi điều kiện. Đặc biệt, khi return ngắn hạn chứa nhiều nhiễu và chênh lệch lợi nhuận giữa các cổ phiếu rất nhỏ, việc ép mô hình học chính xác thứ tự của mọi cặp có thể khiến hệ thống học cả những khác biệt ngẫu nhiên không có giá trị kinh tế.

Một yếu tố kỹ thuật quan trọng là cách xác định target. Nếu chỉ lấy return tương lai của từng cổ phiếu làm nhãn, mô hình có thể học rất nhiều thông tin phản ánh trạng thái thị trường chung. Một hướng khác là sử dụng excess return so với benchmark hoặc lợi nhuận đã điều chỉnh theo ngành. Chẳng hạn, nếu cổ phiếu ngân hàng A tăng 4% trong khi nhóm ngân hàng tăng trung bình 6%, mức tăng tuyệt đối của A là tích cực nhưng hiệu quả tương đối trong ngành lại không nổi bật. Việc sử dụng industry-neutralized target có thể giúp mô hình tập trung hơn vào năng lực lựa chọn cổ phiếu trong nội bộ ngành, giảm nguy cơ chỉ đặt cược vào một sector đang thuận lợi. Tuy nhiên, nếu mục tiêu đầu tư bao gồm cả việc nắm bắt sector rotation, trung hòa ngành hoàn toàn có thể làm mất một nguồn tín hiệu hữu ích. Vì vậy, lựa chọn target phải gắn với mục tiêu danh mục, thay vì xem chuẩn hóa theo ngành là một thao tác luôn mang lại lợi ích.

Một khía cạnh khác trong nghiên cứu của Wu và Liu là việc sử dụng thông tin trạng thái thị trường khi xây dựng biểu diễn của từng cổ phiếu. Điều này có cơ sở thực tế vì cùng một tín hiệu có thể mang ý nghĩa khác nhau trong những điều kiện thị trường khác nhau. Momentum có thể phát huy tác dụng trong giai đoạn xu hướng rõ ràng nhưng suy yếu khi thị trường đảo chiều liên tục. Value có thể hoạt động tốt hơn trong một số giai đoạn tái định giá, trong khi những doanh nghiệp có chất lượng tài chính cao có thể được nhà đầu tư ưu tiên khi mức độ bất định tăng. Nếu mô hình chỉ xem xét từng cổ phiếu riêng lẻ mà không có ngữ cảnh thị trường, nó có thể bỏ qua những mối quan hệ này. Tuy nhiên, việc bổ sung Market-State Attention hoặc các mô hình Deep Learning phức tạp cũng làm tăng nguy cơ overfitting, đặc biệt khi dữ liệu lịch sử không đủ dài hoặc số lượng trạng thái thị trường thực sự khác biệt còn hạn chế.

Một vấn đề thường bị đánh giá thấp là thời điểm hình thành nhãn dự báo phải phù hợp với khả năng giao dịch. Nếu dữ liệu đầu vào sử dụng toàn bộ thông tin sau khi kết thúc phiên T, chiến lược không thể mặc định mua được tại chính giá đóng cửa phiên đó. Một phương pháp hợp lý hơn là phát tín hiệu sau phiên T và mô phỏng việc thực hiện giao dịch trong phiên tiếp theo theo quy tắc xác định trước. Return dùng để huấn luyện và kiểm định cần tương ứng với khoảng thời gian mà nhà đầu tư thực sự có thể nắm giữ cổ phiếu. Ngoài ra, nếu dự báo return T+5 được tạo mỗi ngày, các nhãn liên tiếp sẽ có khoảng thời gian quan sát chồng lấn. Điều này khiến dữ liệu không độc lập và có thể tạo ra leakage tại ranh giới train/test nếu quy trình chia mẫu không được thiết kế cẩn thận. Walk-forward testing kết hợp kiểm soát những cửa sổ nhãn chồng lấn sẽ phù hợp hơn so với chia dữ liệu ngẫu nhiên.

Khi đánh giá một mô hình ranking, chỉ nhìn vào chỉ số accuracy hoặc mức lợi nhuận của danh mục tốt nhất là chưa đủ. Một chỉ tiêu phổ biến là Rank IC, thường được tính bằng hệ số tương quan thứ hạng Spearman giữa score dự báo và return tương lai của các cổ phiếu trong cùng một ngày. Nếu Rank IC có giá trị dương tương đối ổn định, mô hình có thể đang chứa thông tin hữu ích cho việc lựa chọn cổ phiếu. Tuy nhiên, giá trị trung bình của Rank IC cũng cần được đặt trong bối cảnh độ phân tán, số lượng cổ phiếu, số kỳ quan sát và sự phụ thuộc theo thời gian. Một mô hình có Rank IC trung bình dương nhưng chỉ đạt kết quả tốt trong vài tháng đặc biệt chưa chắc đáng tin. Tương tự, một mô hình có Rank IC thấp nhưng tạo ra khả năng phân biệt rõ ở nhóm cổ phiếu đứng đầu vẫn có thể hữu ích đối với chiến lược chỉ lựa chọn top-ranked stocks.

Cần nhấn mạnh rằng tương quan thống kê không đồng nghĩa với quan hệ nhân quả. Nếu một factor có tương quan với return tương lai, điều đó có thể đủ để nghiên cứu khả năng dự báo, nhưng chưa chứng minh factor đó trực tiếp gây ra biến động giá. Chẳng hạn, một chỉ số Momentum có thể phản ánh sự điều chỉnh kỳ vọng của nhà đầu tư, nhưng cũng có thể chỉ là kết quả của dòng tiền ngắn hạn hoặc một trạng thái thị trường thuận lợi. Nếu điều kiện nền tảng thay đổi, quan hệ từng xuất hiện trong lịch sử có thể suy yếu nhanh chóng. Đây là lý do một mô hình ranking tốt cần được kiểm tra trên nhiều giai đoạn, nhiều nhóm ngành và nhiều mức thanh khoản, thay vì chỉ tối ưu kết quả trên toàn bộ mẫu dữ liệu. Những kết quả từ thị trường Trung Quốc, Mỹ hay toàn cầu có thể cung cấp phương pháp nghiên cứu hữu ích, nhưng không thể được xem là lợi nhuận dự kiến cho thị trường Việt Nam nếu chưa có kiểm định riêng.

PHẦN 3. Từ 500 điểm dự báo đến một danh mục thực sự giao dịch được tại Việt Nam

Nếu triển khai Cross-sectional Ranking tại Việt Nam, bước đầu tiên nên là xây dựng một universe gồm những cổ phiếu có dữ liệu và điều kiện giao dịch phù hợp. Một tập khoảng 500 mã từ HOSE, HNX và UPCoM có thể được sử dụng làm phạm vi nghiên cứu, nhưng con số này cần được xác định từ dữ liệu thực tế ở từng thời điểm chứ không phải mặc định luôn có đúng 500 cổ phiếu đủ điều kiện. Những mã thiếu dữ liệu, bị hạn chế giao dịch hoặc có thanh khoản quá thấp phải được xử lý theo các quy tắc xác định trước. Đặc biệt, không nên sử dụng danh sách cổ phiếu đang tồn tại ở hiện tại để backtest ngược về quá khứ, bởi cách làm này có thể loại bỏ những doanh nghiệp đã hủy niêm yết hoặc không còn hoạt động, khiến kết quả bị survivorship bias. Một hệ thống ranking chỉ có giá trị nếu danh sách cổ phiếu được xếp hạng phản ánh đúng những lựa chọn mà nhà đầu tư thực sự có tại thời điểm đó.

Sau khi xây dựng universe, có thể bắt đầu với những feature tương đối dễ kiểm chứng như Momentum 20 phiên, 60 phiên, định giá, ROE, chất lượng dòng tiền, biến động giá và thanh khoản bình quân. Các feature cần được xử lý nhất quán giữa các cổ phiếu, đồng thời chú ý sự khác biệt giữa nhóm ngân hàng, công ty chứng khoán và doanh nghiệp phi tài chính. Chẳng hạn, tỷ lệ nợ vay mang ý nghĩa khác nhau giữa ngân hàng và doanh nghiệp sản xuất, nên không thể áp dụng cùng một cách chấm điểm mà không xét đến đặc thù ngành. Với dữ liệu báo cáo tài chính, ngày công bố thực tế quan trọng hơn ngày kết thúc kỳ kế toán, bởi thông tin của quý trước có thể chưa được nhà đầu tư biết tại thời điểm mô hình phát tín hiệu. Nếu vô tình sử dụng dữ liệu tương lai, bảng xếp hạng có thể đạt hiệu quả rất cao trên lịch sử nhưng không thể tái lập trong giao dịch thật.

Ở giai đoạn xây dựng mô hình, nên bắt đầu bằng những phương pháp đơn giản trước khi sử dụng các kiến trúc Deep Learning phức tạp. Một Composite Score kết hợp Value, Quality và Momentum có thể làm baseline để so sánh với Linear Regression, LightGBM hoặc những phương pháp Learning to Rank. Các mô hình cần được huấn luyện và đánh giá trên cùng tập dữ liệu, cùng kỳ hạn dự báo và cùng quy trình walk-forward. Nếu một mô hình ranking phức tạp không cải thiện đáng kể Rank IC, khả năng phân biệt nhóm cổ phiếu tốt và hiệu quả danh mục sau chi phí so với một baseline đơn giản, việc bổ sung độ phức tạp có thể không mang lại giá trị tương xứng. Mục tiêu của nghiên cứu Quant không phải chứng minh thuật toán hiện đại nhất luôn chiến thắng, mà là xác định phương pháp nào tạo ra thông tin hữu ích và ổn định nhất trong điều kiện dữ liệu thực tế.

Một cách đánh giá trực quan là chia toàn bộ cổ phiếu thành các nhóm theo phân vị của score. Giả sử tại mỗi thời điểm có 500 cổ phiếu hợp lệ, hệ thống có thể chia chúng thành mười nhóm, mỗi nhóm khoảng 50 mã. Nhóm đầu tiên chứa những cổ phiếu được mô hình đánh giá cao nhất, trong khi nhóm cuối cùng chứa những mã có điểm thấp nhất. Sau khi quan sát return tương lai, nhà nghiên cứu có thể kiểm tra xem lợi nhuận trung bình có giảm dần từ nhóm đầu xuống nhóm cuối hay không. Nếu nhóm top 10% thường xuyên hoạt động tốt hơn nhóm 10–20%, nhóm giữa và nhóm cuối, đó là bằng chứng hỗ trợ cho khả năng xếp hạng của mô hình. Ngược lại, nếu kết quả giữa các nhóm biến động ngẫu nhiên hoặc phần lớn lợi nhuận chỉ đến từ vài mã tăng giá bất thường, cần thận trọng khi kết luận score có giá trị dự báo.

Trong Quant, tính đơn điệu của kết quả theo các nhóm phân vị, hay monotonicity, là một kiểm tra đáng quan tâm. Một mô hình không nhất thiết phải tạo ra đường lợi nhuận giảm đều hoàn hảo từ nhóm một đến nhóm mười, bởi thị trường tài chính chứa nhiều nhiễu. Tuy nhiên, nếu score được thiết kế để phản ánh triển vọng tương đối, nhà nghiên cứu kỳ vọng những nhóm có điểm cao hơn sẽ có xu hướng đạt kết quả tốt hơn qua nhiều kỳ quan sát. Ngoài lợi nhuận trung bình, cũng nên xem độ phân tán kết quả, tỷ lệ các kỳ nhóm top vượt benchmark và mức chênh lệch lợi nhuận giữa top-decile với bottom-decile. Với Việt Nam, top-bottom spread chủ yếu nên được sử dụng như một chỉ tiêu chẩn đoán khả năng xếp hạng, bởi chiến lược mua nhóm đầu và bán khống nhóm cuối không dễ triển khai trực tiếp trên thị trường cổ phiếu cơ sở.

Một vấn đề thực tế khác là các cổ phiếu có thứ hạng cao nhất chưa chắc phù hợp để đưa ngay vào danh mục. Giả sử mô hình xếp một cổ phiếu thanh khoản thấp đứng đầu bảng vì Momentum mạnh và định giá hấp dẫn, nhưng giá trị giao dịch bình quân chỉ vài trăm triệu đồng mỗi phiên. Nếu nhà đầu tư muốn giải ngân với quy mô lớn, việc mua đủ cổ phiếu có thể tạo tác động giá đáng kể. Trong một số trường hợp, cổ phiếu tăng trần hoặc giảm sàn liên tiếp còn khiến lệnh mua bán không thể thực hiện ở mức giá dự kiến. Vì vậy, quá trình chuyển ranking thành portfolio phải bổ sung giới hạn về thanh khoản, tỷ trọng tối đa, mức độ tập trung ngành và khả năng giải ngân. Một cổ phiếu đứng thứ mười với thanh khoản tốt và rủi ro phù hợp đôi khi có thể hữu ích hơn cổ phiếu đứng đầu nhưng khó giao dịch.

Đối với chiến lược lựa chọn top-ranked stocks, cần kiểm tra cả mức độ ổn định của thứ hạng theo thời gian. Nếu một cổ phiếu hôm nay nằm trong top 20, ngày mai rơi xuống vị trí 100 rồi vài phiên sau quay lại top 30, hệ thống có thể tạo ra nhiều tín hiệu mua bán không cần thiết. Điều này làm turnover tăng và khiến phần lớn lợi thế dự báo bị tiêu hao bởi phí giao dịch, thuế bán và trượt giá. Một mô hình có Rank IC nhỉnh hơn nhưng tạo turnover cao gấp đôi chưa chắc có giá trị đầu tư tốt hơn. Vì vậy, ngoài chỉ tiêu dự báo, cần đánh giá tần suất thay đổi thành phần danh mục, thời gian nắm giữ trung bình và mức độ nhạy của kết quả với lịch tái cân bằng. Những quy tắc như chỉ điều chỉnh danh mục khi score thay đổi đủ lớn hoặc khi một cổ phiếu rơi ra khỏi ngưỡng xếp hạng nhất định có thể được đưa vào kiểm định để giảm giao dịch không cần thiết.

Một hướng khác cần xem xét là xây dựng danh mục ranking theo ngành hoặc sử dụng giới hạn phân bổ ngành. Với thị trường Việt Nam, những nhóm như ngân hàng, bất động sản, chứng khoán và thép có thể ảnh hưởng đáng kể đến biến động chung của danh mục. Nếu mô hình luôn xếp cổ phiếu của một ngành lên đầu vì ngành đó đang có Momentum mạnh, hiệu quả đầu tư có thể chủ yếu đến từ sector exposure thay vì khả năng lựa chọn doanh nghiệp. Có thể thử nghiệm một danh mục ranking toàn thị trường và một danh mục ranking trong từng ngành, sau đó so sánh kết quả. Phiên bản đầu tiên cho phép khai thác cả sự khác biệt giữa các ngành, trong khi phiên bản thứ hai tập trung nhiều hơn vào khả năng lựa chọn cổ phiếu trong nội bộ ngành. Không có cách tiếp cận nào luôn vượt trội, bởi kết quả phụ thuộc vào mục tiêu đầu tư và đặc điểm dữ liệu trong từng giai đoạn.

Khi xây dựng báo cáo backtest, tôi cho rằng cần tách rõ ba loại kết quả: chất lượng dự báo, chất lượng danh mục và độ ổn định của quy trình. Chất lượng dự báo được phản ánh qua Rank IC, sự phân biệt giữa các nhóm phân vị và tính nhất quán của thứ hạng. Chất lượng danh mục được đánh giá bằng lợi nhuận sau chi phí, excess return, Sharpe Ratio, drawdown, turnover và mức độ tập trung rủi ro. Trong khi đó, độ ổn định của quy trình liên quan đến chất lượng dữ liệu, khả năng tái lập kết quả, phiên bản mô hình và sự nhất quán giữa backtest với giao dịch thực tế. Một mô hình cải thiện Rank IC nhưng không làm danh mục tốt hơn vì chi phí cao cần được diễn giải đúng. Tương tự, một danh mục giảm drawdown nhờ áp dụng giới hạn rủi ro không đồng nghĩa với việc mô hình dự báo cơ bản đã trở nên chính xác hơn.

Nếu đưa hệ thống này vào một nền tảng phân tích cổ phiếu Việt Nam, bảng xếp hạng cũng nên được thiết kế để người dùng hiểu được ý nghĩa của score. Thay vì chỉ hiển thị cổ phiếu A đạt 85 điểm và cổ phiếu B đạt 72 điểm, hệ thống nên cho biết điểm số được xây dựng từ những nhóm factor nào, thứ hạng đang nằm trong phân vị bao nhiêu và liệu kết quả có ổn định qua các lần cập nhật hay không. Một cổ phiếu thuộc top 10% của 500 mã có thể là thông tin hữu ích, nhưng người dùng còn cần xem thanh khoản, mức độ biến động, triển vọng ngành và điều kiện khiến tín hiệu mất hiệu lực. Đặc biệt, score không nên được trình bày như xác suất chắc chắn cổ phiếu sẽ tăng giá, trừ khi mô hình thực sự được huấn luyện và hiệu chỉnh để dự báo xác suất của một sự kiện xác định. Việc phân biệt rõ điểm xếp hạng, return kỳ vọng và khuyến nghị giao dịch sẽ giúp hệ thống minh bạch hơn.

Về dài hạn, một hệ thống ranking nên lưu lại toàn bộ điểm số đã phát hành để đối chiếu với kết quả thực tế. Mỗi lần cập nhật cần ghi nhận universe, nguồn dữ liệu, timestamp, phiên bản mô hình và thứ hạng của từng cổ phiếu. Khi một giai đoạn dự báo kết thúc, hệ thống có thể kiểm tra xem nhóm điểm cao có thực sự vượt nhóm còn lại, liệu mức hiệu quả đó có tồn tại sau chi phí và có suy giảm khi trạng thái thị trường thay đổi hay không. Nếu một tín hiệu từng hoạt động tốt nhưng liên tục mất khả năng phân biệt trong những tháng gần đây, nhà nghiên cứu cần đánh giá nguyên nhân trước khi tiếp tục sử dụng. Việc giám sát này giúp tránh tình trạng một bảng xếp hạng vẫn được duy trì chỉ vì từng tạo ra kết quả backtest đẹp trong quá khứ.

Điều quan trọng nhất của Cross-sectional Ranking không phải là mô hình có biết trước chính xác từng cổ phiếu sẽ tăng bao nhiêu phần trăm, mà là nó có liên tục nhận diện được những cổ phiếu tương đối tốt hơn khi nhà đầu tư cần lựa chọn hay không. Một mô hình dự báo giá có thể đạt sai số rất thấp nhưng không giúp cải thiện danh mục, trong khi một mô hình ranking có sai số return tương đối lớn vẫn có thể hữu ích nếu thứ hạng dự báo chứa thông tin ổn định. Tuy nhiên, khả năng xếp hạng tốt chỉ là điều kiện ban đầu. Alpha chỉ có ý nghĩa kinh tế khi chuyển thành danh mục có thể giao dịch, đáp ứng giới hạn rủi ro và duy trì hiệu quả sau chi phí.

Với thị trường Việt Nam, hướng nghiên cứu thực tế có thể bắt đầu từ một mô hình xếp hạng đơn giản trên tập cổ phiếu đủ thanh khoản, sử dụng các factor dễ giải thích như Value, Quality và Momentum. Sau đó, có thể so sánh với LightGBM hoặc Learning to Rank để kiểm tra giá trị bổ sung của các thuật toán phức tạp hơn. Nếu mô hình cải thiện khả năng lựa chọn cổ phiếu ngoài mẫu và kết quả đó vẫn tồn tại khi áp dụng giới hạn giao dịch, chúng ta mới có cơ sở để đánh giá khả năng ứng dụng. Việc mô hình sử dụng hàng trăm feature hay một kiến trúc attention hiện đại không phải là bằng chứng tự thân về chất lượng đầu tư.

Sau cùng, Quant không nhất thiết phải trả lời đúng câu hỏi “cổ phiếu này sẽ có giá bao nhiêu sau năm phiên?”. Trong nhiều chiến lược, câu hỏi hữu ích hơn là “trong 500 cổ phiếu đang có, những mã nào đáng được phân bổ vốn nhiều hơn và vì sao?”. Khả năng dự báo chính xác từng con số là một bài toán Machine Learning, còn khả năng biến thứ hạng tương đối thành một danh mục sinh lời có kiểm soát mới là bài toán Quant Investing thực sự.