Vì sao dữ liệu báo cáo tài chính cần gắn với ngày công bố thực tế?

Phần 1: Khi dữ liệu quá khứ vô tình biết trước tương lai

Trong đầu tư tài chính, dữ liệu báo cáo tài chính luôn được xem là một trong những nguồn thông tin quan trọng nhất để đánh giá chất lượng doanh nghiệp. Một nhà đầu tư có thể nhìn vào doanh thu để hiểu tốc độ mở rộng kinh doanh, nhìn vào lợi nhuận để đánh giá khả năng tạo giá trị, nhìn vào dòng tiền để xem doanh nghiệp có thực sự tạo ra tiền hay chỉ đang ghi nhận lợi nhuận trên sổ sách. Những chỉ số như ROE, ROA, biên lợi nhuận, tốc độ tăng trưởng EPS hay tỷ lệ nợ trên vốn chủ sở hữu đã trở thành những yếu tố quen thuộc trong quá trình phân tích cổ phiếu.

Tuy nhiên, khi chuyển từ phân tích doanh nghiệp truyền thống sang đầu tư định lượng (Quantitative Investing), có một câu hỏi quan trọng hơn xuất hiện: liệu nhà đầu tư tại thời điểm đó có thực sự biết những thông tin này hay chưa? Đây là điểm khác biệt căn bản giữa việc phân tích một doanh nghiệp ở thời điểm hiện tại và việc xây dựng một hệ thống có khả năng mô phỏng quyết định đầu tư trong quá khứ.

Một mô hình Quant không được phép sử dụng toàn bộ kiến thức mà chúng ta có ngày hôm nay để quay ngược thời gian và đưa ra quyết định trong quá khứ. Nếu làm như vậy, mô hình không còn phản ánh khả năng đầu tư thực tế nữa mà chỉ đang sử dụng lợi thế của việc biết trước kết quả. Đây chính là vấn đề cốt lõi của một trong những sai lệch nghiêm trọng nhất trong nghiên cứu định lượng: Look-ahead Bias.

Look-ahead Bias xảy ra khi mô hình sử dụng thông tin tương lai trong quá trình kiểm định chiến lược. Điều đáng chú ý là sai lệch này không phải lúc nào cũng xuất hiện dưới dạng một lỗi kỹ thuật rõ ràng. Code vẫn có thể chạy, dữ liệu vẫn có thể chính xác về mặt kế toán, các biểu đồ lợi nhuận vẫn có thể rất đẹp. Nhưng đằng sau kết quả đó là một giả định không tồn tại trong thế giới thật: nhà đầu tư biết được những điều mà tại thời điểm giao dịch họ chưa thể biết.

Hãy tưởng tượng một nhà nghiên cứu xây dựng một chiến lược đầu tư dựa trên yếu tố chất lượng doanh nghiệp. Chiến lược này lựa chọn những cổ phiếu có lợi nhuận tăng trưởng mạnh, ROE cao, dòng tiền tốt và tình hình tài chính lành mạnh. Khi thực hiện backtest, nhà nghiên cứu lấy dữ liệu báo cáo tài chính năm 2025 và giả định rằng hệ thống có thể sử dụng những dữ liệu này ngay từ đầu năm 2026 để lựa chọn cổ phiếu.

Kết quả có thể rất ấn tượng. Những doanh nghiệp có kết quả kinh doanh tốt nhất được chọn vào danh mục, lợi nhuận vượt trội so với thị trường và mức rủi ro thấp. Nhưng vấn đề là tại ngày 01/01/2026, nhà đầu tư thực tế chưa hề biết báo cáo tài chính năm 2025 của những doanh nghiệp đó. Những con số về lợi nhuận, tăng trưởng doanh thu hay hiệu quả sử dụng vốn vẫn chưa xuất hiện trên thị trường.

Mô hình lúc này không còn trả lời câu hỏi: “Nếu tôi đầu tư vào thời điểm đó, tôi có thể kiếm được bao nhiêu?” mà đang trả lời một câu hỏi hoàn toàn khác: “Nếu tôi biết trước tương lai, tôi có thể kiếm được bao nhiêu?”. Hai kết quả này hoàn toàn khác nhau.

Đây là lý do tại sao trong Quant Finance, dữ liệu không chỉ cần chính xác mà còn phải có tính lịch sử. Một con số tài chính không chỉ có giá trị ở bản thân nó mà còn phụ thuộc vào thời điểm nó xuất hiện. Lợi nhuận 1.000 tỷ đồng của một doanh nghiệp không giống nhau nếu nó được biết vào tháng 1, tháng 2 hay tháng 4. Giá trị của thông tin nằm ở thời điểm thị trường có thể tiếp nhận nó.

Ví dụ, một doanh nghiệp kết thúc năm tài chính vào ngày 31/12/2025. Tại thời điểm này, doanh nghiệp đã hoàn thành một chu kỳ kinh doanh và biết được kết quả hoạt động. Tuy nhiên, nhà đầu tư bên ngoài chưa thể sử dụng thông tin đó. Báo cáo cần được lập, kiểm tra, phê duyệt và công bố chính thức. Nếu doanh nghiệp công bố báo cáo vào ngày 25/02/2026, thì ngày 25/02/2026 mới là thời điểm thông tin đó bắt đầu tồn tại đối với thị trường.

Sự khác biệt giữa ngày kết thúc kỳ kế toán và ngày công bố thông tin tưởng như nhỏ nhưng lại là một trong những yếu tố quan trọng nhất quyết định chất lượng của một mô hình Quant. Một chiến lược sử dụng dữ liệu sai thời điểm có thể tạo ra lợi nhuận ảo, bởi nó đang mua cổ phiếu dựa trên những thông tin mà nhà đầu tư thật sự chưa thể nhìn thấy.

Các quỹ đầu tư định lượng lớn trên thế giới không chỉ lưu trữ dữ liệu tài chính dưới dạng những bảng số liệu đơn giản. Họ xây dựng hệ thống dữ liệu theo dòng thời gian, trong đó mỗi thông tin đều có lịch sử xuất hiện rõ ràng. Một chỉ tiêu như lợi nhuận, doanh thu hay ROE không chỉ đi kèm giá trị mà còn đi kèm ngày báo cáo, ngày công bố và ngày mà dữ liệu được phép sử dụng trong mô hình.

Đây chính là khái niệm Point-in-Time Data. Một hệ thống dữ liệu Point-in-Time không hỏi rằng “hiện tại chúng ta biết gì về quá khứ?”, mà hỏi rằng “tại thời điểm đó, nhà đầu tư thực sự biết những gì?”. Đây là sự khác biệt giữa việc nhìn lại lịch sử bằng kiến thức hiện tại và việc tái tạo lại môi trường thông tin của quá khứ.

Một mô hình Quant tốt không phải là mô hình có thể dự đoán tương lai bằng cách sử dụng càng nhiều dữ liệu càng tốt. Một mô hình tốt là mô hình tôn trọng giới hạn thông tin của từng thời điểm. Nó phải đặt mình vào vị trí của nhà đầu tư ngày hôm đó và chỉ sử dụng những gì nhà đầu tư lúc đó có thể biết.

Vì vậy, trong đầu tư định lượng, câu hỏi đầu tiên không phải là “nên dùng thuật toán nào?”, “nên dùng AI hay Machine Learning?”, mà phải là “dữ liệu này đã thực sự tồn tại khi quyết định đầu tư được đưa ra hay chưa?”. Nếu câu trả lời là chưa, thì dù mô hình có phức tạp đến đâu, kết quả nghiên cứu cũng không phản ánh thực tế.
Phần 2: Khoảng cách giữa thông tin doanh nghiệp tạo ra và thông tin thị trường nhận được

Một trong những đặc điểm quan trọng nhất của thị trường tài chính là giá cổ phiếu không phản ánh trực tiếp những gì doanh nghiệp đã làm, mà phản ánh những gì nhà đầu tư biết về doanh nghiệp tại thời điểm giao dịch. Đây là một khác biệt rất lớn nhưng thường bị bỏ qua khi xây dựng các mô hình đầu tư định lượng. Một doanh nghiệp có thể đã tạo ra lợi nhuận rất tốt trong một quý hoặc một năm, nhưng nếu thông tin đó chưa được công bố, thị trường vẫn chưa thể phản ánh nó vào giá cổ phiếu. Chính khoảng cách giữa thời điểm doanh nghiệp tạo ra kết quả kinh doanh và thời điểm nhà đầu tư tiếp nhận thông tin là một trong những yếu tố quan trọng nhất mà mọi hệ thống Quant cần xử lý.

Trong kế toán, một báo cáo tài chính thường được xác định dựa trên kỳ kế toán. Ví dụ, báo cáo tài chính quý IV năm 2025 phản ánh hoạt động kinh doanh trong khoảng thời gian từ ngày 01/10/2025 đến ngày 31/12/2025. Báo cáo tài chính năm 2025 phản ánh toàn bộ hoạt động của doanh nghiệp trong năm đó. Tuy nhiên, đối với thị trường tài chính, kỳ kế toán chỉ cho biết khoảng thời gian mà doanh nghiệp tạo ra kết quả, chứ chưa cho biết thời điểm thông tin đó trở thành tài sản có thể sử dụng trong quyết định đầu tư.

Một nhà đầu tư vào ngày 05/01/2026 không thể biết chắc chắn doanh nghiệp nào sẽ có lợi nhuận quý IV tăng trưởng mạnh nếu báo cáo chưa được công bố. Họ có thể dự đoán, có thể phân tích ngành, có thể theo dõi hoạt động kinh doanh, nhưng họ không có dữ liệu chính thức. Trong khi đó, một mô hình Quant nếu sử dụng trực tiếp dữ liệu hiện có trong cơ sở dữ liệu mà không quan tâm đến ngày công bố có thể dễ dàng “biết trước” kết quả.

Đây là lý do vì sao trong nghiên cứu định lượng chuyên nghiệp, người ta phân biệt rất rõ giữa Fiscal Date và Announcement Date. Fiscal Date trả lời câu hỏi: “Thông tin này thuộc về giai đoạn nào của doanh nghiệp?”. Announcement Date trả lời câu hỏi: “Khi nào thị trường có thể biết thông tin này?”. Hai ngày này có thể cách nhau vài tuần hoặc vài tháng, nhưng sự khác biệt đó quyết định liệu một mô hình Quant có đang mô phỏng thực tế hay không.

Hãy lấy một ví dụ gần với cách vận hành của thị trường chứng khoán Việt Nam. Một doanh nghiệp có thể ghi nhận lợi nhuận quý IV tăng trưởng rất mạnh nhờ nhu cầu sản phẩm tăng cao trong những tháng cuối năm. Về mặt hoạt động kinh doanh, kết quả này đã được tạo ra trước ngày 31/12. Tuy nhiên, nhà đầu tư bên ngoài chỉ biết chính thức sau khi doanh nghiệp công bố báo cáo tài chính. Trong khoảng thời gian từ ngày kết thúc quý đến ngày công bố báo cáo, rất nhiều điều có thể xảy ra: thông tin có thể được kỳ vọng trước, giá cổ phiếu có thể biến động theo dự báo, hoặc thị trường có thể chưa nhận ra sự thay đổi trong chất lượng doanh nghiệp.

Nếu một chiến lược Quant sử dụng dữ liệu lợi nhuận quý IV ngay sau ngày kết thúc quý, nó đang giả định rằng thị trường biết thông tin ngay lập tức. Đây là một giả định không tồn tại trong thực tế. Thị trường không giao dịch dựa trên những gì doanh nghiệp biết nội bộ, mà giao dịch dựa trên những thông tin đã được công khai.

Điều này đặc biệt quan trọng đối với những chiến lược sử dụng yếu tố cơ bản như Quality Factor, Value Factor hoặc Earnings Momentum. Ví dụ, một chiến lược Earnings Momentum thường tìm kiếm những doanh nghiệp có tốc độ tăng trưởng lợi nhuận cải thiện qua từng quý. Nếu dữ liệu được xử lý sai thời điểm, mô hình có thể chọn đúng những cổ phiếu đã tăng trưởng tốt trong quá khứ, nhưng lại không phản ánh khả năng nhà đầu tư phát hiện ra sự cải thiện đó tại thời điểm thực tế.

Một ví dụ khác là chiến lược Value Investing định lượng dựa trên các chỉ số như P/E, P/B hoặc Free Cash Flow Yield. Giả sử một doanh nghiệp có kết quả kinh doanh rất tốt trong năm 2025 khiến định giá trở nên hấp dẫn vào đầu năm 2026. Nếu báo cáo tài chính chưa công bố, thị trường chưa chắc đã nhận ra rằng mức định giá hiện tại đang thấp hơn giá trị thực. Một mô hình sử dụng dữ liệu sau công bố để mua từ thời điểm trước đó sẽ tạo ra một lợi thế không tồn tại.

Không chỉ ngày công bố báo cáo tài chính, các quỹ Quant còn phải quan tâm đến một vấn đề phức tạp hơn: dữ liệu có thể thay đổi theo thời gian. Trong thực tế, báo cáo tài chính có thể được điều chỉnh sau kiểm toán, doanh nghiệp có thể thay đổi cách ghi nhận một số khoản mục, hoặc một số chỉ tiêu có thể được cập nhật lại trong các cơ sở dữ liệu tài chính.

Ví dụ, một doanh nghiệp công bố lợi nhuận năm 2024 là 1.000 tỷ đồng. Một năm sau, sau quá trình kiểm toán hoặc điều chỉnh, con số này được cập nhật thành 900 tỷ đồng. Khi một nhà nghiên cứu vào năm 2026 sử dụng dữ liệu hiện tại để backtest giai đoạn 2024, họ có thể đang sử dụng một phiên bản dữ liệu mà nhà đầu tư năm 2024 chưa từng nhìn thấy. Đây được gọi là Restatement Bias.

Restatement Bias nguy hiểm bởi nó làm cho quá khứ trở nên “sạch sẽ” hơn thực tế. Chúng ta nhìn lại và thấy rằng mọi thông tin đều đã rõ ràng, mọi sai lệch đều đã được sửa, mọi doanh nghiệp tốt đều đã được nhận diện. Nhưng nhà đầu tư trong quá khứ không có khả năng nhìn thấy tương lai như vậy. Họ chỉ có thông tin tại thời điểm đó, bao gồm cả những sai số, sự không chắc chắn và giới hạn thông tin.

Đây là lý do tại sao các tổ chức đầu tư chuyên nghiệp thường xây dựng những hệ thống dữ liệu phức tạp hơn rất nhiều so với một file Excel thông thường. Họ không chỉ lưu giá trị của một chỉ tiêu mà còn lưu lịch sử của chỉ tiêu đó. Ví dụ, với lợi nhuận của một doanh nghiệp, hệ thống cần biết: doanh nghiệp nào, kỳ báo cáo nào, giá trị bao nhiêu, được công bố ngày nào, phiên bản nào của dữ liệu và từ thời điểm nào được phép đưa vào mô hình.

Một hệ thống Quant tốt phải có khả năng trả lời câu hỏi:

“Nếu tôi quay trở lại ngày 15/03/2025, tôi có thể biết những gì về doanh nghiệp này?”

Nếu hệ thống không trả lời được câu hỏi đó, thì mọi kết quả backtest đều cần được xem xét lại.

Đây cũng là điểm khác biệt giữa một nhà đầu tư sử dụng dữ liệu tài chính và một Quant Researcher thực sự. Nhà đầu tư thông thường thường quan tâm đến việc tìm ra doanh nghiệp tốt. Quant Researcher quan tâm thêm một bước nữa: làm thế nào để chứng minh rằng lợi thế đó tồn tại trong điều kiện thông tin mà nhà đầu tư thực tế từng có.

Một chiến lược có thể rất đơn giản: mua các doanh nghiệp có ROE cao, lợi nhuận ổn định và nợ thấp. Nhưng nếu dữ liệu được xây dựng đúng theo thời gian, chiến lược đó có thể tạo ra một nghiên cứu đáng tin cậy. Ngược lại, một mô hình AI rất phức tạp nhưng sử dụng dữ liệu tương lai chỉ tạo ra một ảo giác về khả năng dự báo.

Vì vậy, vấn đề quan trọng trong Quant Investing không phải là thu thập càng nhiều dữ liệu càng tốt. Vấn đề là xây dựng một dòng thời gian dữ liệu trung thực với thực tế thị trường. Nhà đầu tư không chiến thắng bởi vì họ biết tất cả mọi thứ, mà bởi vì họ khai thác tốt những thông tin mà họ có thể biết tại đúng thời điểm.

Đó chính là lý do ngày công bố báo cáo tài chính không phải là một thuộc tính phụ của dữ liệu. Nó là một phần cốt lõi quyết định liệu một mô hình Quant có đang nghiên cứu thị trường thật hay chỉ đang nhìn lại quá khứ bằng đôi mắt của hiện tại.
Phần 3: Xây dựng hệ thống dữ liệu Point-in-Time cho Quant Investing tại Việt Nam – từ báo cáo tài chính đến chiến lược giao dịch thực tế

Sau khi hiểu được vì sao ngày công bố báo cáo tài chính quan trọng, bước tiếp theo trong quá trình xây dựng một hệ thống Quant chuyên nghiệp là giải quyết bài toán thực tế: làm thế nào để biến dữ liệu báo cáo tài chính thô thành một cơ sở dữ liệu có thể sử dụng cho nghiên cứu và giao dịch. Đây là nơi mà nhiều nhà đầu tư cá nhân thường đánh giá thấp mức độ phức tạp của Quant Investing. Họ thường nghĩ rằng chỉ cần tải dữ liệu tài chính, tính toán một vài chỉ số như P/E, ROE, tăng trưởng lợi nhuận rồi xây dựng danh mục là có thể tạo ra một chiến lược định lượng. Tuy nhiên, trong thực tế, phần khó nhất không nằm ở công thức tính toán mà nằm ở việc đảm bảo dữ liệu phản ánh đúng môi trường thông tin tại từng thời điểm.

Một hệ thống Quant đáng tin cậy không bắt đầu bằng việc lựa chọn thuật toán. Nó bắt đầu bằng việc xây dựng một nền tảng dữ liệu có khả năng tái hiện quá khứ. Điều này có nghĩa là nếu chúng ta quay lại một ngày bất kỳ trong quá khứ, ví dụ ngày 01/07/2024, hệ thống phải có khả năng trả lời được câu hỏi: “Vào ngày này, một nhà đầu tư trên thị trường Việt Nam có thể biết những thông tin gì?”. Không phải những thông tin mà chúng ta biết ở hiện tại, không phải những báo cáo đã được điều chỉnh sau này, mà chính xác là những gì đã tồn tại tại thời điểm đó.

Để làm được điều này, dữ liệu báo cáo tài chính cần được xây dựng theo một cấu trúc khác với dữ liệu tài chính thông thường. Một bảng dữ liệu đơn giản chỉ lưu mã cổ phiếu, doanh thu, lợi nhuận hoặc ROE là chưa đủ. Hệ thống cần biết mỗi con số đó thuộc về giai đoạn nào, xuất hiện trên thị trường khi nào và có thể được sử dụng từ thời điểm nào. Ví dụ, một khoản lợi nhuận 500 tỷ đồng không chỉ là một con số 500 tỷ. Nó cần đi kèm với thông tin rằng đây là lợi nhuận của quý II năm 2025, được công ty công bố ngày 30/07/2025 và chỉ từ ngày 30/07/2025 trở đi mới được phép đưa vào mô hình đầu tư.

Sự khác biệt này tạo ra một khái niệm rất quan trọng trong Quant Finance: Available Date. Đây là ngày mà dữ liệu thực sự có thể được sử dụng bởi nhà đầu tư. Trong nhiều trường hợp, Available Date có thể trùng với Announcement Date, nhưng cũng có những trường hợp cần xử lý phức tạp hơn. Ví dụ, một báo cáo được công bố sau giờ giao dịch có thể không ảnh hưởng ngay đến giá cổ phiếu trong phiên đó. Một số thông tin quan trọng có thể cần thời gian để thị trường hấp thụ. Vì vậy, các hệ thống chuyên nghiệp thường không chỉ lưu ngày công bố mà còn xem xét cách thị trường thực sự tiếp nhận thông tin.

Khi xây dựng một hệ thống Quant tại thị trường Việt Nam, bước đầu tiên thường là thu thập dữ liệu từ nhiều nguồn khác nhau. Dữ liệu giá cổ phiếu có thể lấy từ các sở giao dịch hoặc nhà cung cấp dữ liệu tài chính. Dữ liệu báo cáo tài chính có thể đến từ công bố thông tin doanh nghiệp, báo cáo tài chính quý, báo cáo tài chính năm, báo cáo thường niên hoặc các nền tảng dữ liệu thương mại. Tuy nhiên, việc thu thập dữ liệu chỉ là bước đầu tiên. Phần khó hơn là chuẩn hóa dữ liệu để các doanh nghiệp có thể được so sánh một cách nhất quán.

Ví dụ, mỗi doanh nghiệp có thể có cách trình bày báo cáo tài chính khác nhau. Một số doanh nghiệp phân loại doanh thu theo ngành, một số doanh nghiệp trình bày dòng tiền chi tiết hơn, một số doanh nghiệp có các khoản mục đặc thù. Nếu chỉ lấy dữ liệu thô và đưa trực tiếp vào mô hình, kết quả có thể bị sai lệch. Quant Research không chỉ là việc chạy thuật toán trên dữ liệu, mà còn là quá trình hiểu bản chất của dữ liệu và đảm bảo rằng những gì mô hình học được thực sự phản ánh hành vi kinh tế.

Sau khi có dữ liệu Point-in-Time, bước tiếp theo là xây dựng các yếu tố đầu tư, hay còn gọi là Factor. Đây là nền tảng của rất nhiều chiến lược Quant hiện đại. Thay vì cố gắng dự đoán chính xác giá cổ phiếu ngày mai, nhiều hệ thống Quant tìm kiếm những đặc điểm có khả năng tạo ra lợi thế trong dài hạn.

Ví dụ, một chiến lược Quality Factor có thể tìm kiếm các doanh nghiệp có khả năng sinh lời cao, dòng tiền ổn định và mức nợ thấp. Một chiến lược Value Factor có thể tìm kiếm các cổ phiếu đang được định giá thấp so với giá trị cơ bản. Một chiến lược Momentum Factor có thể tìm kiếm những cổ phiếu đang có xu hướng tăng giá mạnh. Một chiến lược Low Risk Factor có thể ưu tiên các cổ phiếu có biến động thấp và khả năng chống chịu tốt trong giai đoạn thị trường xấu.

Nhưng tất cả các Factor này chỉ có ý nghĩa nếu dữ liệu đầu vào được xây dựng đúng thời gian. Ví dụ, một Quality Factor sử dụng ROE của năm 2025 để lựa chọn cổ phiếu vào tháng 01/2026 có thể tạo ra kết quả rất khác so với một Quality Factor chỉ sử dụng những báo cáo đã công bố tại thời điểm đó. Sự khác biệt không nằm ở công thức tính ROE, mà nằm ở cách chúng ta hiểu thời điểm mà thông tin trở nên có giá trị.

Sau khi xây dựng Factor, hệ thống cần trải qua bước quan trọng tiếp theo là Backtesting. Đây là giai đoạn mà nhà nghiên cứu kiểm tra xem một ý tưởng đầu tư có tạo ra lợi thế trong quá khứ hay không. Tuy nhiên, một backtest tốt không chỉ cần lợi nhuận cao. Nó cần phản ánh đúng cách một nhà đầu tư có thể giao dịch trong thực tế.

Một bài backtest chuyên nghiệp cần xem xét nhiều yếu tố như chi phí giao dịch, thanh khoản, độ trễ thực hiện lệnh, giới hạn sở hữu nước ngoài, khả năng mua bán thực tế và đặc biệt là tính trung thực của dữ liệu theo thời gian. Một chiến lược có lợi nhuận rất cao nhưng sử dụng dữ liệu tương lai không có giá trị nghiên cứu. Ngược lại, một chiến lược có lợi nhuận vừa phải nhưng được xây dựng trên dữ liệu Point-in-Time có thể có ý nghĩa hơn rất nhiều.

Đối với thị trường Việt Nam, việc xây dựng hệ thống Point-in-Time Data còn có nhiều thách thức riêng. Thị trường Việt Nam đang phát triển nhanh nhưng dữ liệu lịch sử chưa phải lúc nào cũng hoàn hảo như các thị trường phát triển. Một số doanh nghiệp có thời điểm công bố khác nhau, một số báo cáo có thể được cập nhật sau kiểm toán, dữ liệu lịch sử có thể thiếu những phiên bản cũ của báo cáo. Điều này đòi hỏi nhà nghiên cứu Quant phải đặc biệt cẩn trọng trong quá trình xây dựng dữ liệu.

Một lỗi phổ biến của nhiều nhà đầu tư khi bắt đầu làm Quant là quá tập trung vào việc tìm kiếm mô hình dự báo phức tạp. Họ nghĩ rằng lợi thế đến từ việc sử dụng Machine Learning, Deep Learning hoặc các thuật toán hiện đại. Nhưng thực tế, nhiều quỹ Quant thành công không bắt đầu từ những mô hình quá phức tạp. Họ bắt đầu từ những câu hỏi rất cơ bản: dữ liệu có sạch không, dữ liệu có đúng thời điểm không, chiến lược có tồn tại sau khi tính chi phí giao dịch không.

Một mô hình đơn giản với dữ liệu tốt thường có giá trị hơn một mô hình phức tạp với dữ liệu sai. Đây là nguyên tắc mà nhiều nhà nghiên cứu Quant chuyên nghiệp luôn nhấn mạnh. Thuật toán chỉ là công cụ xử lý thông tin, còn chất lượng của thông tin mới quyết định chất lượng của kết quả.

Cuối cùng, bài học lớn nhất từ vấn đề ngày công bố báo cáo tài chính là: trong thị trường tài chính, thông tin không chỉ có nội dung mà còn có thời điểm. Một nhà đầu tư không kiếm lợi nhuận từ việc biết doanh nghiệp tốt sau khi tất cả mọi người đã biết. Lợi thế đến từ khả năng nhận diện thông tin có giá trị tại thời điểm thị trường chưa phản ánh đầy đủ.

Đó cũng chính là lý do các hệ thống Quant hiện đại luôn đặt Point-in-Time Data ở vị trí trung tâm. Trước khi xây dựng mô hình, trước khi lựa chọn thuật toán, trước khi tối ưu hóa danh mục, điều quan trọng nhất là phải đảm bảo rằng dữ liệu đang kể đúng câu chuyện của quá khứ.