Vậy bạn muốn đánh bại thị trường bằng toán học? Đây là bức tranh chân thực về giao dịch định lượng (Quant Trading)
Không phải là về những công thức bí mật hay chỉ báo ma thuật—mà là về tư duy theo xác suất, tin tưởng dữ liệu của bạn, và dám để máy tính giao dịch theo ý tưởng của bạn. Tôi sẽ dẫn bạn đi qua mọi thứ, từ kịch bản “hello world” đầu tiên cho đến loại câu đố mẹo mà họ đưa ra trong các câu hỏi phỏng vấn giao dịch định lượng, không tô hồng.
Một người bạn của tôi từng hỏi: “Thực ra giao dịch định lượng là gì? Có phải chỉ là code một hệ thống giao cắt đường trung bình động rồi để nó chạy không?” Tôi đã bật cười, nhưng thành thật mà nói—đó chính là hạt giống. Về cốt lõi, giao dịch định lượng (quantitative trading) là sử dụng toán học, thống kê và mã lệnh để đưa ra quyết định giao dịch. Bạn thay thế trực giác (gut feel) bằng một bộ quy tắc có hệ thống. Thay vì nhìn chằm chằm vào biểu đồ và nghĩ “trông giống mô hình vai đầu vai”, bạn định nghĩa chính xác mẫu hình đó bằng những con số, kiểm thử nó trên 20 năm dữ liệu, và chỉ sau đó mới đặt tiền thật vào nếu quy trình backtest chiến lược giao dịch cho thấy một lợi thế (edge). Đó là sự khác biệt giữa đánh bạc và xây dựng một doanh nghiệp.
Vậy nếu bạn đang tự hỏi bắt đầu giao dịch định lượng như thế nào, đừng phức tạp hóa vấn đề. Hãy lấy một ít dữ liệu giá lịch sử (Yahoo Finance là được), mở một notebook Jupyter, và bắt đầu khám phá. Giao dịch định lượng bằng Python là lựa chọn mặc định vì một lý do—pandas, NumPy và matplotlib giúp việc làm sạch dữ liệu và phát hiện mẫu hình trở nên cực kỳ dễ dàng. Dự án đầu tiên của bạn có thể đơn giản như “mua S&P 500 khi đường trung bình động 50 ngày cắt lên trên đường 200 ngày, bán khi nó cắt xuống dưới.” Đó chính là giao dịch thuật toán cho người mới bắt đầu: điểm vào lệnh rõ ràng, điểm thoát lệnh rõ ràng, không cảm xúc. Bạn sẽ nhanh chóng nhận ra rằng bản thân chiến lược không quan trọng bằng việc bạn kiểm thử nó chặt chẽ đến mức nào. Đó là lúc công việc backtest chiến lược giao dịch (backtesting trading strategies) phát huy tác dụng. Bạn chạy các quy tắc của mình qua dữ liệu quá khứ và hỏi: lợi nhuận trung bình là bao nhiêu? Mức sụt giảm tối đa (max drawdown)? Tỷ số Sharpe? Nó có hiệu quả trong năm 2008 và 2022, hay chỉ trong các thị trường tăng giá? Một bài backtest không phải là quả cầu pha lê, nhưng đó là bước kiểm tra độ hợp lý duy nhất bạn có trước khi đưa số tiền mồ hôi công sức của mình cho nhà môi giới.
Bây giờ, khi bạn đã nắm vững những điều cơ bản, bạn chắc chắn sẽ bắt đầu khám phá các chiến lược giao dịch định lượng phức tạp hơn. Có thể bạn sẽ xây dựng một mô hình giao dịch cặp (pairs trading) bán khống một cổ phiếu và mua một cổ phiếu khác khi mối tương quan giữa chúng bị phá vỡ. Hoặc bạn sẽ đào sâu vào các mô hình nhân tố—mua các cổ phiếu biến động thấp, bán các cổ phiếu beta cao. Vấn đề là ở đây: hố thỏ ngày càng sâu. Đến một lúc nào đó, các chiến lược giao dịch học máy (machine learning trading strategies) sẽ cám dỗ bạn bằng lời hứa tìm ra những mẫu hình phi tuyến mà các phép hồi quy đơn giản bỏ lỡ. Tôi từng ở đó rồi, chạy rừng ngẫu nhiên (random forest) và XGBoost trên mọi chỉ báo kỹ thuật từng có. Cảm giác rất phấn khích—cho đến khi bạn nhận ra mình đã quá khớp (overfit) dữ liệu huấn luyện một cách thậm tệ và mô hình sụp đổ trên dữ liệu ngoài mẫu. Vì vậy, quy tắc kinh nghiệm của tôi là: hãy bắt đầu với thứ gì đó đơn giản và có thể diễn giải được. Một hồi quy tuyến tính với một nhân tố cơ bản then chốt thường đánh bại một mạng nơ-ron 100 tầng, đơn giản vì bạn hiểu tại sao nó làm điều nó đang làm.
Nói đến việc hiểu biết, bạn sẽ muốn bao quanh mình bằng những tài liệu tốt. Có một số ít cuốn sách về giao dịch định lượng thực sự đã thay đổi cách tôi tư duy. Cuốn “Quantitative Trading” của Ernest Chan là một cẩm nang hướng dẫn hoàn hảo cho nhà giao dịch độc lập—về cơ bản, ông ấy cầm tay chỉ việc bạn trong suốt quá trình xây dựng một hệ thống giao dịch hoàn chỉnh. Để có góc nhìn kiểu tổ chức hơn, cuốn “Inside the Black Box” của Rishi Narang giải thích cách các công ty giao dịch định lượng vận hành. Và nếu bạn nghiêm túc về hạ tầng, cuốn “Algorithmic Trading & DMA” của Barry Johnson bao quát những chi tiết khó nhằn về cấu trúc vi mô thị trường có thể quyết định thành bại trong quá trình thực thi lệnh của bạn.
Bạn có thể đang tự hỏi liệu tất cả nỗ lực này có đáng không—liệu bạn có thực sự vào được một trong những công ty giao dịch định lượng lớn như Jane Street, Two Sigma hay Citadel? Điều đó là khả thi, nhưng tiêu chuẩn rất cao. Họ không chỉ tìm kiếm những người biết viết code; họ muốn những người có tư duy xác suất và có thể giải thích lợi thế của mình trong vài câu rõ ràng. Đó là lý do các câu hỏi phỏng vấn giao dịch định lượng nổi tiếng là khó. Hãy chuẩn bị tinh thần cho những câu đố kiểu như “Mỗi ngày ở Mỹ có bao nhiêu mét vuông pizza được ăn?”—chúng đang kiểm tra khả năng phân rã một vấn đề rối rắm của bạn. Rồi đến toán: martingale, giải tích ngẫu nhiên, đại số tuyến tính. Nếu nền tảng thống kê của bạn bị mai một, bạn sẽ cảm nhận được ngay. Nhưng đừng để điều đó làm bạn nản lòng. Con đường độc lập hoàn toàn khả thi. Rất nhiều nhà giao dịch định lượng thành công vận hành chiến lược riêng từ văn phòng tại nhà, dùng API của các công ty môi giới và một người quản trị rủi ro vững vàng (đó là bạn, với một công tắc dừng khẩn cấp—kill switch).
Các công cụ chưa bao giờ dễ tiếp cận đến vậy. Bạn có thể học giao dịch định lượng bằng Python qua các thư viện miễn phí như backtrader hoặc Zipline để kiểm thử lại (backtesting), rồi chuyển sang giao dịch thực với Alpaca hoặc API của Interactive Brokers. Việc chuyển từ kiểm thử lại chiến lược giao dịch sang giao dịch thực là lúc cuộc chiến tâm lý bắt đầu. Tỷ lệ thắng 60% hoàn hảo của bạn sẽ đột nhiên có cảm giác như 30% khi tiền thật bị đặt cược, và bạn sẽ nghi ngờ mọi lệnh giao dịch. Đó là lý do tự động hóa là tất cả—để code thực thi kế hoạch của bạn mà không có bàn tay run rẩy của bạn ở gần bàn phím. Giao dịch thuật toán cho người mới bắt đầu thường bỏ qua khía cạnh cảm xúc, nhưng tin tôi đi, kỷ luật mới là phần khó, không phải toán.
Một cảnh báo nhanh: bạn sẽ thấy các khóa học hứa hẹn “bot giao dịch AI in tiền.” Chín mươi chín phần trăm là rác. Các chiến lược giao dịch học máy thực sự đòi hỏi sự tập trung ám ảnh vào tính dừng (stationarity), thay đổi chế độ thị trường (regime change) và chi phí giao dịch. Nếu không mô hình hóa cẩn thận, backtest của bạn sẽ giả định bạn có thể mua ở giá đóng cửa, bỏ qua việc chính lệnh của bạn sẽ làm thị trường dịch chuyển. Chỉ riêng trượt giá cũng có thể phá hủy một chiến lược trông tuyệt vời trong mô phỏng. Vì vậy, khi thiết kế các chiến lược giao dịch định lượng, hãy luôn tự hỏi: liệu chiến lược này còn hiệu quả sau hoa hồng, sau chênh lệch giá mua-bán, sau tác động thị trường không? Nếu câu trả lời là “gần như không,” hãy quay lại bàn vẽ.
Tôi sẽ để lại cho bạn điều này: hãy bắt đầu nhỏ, giữ sự tò mò, và đọc ngấu nghiến—những cuốn sách giao dịch định lượng đó sẽ không tự đọc chính mình. Hãy giữ một cuốn sổ ghi các ý tưởng, kiểm thử chúng không ngừng, và khi bạn mắc sai lầm (chắc chắn bạn sẽ mắc), đừng trốn tránh khoản lỗ. Mỗi mô hình bị nổ tung là một bài học về quản trị rủi ro. Giao dịch định lượng không phải là kế hoạch làm giàu nhanh chóng, nhưng nếu bạn thích giải các câu đố và có đủ kiên nhẫn để tinh chỉnh một hệ thống trong nhiều tháng, không gì sánh bằng việc nhìn một chiến lược do bạn xây dựng lặng lẽ kiếm tiền trong khi bạn ngủ. Giờ hãy mở một notebook lên và code backtest đầu tiên đó—phiên bản quant tương lai của bạn sẽ cảm ơn bạn.