Khóa Học Riskfolio-Lib (Phần 2): Đột Phá Học Máy Phân Cụm — HRP, HERC & Nested Clustered Optimization (NCO)

✍️ Học Viện Giao Dịch 📅 17/10/2026 ⏱️ 21 phút đọc 🏷️ Riskfolio, HRP, HERC, NCO, Machine Learning Clustering, Random Matrix Theory

Khóa Học Riskfolio-Lib Phần 2 HRP HERC và Nested Clustered Optimization NCO

Khi vũ trụ đầu tư mở rộng từ 10 lên đến hàng trăm mã cổ phiếu, ma trận tương quan giữa các tài sản trở thành một mạng lưới hỗn loạn. Các mô hình tối ưu hóa cổ điển xem tất cả tài sản như nằm trên một mặt phẳng phẳng (Flat Structure), hoàn toàn mù quáng trước cấu trúc cây phả hệ tự nhiên giữa các nhóm ngành và chuỗi cung ứng.

Trong bài học này, chúng ta sẽ đào sâu vào 3 giải thuật học máy không giám sát (Unsupervised Machine Learning) mang tính cách mạng được tích hợp trong mô-đun HCPortfolio của Riskfolio-Lib: Hierarchical Risk Parity (HRP), Hierarchical Equal Risk Contribution (HERC) và đỉnh cao khử nhiễu ma trận Nested Clustered Optimization (NCO).

1. Ba Mô Hình Phân Cụm Danh Mục Trong Riskfolio-Lib

MÔ HÌNH 1

HRP (López de Prado)

Xây dựng cây Dendrogram, bán chéo hóa ma trận và phân chia đệ quy (Recursive Bisection) theo nghịch đảo phương sai từng nhánh.

MÔ HÌNH 2

HERC (Equal Risk)

Cân bằng đóng góp rủi ro giữa các cụm độc lập (Clustered Risk Budgeting), loại bỏ sự thiên vị dồn vốn vào các cụm có nhiều cổ phiếu con.

MÔ HÌNH 3

NCO (Nested Cluster)

Khử nhiễu ngẫu nhiên bằng lý thuyết ma trận (RMT), tối ưu hóa lồng ghép 2 vòng: Vòng 1 nội bộ cụm (Intra), Vòng 2 liên cụm (Inter).

2. Nested Clustered Optimization (NCO): Đỉnh Cao Khử Nhiễu Ma Trận Ngẫu Nhiên

Theo Lý thuyết Ma trận Ngẫu nhiên (Random Matrix Theory - RMT), khi số lượng tài sản $N$ tiệm cận với số phiên quan sát $T$ (tỷ lệ $N/T$ lớn), phần lớn các giá trị riêng (Eigenvalues) của ma trận tương quan thực chất chỉ là nhiễu ngẫu nhiên thuần túy tuân theo phân phối Marcenko-Pastur:

      lambda_max = sigma^2 * (1 + sqrt(N / T))^2
      lambda_min = sigma^2 * (1 - sqrt(N / T))^2
    

Nếu đưa trực tiếp ma trận nhiễu này vào bộ giải tối ưu, thuật toán sẽ khuếch đại các tương quan giả tạo. NCO giải quyết triệt để vấn đề này qua 2 giai đoạn lồng nhau:

Giai đoạn 1 (Intra-cluster Optimization): Nhóm các tài sản có tương quan thực sự vào các cụm (ví dụ Cụm Ngân hàng, Cụm Năng lượng, Cụm Bán lẻ) và tối ưu hóa tỷ trọng nội bộ từng cụm.
Giai đoạn 2 (Inter-cluster Optimization): Xem mỗi cụm như một "siêu tài sản" độc lập (Synthetic Asset) và thực hiện phân bổ tỷ trọng giữa các cụm. Khi đó, số chiều của bài toán giảm từ hàng trăm xuống chỉ còn 5 - 10 cụm lớn, triệt tiêu hoàn toàn hiện tượng sụp đổ ma trận.

3. Sơ Đồ So Sánh Kiến Trúc: HRP vs HERC vs NCO

4. Triển Khai Code Python Thực Chiến

Dưới đây là mã nguồn Python hoàn chỉnh so sánh 3 phương pháp HRP, HERC và NCO sử dụng HCPortfolio trong Riskfolio-Lib:

import riskfolio as rp
import pandas as pd

def compare_clustering_models(returns_df: pd.DataFrame):
    """
    So sánh 3 mô hình học máy phân cụm danh mục:
    1. HRP: Hierarchical Risk Parity
    2. HERC: Hierarchical Equal Risk Contribution
    3. NCO: Nested Clustered Optimization
    """
    port = rp.HCPortfolio(returns=returns_df)
    
    # 1. Tối ưu hóa HRP với thước đo CVaR
    w_hrp = port.optimization(
        model='HRP',
        codependence='pearson',
        rm='CVaR',
        rf=0.04 / 252,
        linkage='ward'
    )
    
    # 2. Tối ưu hóa HERC với thước đo CVaR
    w_herc = port.optimization(
        model='HERC',
        codependence='pearson',
        rm='CVaR',
        rf=0.04 / 252,
        linkage='ward'
    )
    
    # 3. Tối ưu hóa NCO (Nested Clustered Optimization)
    w_nco = port.optimization(
        model='NCO',
        codependence='pearson',
        rm='CVaR',
        obj='Sharpe',
        rf=0.04 / 252,
        linkage='ward'
    )
    
    results = pd.concat([w_hrp, w_herc, w_nco], axis=1)
    results.columns = ['HRP', 'HERC', 'NCO']
    print("=== SO SÁNH TRỌNG SỐ TỐI ƯU (% VỐN PHÂN BỔ) ===")
    print((results * 100).round(2))
    return results
    

💡

TỔNG KẾT BÀI HỌC: Phân cụm Machine Learning (HRP, HERC, NCO) mở ra kỷ nguyên mới nơi các thuật toán quản lý danh mục không còn phụ thuộc vào việc ước lượng một ma trận hiệp phương sai đầy nhiễu. Trong Phần 3, chúng ta sẽ bước sang một vũ khí đỉnh cao khác của các quỹ vĩ mô (Macro Hedge Funds): Mô hình Risk Parity (Equal Risk Contribution) và phương pháp tích hợp quan điểm định lượng Black-Litterman Model!

⚖️

Biên Soạn: Học Viện Giao Dịch — Hàng Hóa Plus

Chuỗi bài giảng Riskfolio-Lib được nghiên cứu và phát triển dựa trên công trình tối ưu hóa danh mục của Dany Cajas và tiêu chuẩn thể chế Phố Wall.