🤖 KHÓA HỌC QUANT TRADING & THUẬT TOÁN (ELITEQUANT FRAMEWORK)
BÀI 4 / 5
ĐỊNH LƯỢNG & THUẬT TOÁN ĐỈNH CAO
Khóa Học Quant Trading (Phần 4): Ứng Dụng Machine Learning & Trí Tuệ Nhân Tạo Trong Trading
MỤC LỤC BÀI HỌC (PHẦN 4)
- 1. 3 Trường Phái AI Trong Tài Chính Định Lượng (Supervised, Unsupervised & RL)
- 2. Sai Lầm Kinh Điển: Tại Sao Gán Nhãn Cố Định Thời Gian (Fixed-Horizon) Thất Bại?
- 3. Đột Phá Marcos López de Prado: Phương Pháp Rào Cản Ba Lớp (Triple Barrier Method)
- 4. Tuyệt Kỹ Meta-Labeling: Dùng Machine Learning Để Tăng Vọt Tỷ Lệ Sharpe Ratio
- 5. Deep Learning Cho Chuỗi Thời Gian: Mạng Hồi Quy LSTM & TCN
- 6. Học Tăng Cường (Reinforcement Learning): Trading Agent Tự Học Với TensorTrade
1. 3 Trường Phái AI Trong Tài Chính Định Lượng (Supervised, Unsupervised & RL)
Trong mục mô hình định lượng của EliteQuant, Machine Learning và Trí tuệ nhân tạo (AI) không còn là khái niệm viễn tưởng mà đã trở thành công cụ sản xuất hàng ngày của các Quants hàng đầu thế giới (Stefan Jansen, Marcos López de Prado).
1. SUPERVISED LEARNING
Học Có Giám Sát
Mô hình Random Forest, XGBoost, LightGBM: Dự báo xác suất tăng/giảm giá, phân loại xem một tín hiệu Breakout là thật hay bẫy Bull Trap.
2. UNSUPERVISED LEARNING
Học Không Giám Sát
Phân cụm K-Means, Mô hình Markov ẩn (HMM), PCA: Phát hiện các trạng thái thị trường ngầm (Regime Detection) và giảm chiều dữ liệu rủi ro.
3. REINFORCEMENT LEARNING
Học Tăng Cường (RL)
Trading Agent (DQN, PPO) tương tác trực tiếp với thị trường giả lập (Gym Environment), tự học chính sách mở/đóng lệnh tối ưu hóa Reward.
2. Sai Lầm Kinh Điển: Tại Sao Gán Nhãn Cố Định Thời Gian (Fixed-Horizon) Thất Bại?
Hầu hết các hướng dẫn Machine Learning cơ bản trên internet thường gán nhãn theo kiểu: "Nếu giá của $t+5$ cao hơn giá $t$, gán nhãn $1$ (Buy); ngược lại gán nhãn $0$ (Sell)".
VÌ SAO CÁCH GÁN NHÃN NÀY LÀ THẢM HỌA?
Trong thực tế giao dịch, mọi lệnh của bạn đều có Take Profit (Chốt lời) và Stop Loss (Cắt lỗ). Giả sử sau 5 ngày giá tăng 2%, mô hình gán nhãn là $1$ (Thắng). Nhưng trên thực tế, ở ngày thứ 2 giá đã giảm quét qua điểm Stop Loss 3% trước khi tăng lại! Trong phòng thí nghiệm mô hình báo thắng, nhưng ngoài đời thực tài khoản đã bị quét cắt lỗ.
Trong thực tế giao dịch, mọi lệnh của bạn đều có Take Profit (Chốt lời) và Stop Loss (Cắt lỗ). Giả sử sau 5 ngày giá tăng 2%, mô hình gán nhãn là $1$ (Thắng). Nhưng trên thực tế, ở ngày thứ 2 giá đã giảm quét qua điểm Stop Loss 3% trước khi tăng lại! Trong phòng thí nghiệm mô hình báo thắng, nhưng ngoài đời thực tài khoản đã bị quét cắt lỗ.
3. Đột Phá Marcos López de Prado: Phương Pháp Rào Cản Ba Lớp (Triple Barrier Method)
Trong kiệt tác Advances in Financial Machine Learning, GS. Marcos López de Prado đã phát minh ra The Triple Barrier Method phản ánh chính xác 100% cơ chế khớp lệnh thực tế:
- Rào cản trên (Upper Horizontal Barrier): Mức Take Profit (ví dụ: $+2.0 \times \text{Daily Volatility}$). Nếu giá chạm rào này trước $\rightarrow$ Nhãn $+1$ (Thắng).
- Rào cản dưới (Lower Horizontal Barrier): Mức Stop Loss (ví dụ: $-1.5 \times \text{Daily Volatility}$). Nếu giá chạm rào này trước $\rightarrow$ Nhãn $-1$ (Thua).
- Rào cản thời gian (Vertical Barrier): Thời gian nắm giữ tối đa (ví dụ: sau 10 phiên). Nếu giá không chạm cả 2 rào cản trên/dưới mà chạm rào thời gian $\rightarrow$ Nhãn $0$ (Hòa/Thoát vị thế).
4. Tuyệt Kỹ Meta-Labeling: Dùng Machine Learning Để Tăng Vọt Tỷ Lệ Sharpe Ratio
Quy trình triển khai Meta-Labeling thực chiến gồm 3 bước:
- Mô hình sơ cấp (Primary Model): Dùng chiến lược kỹ thuật đơn giản có độ nhạy cao (ví dụ: Bollinger Bands hoặc MA Crossover). Chiến lược này tạo ra tín hiệu vào lệnh liên tục (Recall rất cao nhưng Precision thấp vì dính nhiều nhiễu bẫy đi ngang).
- Gán nhãn Meta-Label: Áp dụng Triple Barrier Method lên các tín hiệu của Mô hình sơ cấp:
- Nếu lệnh chạm Take Profit trước $\rightarrow$ Gán nhãn Meta-Label $= 1$.
- Nếu lệnh chạm Stop Loss trước $\rightarrow$ Gán nhãn Meta-Label $= 0$.
- Huấn luyện mô hình thứ cấp (Secondary ML Model): Sử dụng
RandomForestClassifierhoặcXGBClassifiervới các đặc trưng vĩ mô, độ biến động, khối lượng để dự báo nhãn Meta-Label ($0$ hoặc $1$).
Kết quả thực nghiệm trên TTCK Việt Nam và thị trường quốc tế cho thấy: Meta-Labeling giúp tăng tỷ lệ Sharpe Ratio từ 0.8 lên 1.8–2.2, đồng thời cắt giảm hơn 50% số lượng lệnh giao dịch thừa thãi, tiết kiệm chi phí môi giới khổng lồ.
5. Deep Learning Cho Chuỗi Thời Gian: Mạng Hồi Quy LSTM & TCN
Dữ liệu tài chính có tính chất bất đối xứng, đuôi dày (Fat Tails) và phi tuyến tính cao mà các mô hình tuyến tính không thể nắm bắt được.
- Mạng hồi quy LSTM (Long Short-Term Memory): Sử dụng cơ chế 3 cổng (Forget Gate, Input Gate, Output Gate) để ghi nhớ thông tin thị trường từ 30–60 phiên giao dịch trước đó mà không bị hiện tượng triệt tiêu đạo hàm (Vanishing Gradient).
- Temporal Convolutional Networks (TCN): Sử dụng mạng tích chập mở rộng (Dilated Causal Convolutions) giúp xử lý song song trên GPU cực nhanh và nắm bắt các mẫu hình biểu đồ phức tạp đa quy mô.
6. Học Tăng Cường (Reinforcement Learning): Trading Agent Tự Học Với TensorTrade
Đỉnh cao của AI trong tài chính là Học tăng cường (Reinforcement Learning - RL). Thay vì dự báo tương lai, một Trading Agent được thả vào môi trường mô phỏng thị trường và tự học qua thử-và-sai:
STATE (TRẠNG THÁI)
Dữ Liệu Đang Có
Cửa sổ 30 nến gần nhất (OHLCV), chỉ số RSI, ATR, tỷ lệ tiền mặt và số lượng vị thế đang nắm giữ.
ACTION (HÀNH ĐỘNG)
Quyết Định Của Agent
Mua 100%, Mua 50%, Giữ nguyên (Hold), Bán 50%, hoặc Bán tháo toàn bộ danh mục (Exit All).
REWARD (PHẦN THƯỞNG)
Hàm Mục Tiêu Tối Ưu
Không dùng PnL đơn thuần mà dùng Differential Sharpe Ratio: Thưởng khi có lãi ổn định, phạt rất nặng khi để tài khoản sụt giảm sâu (Drawdown).
import numpy as np
import pandas as pd
# Triển khai thuật toán Triple Barrier Method (Marcos López de Prado)
def apply_triple_barrier(close, events_idx, pt_sl=[2.0, 1.5], max_holding=10, vol_span=20):
# 1. Tính độ biến động hàng ngày bằng Exponential Moving Average
daily_vol = close.pct_change().ewm(span=vol_span).std()
labels = []
for t0 in events_idx:
p0 = close.loc[t0]
vol = daily_vol.loc[t0]
if np.isnan(vol) or vol == 0:
continue
# Thiết lập 3 rào cản
upper_barrier = p0 * (1 + pt_sl[0] * vol) # Take Profit Barrier
lower_barrier = p0 * (1 - pt_sl[1] * vol) # Stop Loss Barrier
# Cửa sổ thời gian tối đa (Vertical Barrier)
t1_idx = close.index.get_loc(t0) + max_holding
future_prices = close.iloc[close.index.get_loc(t0)+1 : t1_idx+1]
label = 0 # Mặc định chạm rào thời gian (Hòa)
for t, p in future_prices.items():
if p >= upper_barrier:
label = 1 # Chạm Take Profit trước
break
elif p <= lower_barrier:
label = -1 # Chạm Stop Loss trước
break
labels.append({'time': t0, 'label': label, 'p0': p0})
df_labels = pd.DataFrame(labels).set_index('time')
print(f"Gán nhãn thành công {len(df_labels)} mẫu với Triple Barrier!")
print(df_labels['label'].value_counts())
return df_labels
TỔNG KẾT BÀI HỌC: Ứng dụng AI thông minh trong tài chính không phải là "ném bừa dữ liệu vào Deep Learning rồi cầu nguyện". Nó đòi hỏi phương pháp gán nhãn khoa học (Triple Barrier) và kiến trúc lọc 2 lớp (Meta-Labeling). Trong Phần 5 (Bài học cuối cùng), chúng ta sẽ hoàn tất bức tranh: Kết nối API khớp lệnh tự động (Interactive Brokers, FIX), Quản trị danh mục (Risk Parity, Kelly) và Giải mã mô hình hoạt động của các quỹ định lượng vĩ đại nhất Phố Wall (Renaissance Medallion, Citadel, Two Sigma).