24/01/2024
11,538 lượt đọc
Trong lĩnh vực giao dịch định lượng, một số quan điểm truyền thống đang dần bị thay đổi. Việc tập trung quá mức vào bằng cấp STEM, sự ưu tiên cho kỹ năng lập trình ngay từ đầu, và quan niệm rằng học máy là kỹ năng không thể thiếu, đang dần nhường chỗ cho một cách tiếp cận linh hoạt và đa dạng hơn. Các công ty hàng đầu đang mở rộng cửa cho đa dạng sự lựa chọn nghề nghiệp, thúc đẩy sự hợp tác, hỗ trợ và không ngừng đổi mới.
Trái với quan niệm rằng bằng cấp liên quan đến STEM (Khoa học, Công nghệ, Kỹ thuật, và Toán học) là điều kiện tiên quyết cho sự nghiệp trong giao dịch định lượng, xu hướng mới trong việc tuyển dụng đang thay đổi. Mặc dù một số công ty vẫn liệt kê bằng cấp STEM trong yêu cầu tuyển dụng, số lượng ngày càng tăng các công ty đang ưu tiên xét kỹ năng kỹ thuật qua các bài kiểm tra hơn là nền tảng học vấn cụ thể. Sự thay đổi này mở ra cơ hội cho những người có lịch sử học vấn đa dạng gia nhập lĩnh vực này.
Có một quan niệm sai lầm rằng việc học lập trình là bước đầu tiên bắt buộc trong giao dịch định lượng. Điều này thường được liệt kê là “có lợi” trong mô tả công việc, và không nên ưu tiên hơn việc hiểu biết về các khía cạnh lý thuyết của giao dịch định lượng, như định giá quyền chọn và biến động. Việc học lập trình trở nên giá trị sau này, tăng cường khả năng làm việc với dữ liệu và hợp tác hiệu quả với các nhà phát triển.
Mặc dù học máy đóng vai trò trong giao dịch định lượng, các công ty thường tuyển dụng các đội ngũ riêng biệt cho nhiệm vụ này. Các nhà định lượng tương lai được khuyến khích tập trung vào nguyên tắc định lượng cốt lõi và chiến lược giao dịch thay vì cảm thấy bắt buộc phải nắm vững học máy như một kỹ năng chính.
Có một quan điểm về giao dịch định lượng như một ngành công nghiệp cạnh tranh và khốc liệt. Thực tế, ngành công nghiệp này có bản chất hợp tác, nơi các nhà giao dịch làm việc cùng nhau để cải thiện ý tưởng và tối đa hóa lợi nhuận danh mục đầu tư. Thay vì xem đồng nghiệp là đối thủ, một môi trường hỗ trợ và hợp tác là quan trọng cho sự thành công.
Mặc dù có quan niệm rằng việc chuyển từ nền tảng phi truyền thống sang ngành giao dịch định lượng là hết sức khó khăn, thực tế lại cho thấy một bức tranh khác hẳn. Những người có lịch sử nghề nghiệp đa dạng thực sự mang đến một bộ kỹ năng phong phú và đa dạng cho đội ngũ giao dịch, từ đó đóng góp giá trị lớn cho lĩnh vực này.
Nhận thức được tầm quan trọng của việc đa dạng hóa nguồn nhân lực, các công ty giao dịch định lượng hàng đầu như Optiver không ngừng đầu tư vào việc đào tạo những nhân sự mới. Sự tập trung vào đào tạo không chỉ phản ánh cam kết của họ trong việc phát triển tài năng mà còn cho thấy họ đánh giá cao giá trị thực sự của các kỹ năng và tiềm năng vượt ra ngoài những nền tảng học vấn cụ thể.
Nhìn chung, lĩnh vực giao dịch định lượng đang trải qua một sự chuyển mình đáng kể, mở cửa cho sự đa dạng và linh hoạt hơn trong việc tuyển dụng và phát triển kỹ năng. Sự thay đổi này không chỉ làm phong phú thêm nguồn nhân lực mà còn tạo điều kiện cho sự hợp tác và đổi mới sáng tạo, phá bỏ những quan niệm cũ về cách tiếp cận truyền thống trong lĩnh vực này.
Ngọc Hải
Tài liệu tham khảo:
Quant Insider. (2024, ngày 25 tháng 1). These 5 Myths Might Be Stopping You from Successful Algorithmic Trading. LinkedIn, https://www.linkedin.com/posts/quant-insiderthese-5-myths-might-be-stopping-you-from-activity-7155504364407656448-1GGY/?utmsource=share&utm_medium=member_desktop
1 / 5
pkxesiqmnt
lok*****@testform.xyz
lsqumstfluftkikumezvplhyvzdqpt
lexmovsjps
jii*****@testform.xyz
oniszxfwehvntthigqzshtyrvgekuz
Trong lĩnh vực quantitative finance, có một số công cụ mạnh mẽ nhưng ít được chú ý đến so với những mô hình phổ biến như Deep Learning hay SMA crossover. Một trong những công cụ mạnh mẽ đó chính là Mô hình Không gian Trạng thái (State-space models) và Bộ lọc Kalman (Kalman filter). Mặc dù có vẻ phức tạp, nhưng những công cụ này lại cực kỳ hữu ích và mạnh mẽ khi áp dụng vào việc phân tích và dự đoán thị trường tài chính. Mặc dù nghe có vẻ như là những mô hình nguyên thủy, thực tế chúng là những công cụ cực kỳ mạnh mẽ và bền bỉ (robust), đặc biệt trong môi trường thay đổi nhanh chóng của các thị trường tài chính.
Khi thực hiện bất kỳ chiến lược giao dịch nào trên thị trường tài chính, một yếu tố không thể thiếu chính là khả năng giải thích (interpretability) của mô hình giao dịch. Điều này đặc biệt quan trọng trong bối cảnh môi trường biến động và khi quản lý rủi ro là yếu tố sống còn đối với các quỹ đầu tư và các trader chuyên nghiệp. Mỗi chiến lược giao dịch không chỉ cần phải hiệu quả mà còn phải dễ hiểu, có thể giải thích một cách rõ ràng tại sao tín hiệu mua/bán lại được đưa ra trong một tình huống cụ thể.
Trong thực tế, rất nhiều ý tưởng giao dịch nghe qua đều có vẻ hợp lý. Ví dụ như mua khi giá vượt MA dài hạn, mua khi cổ phiếu breakout kèm thanh khoản tăng, hoặc đứng ngoài khi thị trường chung nằm dưới đường trung bình dài hạn. Nếu chỉ nhìn chart bằng mắt, rất dễ cảm thấy những ý tưởng như vậy “có vẻ đúng”. Vấn đề là cảm giác đó không đủ để dùng tiền thật. Với QM Capital, giá trị đầu tiên và lớn nhất của vectorized backtesting không phải là để khoe một equity curve đẹp, mà là để biến một ý tưởng mơ hồ thành một bộ quy tắc kiểm tra được.
Khi mới học quant trading, nhiều người thường tập trung gần như toàn bộ vào phần mô hình. Họ nghĩ rằng nếu dự báo đúng hơn một chút, hoặc nếu tìm được một tín hiệu chính xác hơn phần còn lại của thị trường, thì kết quả giao dịch chắc chắn sẽ tốt. Cách nghĩ này không sai hoàn toàn, nhưng mới đúng một nửa. Trong giao dịch thực tế, dự báo chỉ là điểm bắt đầu. Sau đó còn một bước quan trọng hơn nhiều: biến tín hiệu đó thành vị thế thật, giao dịch thật, lợi nhuận thật.
Nếu phải chọn một rủi ro làm hỏng nhiều chiến lược định lượng nhất, thì đó thường không phải là thiếu mô hình hiện đại, mà là overfitting. Nói đơn giản, overfitting xảy ra khi mô hình học quá kỹ dữ liệu quá khứ đến mức nó không chỉ học tín hiệu thật, mà còn học luôn cả nhiễu. Khi nhìn lại lịch sử, mọi thứ trông rất đẹp: độ chính xác cao, equity curve mượt, drawdown dễ chịu, Sharpe ratio hấp dẫn. Nhưng đến khi đem sang giai đoạn mới, hoặc live trading, mô hình bắt đầu hỏng rất nhanh.
Có một hiểu lầm rất phổ biến khi mới bước vào quant trading: cứ nghe đến “quant” là nghĩ ngay đến deep learning, transformers, reinforcement learning, foundation models, hay ít nhất cũng phải có một thứ gì đó đủ phức tạp để nghe giống phòng lab hơn là bàn giao dịch. Nhưng nếu nhìn vào cách nhiều tổ chức thật đang vận hành, bức tranh lại bớt hào nhoáng hơn nhiều.
Được nghiên cứu và phát triển bởi các chuyên gia từ QMTrade và cộng đồng nhà đầu tư chuyên nghiệp.
Truy cập ngay!