Trong quant trading (giao dịch định lượng), mọi quyết định mà nhà đầu tư đưa ra đều dựa trên một sự thật cốt lõi: thị trường là bất định. Bạn không thể biết chắc ngày mai giá cổ phiếu sẽ tăng hay giảm. Cũng không thể khẳng định chắc chắn mức độ biến động tuần tới là cao hay thấp. Tất cả những yếu tố này đều mang tính ngẫu nhiên và đó là lý do biến ngẫu nhiên (random variable) trở thành nền tảng không thể thiếu trong bất kỳ mô hình định lượng nào.

1. Biến ngẫu nhiên là gì?

Biến ngẫu nhiên là một đại lượng số học mà kết quả không cố định, mà thay đổi theo xác suất. Thay vì chỉ có một giá trị cụ thể, biến ngẫu nhiên đại diện cho một phổ giá trị có thể xảy ra, mỗi giá trị đi kèm một xác suất xuất hiện.

Trong trading, bạn đang làm việc với rất nhiều biến ngẫu nhiên mỗi ngày mà có thể bạn không nhận ra:

1. Giá đóng cửa của VN30 hôm nay
2. Lợi suất (% return) của cổ phiếu HPG trong 5 ngày tới
3. Biến động (volatility) của thị trường tuần này
4. Khả năng lệnh giao dịch đạt tỷ lệ thắng trên 60%

Hai loại biến ngẫu nhiên thường gặp

1. Biến ngẫu nhiên rời rạc (Discrete Random Variable)

Là biến chỉ nhận các giá trị riêng biệt, đếm được – thường là các số nguyên.

Ví dụ:

1. Số phiên trong tháng mà VNINDEX vượt MA20
2. Số lần giá cổ phiếu chạm dải Bollinger Band
3. Số lệnh giao dịch có lời trong 10 giao dịch gần nhất

Ứng dụng:

Các biến rời rạc thường được dùng trong:

1. Phân tích xác suất sự kiện
2. Dự đoán tần suất xảy ra của một tín hiệu kỹ thuật
3. Mô hình hóa chuỗi Markov hoặc quyết định nhị phân (win/loss)

2. Biến ngẫu nhiên liên tục (Continuous Random Variable)

Là biến có thể nhận bất kỳ giá trị nào trong một khoảng liên tục, kể cả số thập phân.

Ví dụ:

1. Lợi suất ngày của cổ phiếu SSI: có thể là +0.85%, -0.27%, hoặc bất kỳ giá trị nào
2. Biến động nội phiên (intraday volatility) của VN30
3. Khoảng cách spread giữa cặp VNM - MCH trong chiến lược pair trading
4. Value-at-Risk (VaR) 10 ngày tính cho danh mục cổ phiếu

Ứng dụng:

Đây là loại biến được dùng rộng rãi trong:

1. Mô hình GARCH, Heston cho volatility
2. Mô phỏng Monte Carlo
3. Định giá quyền chọn (Black-Scholes, Binomial Tree)
4. Tối ưu hóa danh mục (mean-variance optimization)

Tại sao phải hiểu rõ biến ngẫu nhiên?

Vì gần như mọi mô hình định lượng đều dựa trên giả định về phân phối của biến ngẫu nhiên. Nếu bạn giả định sai – ví dụ nghĩ lợi suất tuân theo phân phối chuẩn khi thực tế lại có tail risk lớn – kết quả mô hình sẽ không phản ánh đúng thị trường.

Hiểu sai biến ngẫu nhiên = định giá sai rủi ro = thua lỗ.

2. Ứng dụng của Random Variable trong Quant Trading

2.1. Mô hình lợi suất cổ phiếu

Lợi suất (return) được xem là một biến ngẫu nhiên liên tục. Trong hầu hết các mô hình như CAPM, Black-Scholes, GARCH… chúng ta giả định lợi suất tuân theo phân phối chuẩn hoặc gần chuẩn. Điều này cho phép:

1. Tính toán xác suất lợi suất vượt ngưỡng
2. Ước lượng VaR
3. Tối ưu hóa danh mục dựa trên kỳ vọng và rủi ro

Ví dụ:

Một quỹ định lượng nội địa muốn xây dựng danh mục từ VN30, giả định lợi suất hàng ngày của từng mã là biến chuẩn có độ lệch chuẩn cố định. Từ đó, họ xây dựng chiến lược mean-variance với các constraint theo biến liên tục.

2.2. Chiến lược StatArb & Mean-Reversion

Statistical Arbitrage (StatArb) dựa trên giả định rằng spread (khoảng chênh giá) giữa hai cổ phiếu là biến ngẫu nhiên liên tục, có xu hướng hồi quy về giá trị trung bình (mean reversion) 

Khi spread lệch quá xa (thường > 1–2 σ), mô hình ra tín hiệu mua vào hoặc bán khống, kỳ vọng spread sẽ co lại

1. Đây là hệ áp dụng trực tiếp tính chất hồi quy của biến ngẫu nhiên

Các chiến lược pairs trading – một dạng phổ biến của StatArb – là minh chứng thực tiễn khi tận dụng sự ngẫu nhiên trong spread để tạo lợi nhuận

2.3. Volatility Modeling

Độ biến động (volatility) cũng là một biến ngẫu nhiên quan trọng – và không phải là hằng số như giả định của Black-Scholes. Các mô hình GARCH, Heston, Stochastic Volatility đều coi volatility là biến ngẫu nhiên động, có thể biến thiên theo thời gian.

→ Hiểu bản chất ngẫu nhiên của volatility giúp bạn thiết kế chiến lược volatility arbitrage – chẳng hạn như long straddle khi market implied vol thấp hơn historical vol.

2.4. Backtesting & Monte Carlo Simulation

Trong backtesting, chúng ta mô phỏng kết quả tương lai của chiến lược bằng cách xem lợi suất như biến ngẫu nhiên – và dùng xác suất lịch sử như mẫu để kiểm định tính bền vững.

Monte Carlo Simulation là công cụ quan trọng, giúp bạn:

1. Mô phỏng hàng nghìn đường giá ngẫu nhiên dựa trên mô hình như Brownian motion
2. Ước tính phân bố pay-off, VaR, và các scenario khác nhau về thị trường

Monte Carlo hữu ích khi giải quyết những bài toán nhiều chiều (multiple underlyings) mà mô hình phân tích số học hay PDE không giải quyết được hiệu quả

3. Tư duy đúng về Random Variable trong thực tế Việt Nam

Trong thị trường như Việt Nam – nơi dòng tiền có thể bị ảnh hưởng bởi thông tin vĩ mô, hoạt động tự doanh hay tâm lý FOMO/hoảng loạn – biến ngẫu nhiên không còn “đẹp” như sách vở.

→ Các biến return thường không tuân chuẩn hoàn hảo, mà có tail risk rất lớn, hoặc skew lệch hẳn theo dòng tiền.

Giải pháp của nhà đầu tư định lượng:

1. Luôn kiểm định phân phối (distribution test) trước khi đưa vào mô hình
2. Dùng median, quantile, hoặc percentile-based strategy thay vì mean
3. Luôn coi mỗi con số là "một khả năng", không phải "một sự thật"

Kết luận

Biến ngẫu nhiên là cốt lõi toán học đứng sau mọi chiến lược định lượng. Khi bạn hiểu sâu về nó, bạn không chỉ giỏi hơn trong mô hình hóa – mà còn tránh được ảo tưởng về dữ liệu.

Bởi vì, như một nhà giao dịch lão luyện từng nói:

"Data doesn’t lie – but it doesn’t tell the whole truth either."