28/03/2026
174 lượt đọc
Điều làm nhiều tài khoản lỗ nặng không phải là vì trader luôn nhìn sai thị trường. Nhiều khi họ nhìn đúng xu hướng, nhưng vẫn thua vì vào sai kích thước vị thế. Đây là lỗi rất phổ biến. Khi thị trường êm, họ đánh lớn vì thấy giá đi đẹp. Đến lúc thị trường rung mạnh hơn, họ vẫn giữ đúng size cũ. Kết quả là một giai đoạn biến động lớn có thể xóa sạch thành quả của nhiều tuần trước đó.
Ví dụ rất đơn giản. Bạn có tài khoản 100 triệu. Bình thường bạn quen vào mỗi lệnh 10 triệu. Khi thị trường đang yên, một mã chỉ dao động khoảng 1–1,5% mỗi ngày, lệnh 10 triệu có thể khá dễ chịu. Nhưng đến một giai đoạn tin tức dồn dập, cùng mã đó bắt đầu dao động 4–5% mỗi ngày, bạn vẫn vào 10 triệu như cũ. Trên giấy tờ, số tiền bỏ vào không đổi. Nhưng mức rủi ro thực tế đã tăng lên rất nhiều. Nghĩa là bạn đang tự tăng đòn bẩy rủi ro mà không nhận ra.
Đó là lý do volatility targeting có ích. Ý tưởng của nó rất thực tế: đừng cố định số tiền cho mỗi lệnh, hãy cố định mức rủi ro. Khi thị trường biến động mạnh hơn, size phải nhỏ lại. Khi thị trường ổn hơn, size mới có thể lớn hơn. Tức là thay vì nói “mỗi lệnh tôi vào 10 triệu”, bạn chuyển sang kiểu “mỗi lệnh tôi chỉ chấp nhận một mức biến động/rủi ro nhất định”.
Công thức cốt lõi là:
Mức phân bổ = target volatility / volatility hiện tại
Ví dụ bạn muốn danh mục của mình chỉ ở mức rủi ro tương đương 10% một năm. Nếu volatility hiện tại của thị trường hoặc của chiến lược đang là 20%, thì bạn chỉ nên giữ khoảng một nửa mức phân bổ bình thường. Nếu volatility hiện tại chỉ là 5%, bạn mới có thể tăng phân bổ lên gấp đôi. Nói ngắn gọn: thị trường càng nóng, mình càng thu người lại. Thị trường càng êm, mình mới được phép mở rộng.
Cái hay của cách này là nó sửa đúng một lỗi rất đời thường. Nhiều trader giao dịch theo cảm xúc. Lúc thị trường biến động mạnh, họ thường bị cuốn vào cảm giác “có cơ hội lớn”, rồi vô thức tăng size. Trong khi về mặt quản trị tài khoản, đó lại chính là lúc đáng lẽ phải giảm size. Volatility targeting ép bạn làm điều ngược lại với bản năng: thị trường càng khó kiểm soát, size càng nhỏ.
Nói thực tế hơn nữa, nếu bạn giao dịch cổ phiếu Việt Nam, bạn sẽ thấy chuyện này xảy ra liên tục. Có giai đoạn nhóm chứng khoán, bất động sản hoặc midcap bắt đầu rung rất mạnh. Nhiều người vẫn giữ nguyên size như lúc thị trường còn ổn, rồi chỉ sau vài phiên là tài khoản âm sâu hơn hẳn bình thường. Không phải vì họ chọn sai mã ngay từ đầu, mà vì họ không điều chỉnh kích thước vị thế theo độ rung của thị trường.
Cách áp dụng đơn giản nhất là đừng bắt đầu bằng cả danh mục. Hãy bắt đầu bằng từng lệnh. Giả sử bạn có 100 triệu và thường chia 5 vị thế. Trước đây bạn có thể vào mỗi vị thế 20 triệu. Nhưng nếu một mã đang có volatility cao gấp đôi bình thường, bạn không nên vào đủ 20 triệu nữa. Có thể chỉ vào 10–12 triệu. Ngược lại, nếu một mã đang giao dịch ổn định hơn, volatility thấp hơn, bạn có thể giữ mức gần 20 triệu hoặc cao hơn một chút. Ý chính là: tiền bỏ vào phải thay đổi theo mức độ nguy hiểm của từng kèo.
Nếu muốn đo volatility bằng cách dễ hiểu, có hai cách. Một là dùng độ lệch chuẩn của lợi suất trong 20 ngày gần nhất. Hai là dùng ATR nếu bạn quen nhìn chart. Trong thực chiến, không cần quá ám ảnh việc dùng đúng “chỉ báo nào chuẩn hơn”. Điều quan trọng là chọn một cách nhất quán và dùng nó để điều chỉnh size. Nhiều người thích ATR vì dễ nhìn. Nhiều người thích rolling standard deviation vì dễ đưa vào code và backtest. Cả hai đều ổn hơn rất nhiều so với việc không đo gì cả.
Ví dụ đơn giản bằng Python:
Sau khi có volatility, bạn tính size:
Nhưng nếu nói thật theo kiểu người giao dịch ngoài đời, phần quan trọng nhất không nằm ở đoạn code. Nó nằm ở 3 nguyên tắc:
Điểm thực tế nhất của volatility targeting là nó không cần bạn dự báo đúng thị trường. Nó không giúp bạn chọn mã tốt hơn, không giúp bạn biết ngày mai xanh hay đỏ. Thứ nó làm là giữ cho tài khoản của bạn không bị “phình rủi ro” đúng lúc thị trường trở nên nguy hiểm hơn. Với trader thật, đó đã là một lợi thế rất lớn.
0 / 5
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!