Phần 1: Vì sao data mining nghe rất đúng, nhưng lại dễ dẫn bạn đi sai ngay từ đầu

Với rất nhiều người bước vào trading định lượng, data mining gần như là phản xạ tự nhiên đầu tiên. Bạn có dữ liệu giá, có indicator, có máy tính đủ mạnh, vậy thì việc “quét” hàng trăm, hàng nghìn tổ hợp tham số để tìm ra chiến lược có lợi nhuận nghe rất hợp lý. Cảm giác này đặc biệt mạnh với những ai có nền tảng kỹ thuật: code chạy được, backtest ra equity curve đẹp, drawdown thấp, Sharpe cao – mọi thứ trông rất khoa học và thuyết phục.

Nhưng vấn đề nằm ở chỗ: thị trường tài chính không giống như một bài toán vật lý có quy luật cố định. Giá cả chứa rất nhiều nhiễu, và nếu bạn thử đủ nhiều tổ hợp, xác suất cao bạn sẽ luôn tìm được một thứ “trông có vẻ hiệu quả”, kể cả khi không có edge thực sự. Điều nguy hiểm là bạn rất khó phân biệt đâu là edge thật, đâu chỉ là kết quả của việc vô tình khớp dữ liệu quá khứ.

Ví dụ rất đời thường: bạn lấy dữ liệu VN30F 3 năm, thử hàng chục indicator, mỗi indicator lại test hàng chục bộ tham số, thêm bớt điều kiện vào lệnh, stoploss, take profit… Sau vài trăm hoặc vài nghìn lần thử, bạn tìm được một chiến lược thắng đều trong quá khứ. Nhưng điều bạn không thấy là: bạn vừa vô tình “fit” chiến lược đó vào một giai đoạn rất cụ thể của thị trường – nơi thanh khoản, hành vi nhà đầu tư và regime biến động đều giống nhau. Khi bối cảnh thay đổi, chiến lược không có lý do gì để tiếp tục hoạt động.

Cái bẫy lớn nhất của data mining không phải là bạn lỗ tiền ngay, mà là nó tạo cho bạn ảo giác rằng mình đang làm đúng, trong khi thực tế bạn chưa hề hiểu thị trường đang vận hành như thế nào.

Phần 2: Hai kiểu trader hệ thống – và vì sao chỉ một kiểu có cơ hội đi đường dài

Nếu quan sát đủ lâu, bạn sẽ thấy có hai kiểu trader “hệ thống” rất khác nhau, dù bề ngoài họ đều dùng code và dữ liệu.

Kiểu thứ nhất bắt đầu từ backtest. Họ tin rằng nếu tối ưu đủ kỹ, chạy đủ nhiều test, thêm Monte Carlo, walk-forward, robustness… thì chiến lược sẽ “đủ tốt” để trade. Khi chiến lược lỗ, họ quay lại chỉnh tham số, thay indicator, hoặc tìm chiến lược mới. Vòng lặp này có thể kéo dài nhiều năm.

Kiểu thứ hai bắt đầu từ quan sát thị trường. Họ để ý những thứ rất đời: vì sao phái sinh hay giật mạnh vào đầu phiên chiều, vì sao basis thường âm khi margin căng, vì sao những cú breakdown cuối ngày thường đi rất nhanh, hoặc vì sao một số pattern chỉ xuất hiện khi thanh khoản tăng đột biến. Sau đó họ đặt câu hỏi “vì sao điều này tồn tại?”, rồi mới dùng dữ liệu để kiểm tra xem giả thuyết của mình có đứng vững hay không.

Sự khác biệt nằm ở chỗ: nhóm thứ hai luôn biết mình đang trade cái gì. Khi chiến lược lỗ, họ có khung tư duy để đánh giá: đây là drawdown bình thường của edge hay là market regime đã đổi? Họ không hoảng loạn vì hiểu logic phía sau chiến lược.

Ngược lại, nhóm thứ nhất thường sống trong trạng thái bất an. Vì họ không biết vì sao chiến lược hoạt động, nên khi lỗ liên tiếp vài phiên, tâm lý bắt đầu dao động: “Hay là edge chết rồi?”, “Hay mình backtest sai?”, “Có nên tắt bot không?”. Cảm giác này rất mệt, và lâu dài dễ khiến người ta bỏ nghề.

Một ví dụ rất thực tế: nhiều người từng build được chiến lược breakout intraday hoạt động cực tốt trong giai đoạn thị trường có xu hướng rõ. Nhưng khi thị trường chuyển sang rung lắc, false breakout liên tục, chiến lược lỗ nhanh. Người không hiểu bản chất sẽ nghĩ “chiến lược hỏng”, còn người hiểu thị trường sẽ nhận ra: edge này chỉ tồn tại trong một regime nhất định, và cần giảm size hoặc tạm dừng khi điều kiện không còn phù hợp.

Phần 3: Data mining không sai – nhưng chỉ nên đến sau khi bạn hiểu thị trường

Nói data mining nguy hiểm không có nghĩa là nó vô dụng. Trên thực tế, data mining chỉ thực sự phát huy tác dụng khi bạn đã có nền tảng hiểu thị trường. Khi đó, bạn không dùng nó để “tìm edge từ con số 0”, mà để mở rộng hoặc tinh chỉnh những edge đã có logic rõ ràng.

Ví dụ: bạn quan sát thấy rằng trong những ngày biến động cao, phái sinh thường phản ứng quá mức vào cuối phiên sáng. Bạn có giả thuyết rằng đây là hành vi xả rủi ro ngắn hạn của một nhóm participant. Lúc này, bạn có thể dùng data mining trong phạm vi rất hẹp: test các biến thể về thời gian, ngưỡng biến động, hoặc điều kiện thanh khoản để xem edge này mạnh nhất ở đâu. Data mining lúc này đóng vai trò hỗ trợ, không phải dẫn dắt tư duy.

Điều quan trọng hơn cả là quá trình này giúp bạn tích lũy thứ mà không một backtest nào cho bạn được: trader smarts. Đó là khả năng nhìn một ý tưởng và cảm nhận được nó có “mùi edge” hay không, khả năng loại bỏ nhanh những thứ chỉ đẹp trên số liệu, và khả năng chấp nhận sự bất định của thị trường mà không bị cảm xúc chi phối.

Nghịch lý nằm ở chỗ: để dùng data mining đúng cách, bạn cần những kỹ năng mà data mining không thể dạy. Nếu bạn bỏ qua giai đoạn hiểu thị trường và nhảy thẳng vào đào dữ liệu, bạn có thể tiết kiệm thời gian ngắn hạn, nhưng lại đánh đổi cả sự nghiệp trading dài hạn.

Kết luận

Data mining không phải kẻ thù của trading định lượng. Kẻ thù thật sự là việc dùng data mining như một lối tắt để tránh hiểu thị trường. Backtest có thể cho bạn chiến lược, nhưng chỉ có hiểu thị trường mới cho bạn khả năng tồn tại.