31/03/2026
135 lượt đọc
Nếu nhìn theo kiểu tin tức, ngày đáo hạn phái sinh thường bị gắn với những cụm như rung lắc, kéo trụ, ép ATC. Nhưng với quant trading, cách hỏi như vậy vẫn còn cảm tính. Câu hỏi đúng hơn là: ngày đáo hạn có tạo ra một mẫu biến động lặp lại, đủ ổn định, đủ rõ, để mình đưa vào bộ lọc của hệ thống hay không. Đây là một câu hỏi rất hợp với thị trường Việt Nam, vì hợp đồng tương lai VN30 có lịch đáo hạn cố định vào thứ Năm lần thứ ba của tháng đáo hạn, nên bản thân nó đã là một event định kỳ, rất phù hợp để làm event study. Ngoài ra, hợp đồng VN30 hiện có hệ số nhân 100.000 đồng mỗi điểm chỉ số, nên đây không phải một sản phẩm quá nhỏ để bỏ qua khi nhìn hành vi của nhóm cổ phiếu trụ.
Quy mô giao dịch cũng đủ lớn để khiến giả thuyết này đáng được kiểm tra. Theo HNX, khối lượng giao dịch bình quân hợp đồng tương lai VN30 đạt khoảng 284.400 hợp đồng/phiên trong tháng 1/2026, tăng 6,32% so với tháng trước; sang tháng 2/2026 vẫn còn khoảng 227.885 hợp đồng/phiên, dù giảm 19,87% theo tháng. Với mức thanh khoản như vậy, nếu có một hiệu ứng đáo hạn, nó hoàn toàn có thể để lại dấu vết trong dữ liệu intraday của VN30 và các mã vốn hóa lớn. Nhưng nói như vậy vẫn chưa đủ để kết luận là có anomaly. Nó chỉ cho ta biết đây là một giả thuyết nghiêm túc, xứng đáng để test.
Nói ngắn gọn theo ngôn ngữ hệ thống: đáo hạn phái sinh không nên được xem là một lời giải thích cảm tính, mà nên được xem là một biến sự kiện. Một biến sự kiện tốt là biến có lịch cố định, có cơ chế tác động rõ, có dữ liệu đủ dày để kiểm tra, và có khả năng ảnh hưởng đến execution hoặc chất lượng tín hiệu ngắn hạn. Ngày đáo hạn phái sinh ở Việt Nam có đủ cả bốn yếu tố đó.
Muốn kiểm tra một anomaly, trước tiên phải hiểu cơ chế của nó. Ở Việt Nam, điểm quan trọng nhất là giá thanh toán cuối cùng của hợp đồng tương lai VN30 không được lấy đơn giản theo giá đóng cửa chỉ số. Theo VSDC, giá này được xác định bằng trung bình số học giản đơn của chỉ số trong 30 phút cuối ngày giao dịch cuối cùng, gồm 15 phút khớp lệnh liên tục và 15 phút khớp lệnh định kỳ đóng cửa, sau khi loại bỏ 3 giá trị cao nhất và 3 giá trị thấp nhất trong phần khớp lệnh liên tục. Chính quy tắc này khiến 30 phút cuối của ngày đáo hạn trở thành vùng nhạy cảm nhất về mặt vi mô thị trường.
Nếu chuyển sang tư duy quant, từ cơ chế trên có thể rút ra một giả thuyết rất rõ: nếu ngày đáo hạn thật sự tạo nhiễu, thì nhiễu không nên xuất hiện đều cả ngày; nó nên đậm nhất ở 30 phút cuối, đặc biệt ở VN30 và các cổ phiếu có ảnh hưởng lớn đến chỉ số. Đây là một điểm rất quan trọng, vì nó giúp ta tránh kiểu kết luận mơ hồ như “cả ngày đáo hạn là xấu”. Thực ra, với góc nhìn định lượng, thị trường chỉ cần méo đáng kể ở vùng tính FSP là đã đủ làm thay đổi execution của các chiến lược breakout cuối phiên, signal close-to-close, hoặc các hệ thống ra quyết định dựa mạnh vào giá đóng cửa.
Một ví dụ thực tế rất gần là phiên 19/03/2026. Báo Đầu tư ghi nhận VN-Index đóng cửa giảm 14,7 điểm về 1.699,13 điểm, trong phiên có lúc rơi xuống 1.685 điểm, tức mất hơn 28 điểm; thanh khoản HoSE hơn 24.400 tỷ đồng, giảm gần 7% so với phiên trước. Quan trọng hơn, bài báo mô tả rất rõ rằng chỉ số “rung lắc mạnh trong phiên chiều với biên độ lớn” và có lúc “nhảy giá rung lắc liên tục do ảnh hưởng của nhóm VN30 trong thời gian tính giá cuối cùng phiên đáo hạn phái sinh”. Đây chính là loại dấu vết mà một người làm system nên để ý: không chỉ là giảm mạnh, mà là vị trí thời gian của biến động trùng với vùng nhạy cảm theo cơ chế thanh toán.
Tuy vậy, quant trading đòi hỏi phải đi thêm một bước nữa: không được nhầm sự trùng thời điểm với quan hệ nhân quả tuyệt đối. Cũng trong phiên 19/03, thị trường cơ sở vốn đã yếu: HoSE có 229 mã giảm so với 95 mã tăng, rổ VN30 có 22 mã giảm, và khối ngoại bán ròng hơn 981 tỷ đồng trên HoSE. Nghĩa là đáo hạn có thể đã khuếch đại biến động, nhưng không thể nói toàn bộ cú giảm hôm đó được “tạo ra” bởi phái sinh. Đây là chỗ phân biệt giữa bài viết tài chính thông thường và góc nhìn quant: một anomaly tốt phải sống được sau khi bạn kiểm soát bối cảnh nền.
Đây mới là phần quan trọng nhất nếu bạn muốn kéo topic này vào đúng hướng quant trading. Thay vì nói “đáo hạn làm thị trường nhiễu”, hãy đổi nó thành một bộ chỉ số có thể đo. Chẳng hạn, với từng ngày đáo hạn trong 24–36 tháng gần nhất, bạn có thể đo lợi suất của VN30 trong 30 phút cuối, realized volatility của 30 phút cuối, biên độ high-low trong 30 phút cuối, khối lượng giao dịch của rổ VN30 sau 14h, và mức chênh lệch giữa biến động cuối ngày đáo hạn so với trung bình của 10 ngày thường gần nhất. Nếu các chỉ số này cao hơn một cách có hệ thống, khi đó mới có cơ sở nói rằng đáo hạn tạo ra một anomaly về microstructure.
Ở bước kế tiếp, cần tách hiệu ứng đáo hạn khỏi hiệu ứng thị trường chung. Cách đơn giản là gắn thêm các biến kiểm soát như độ rộng thị trường trong ngày, mức bán ròng của khối ngoại, hoặc độ biến động của VN-Index trước 14h. Lý do rất rõ: một ngày thị trường vốn đang panic thì 30 phút cuối có thể rung cực mạnh ngay cả khi không có đáo hạn. Nếu không kiểm soát phần nền này, bạn rất dễ kết luận nhầm. Phiên 19/03/2026 chính là ví dụ tốt cho bài học đó: tín hiệu đáo hạn rất rõ về mặt thời điểm, nhưng nền cung-cầu cả ngày cũng đã yếu sẵn.
Nếu muốn đi xa hơn một chút, có thể chia câu hỏi thành hai nhánh. Nhánh thứ nhất là anomaly về biến động: đáo hạn có làm volatility và execution noise tăng không. Nhánh thứ hai là anomaly về lợi suất: sau khi bị nhiễu cuối phiên đáo hạn, sáng hôm sau có hiện tượng mean reversion hay continuation không. Nhánh thứ nhất thường dễ kiểm chứng hơn và cũng thực dụng hơn cho system builder, vì ngay cả khi đáo hạn không tạo ra lợi nhuận dự báo được, nó vẫn có thể tạo ra một risk regime ngắn hạn đủ để bạn thay đổi cách vào lệnh hoặc kích thước vị thế.
Nói đơn giản hơn, với người làm hệ thống ở Việt Nam, mục tiêu không nhất thiết là tìm ra một chiến lược “đánh đáo hạn”. Mục tiêu có thể chỉ là trả lời câu hỏi thực dụng hơn nhiều: ngày đáo hạn có làm cho các tín hiệu close-based kém tin cậy hơn không. Nếu câu trả lời là có, thì đó đã là một insight đủ giá trị để chỉnh rule. Không phải anomaly nào cũng cần biến thành alpha; nhiều anomaly chỉ cần biến thành bộ lọc để giảm sai lầm là đã rất đáng tiền rồi.
Ở thị trường Việt Nam, ngày đáo hạn phái sinh là một event có cơ chế rõ, có lịch cố định, có thanh khoản đủ lớn và có khả năng tạo ra nhiễu ngắn hạn ở nhóm VN30, đặc biệt trong 30 phút cuối; vì vậy nó rất đáng được đưa vào rule của hệ thống dưới dạng biến sự kiện.
Với dữ liệu công khai và ví dụ gần đây, điều hợp lý nhất hiện tại là xem đáo hạn như một event filter chứ chưa nên xem nó là một alpha chắc chắn. Nói cách khác, ngày đáo hạn phù hợp hơn để dùng theo các kiểu sau: tránh lấy tín hiệu breakout chỉ dựa trên ATC của ngày đáo hạn, giảm kích thước vị thế với các lệnh mở mới cuối phiên ở nhóm VN30, hoặc yêu cầu thêm một phiên xác nhận sau đáo hạn cho các chiến lược dựa mạnh vào giá đóng cửa.
Bạn không thần thánh hóa câu chuyện đáo hạn, nhưng cũng không bỏ qua nó. Bạn biến nó thành một biến có thể test, rồi quyết định nó nên đi vào hệ thống ở vai trò nào: alpha signal, risk filter, hay execution warning. Với thị trường Việt Nam hiện nay, từ những gì có thể kiểm chứng được, QM Capital nghiêng mạnh về vai trò thứ ba và thứ hai hơn là vai trò thứ nhất. Nghĩa là: đáo hạn phái sinh quan trọng nhất không phải vì nó chắc chắn giúp bạn kiếm tiền, mà vì nó có thể giúp bạn bớt tin nhầm vào những tín hiệu cuối phiên vốn đã bị méo bởi cơ chế thanh toán và dòng tiền vị thế ngắn hạn.
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!