Nhiều người nghĩ rằng xây dựng một chiến lược định lượng chỉ đơn giản là kết hợp vài chỉ báo kỹ thuật, chạy backtest và chọn ra mô hình có đường equity “đẹp”. Nhưng thực tế thì khác xa — một chiến lược có thể tồn tại ngoài thị trường thật cần một quy trình rõ ràng, có kiểm định và giới hạn rủi ro ở từng bước.

Ở QM Capital, thường bắt đầu từ bốn khối chính: dữ liệu, xử lý dữ liệu, tín hiệu giao dịch, và backtest – đánh giá.

Đây không chỉ là trình tự kỹ thuật, mà là logic tư duy để đảm bảo rằng mỗi chiến lược đều được xây dựng trên nền tảng vững chắc.

1. Dữ liệu: phần gốc của mọi hệ thống

Mọi thứ bắt đầu từ dữ liệu. Dữ liệu giá, khối lượng, order book, news feed, hay thậm chí dữ liệu vi mô như tick-by-tick – tất cả đều có thể là nguyên liệu cho một chiến lược. Nhưng vấn đề không chỉ là “có dữ liệu”, mà là biết cách dùng nó đúng.

Thông thường, chúng tôi chia dữ liệu thành hai phần:

1. In-Sample (IS): dùng để nghiên cứu, tối ưu tham số và kiểm tra ý tưởng ban đầu.
2. Out-of-Sample (OOS): dùng để kiểm định độ ổn định, tức là xem mô hình có thực sự học được quy luật thị trường, hay chỉ fitting quá khứ.

Việc tách IS/OOS nghe đơn giản, nhưng là yếu tố sống còn để tránh “ảo tưởng mô hình”. Một chiến lược lời ấn tượng trong IS nhưng sụp đổ khi chạy trên OOS thường là dấu hiệu của overfitting. Khi đó, vấn đề không nằm ở code – mà nằm ở logic mô hình.

2. Xử lý dữ liệu từ thô sang có cấu trúc

Dữ liệu thô không bao giờ sạch. Nó có khoảng trống thời gian, giá sai lệch, lỗi tick, hoặc đơn giản là định dạng không đồng nhất.

Trước khi tính toán bất kỳ chỉ báo nào, cần đảm bảo dữ liệu được chuẩn hóa, đồng bộ và khớp thời gian chính xác.

Ở bước này, các công cụ như pandas, numpy, hoặc pandas_ta được sử dụng để:

1. Làm sạch và chuẩn hóa dữ liệu (fill missing, align timestamps).
2. Tính toán các đặc trưng (feature) chẳng hạn như EMA, RSI, volatility, hoặc các biến tự thiết kế.
3. Thiết lập điều kiện đầu vào cho mô hình.

Nhưng điểm mấu chốt không nằm ở công cụ, mà là hiểu bản chất của từng chỉ báo hoặc feature. Ví dụ, thêm RSI mà không hiểu RSI đo “mức quá mua/quá bán” trong bối cảnh biến động như thế nào thì cũng chỉ là thêm nhiễu.

Ở QM Capital, mỗi biến đầu vào đều được giải thích bằng cơ sở hành vi (market behavior) hoặc thống kê (distributional pattern).

3. Tín hiệu mua/bán: chuyển từ dữ liệu sang hành động

Khi dữ liệu đã sẵn sàng, mô hình bắt đầu tạo tín hiệu. Tín hiệu có thể đến từ:

1. Các điều kiện định lượng đơn giản (EMA cắt lên, giá vượt đỉnh, RSI hồi về vùng trung tính).
2. Hoặc từ mô hình phức tạp hơn như logistic regression, random forest, hay LSTM — dự đoán xác suất giá tăng trong khung thời gian nhất định.

Dù ở dạng nào, tín hiệu cũng cần có logic thống nhất giữa dữ liệu và hành vi thị trường.

Một mô hình tốt không phải mô hình “đoán đúng giá”, mà là mô hình biết khi nào nên đứng ngoài — vì nhận ra tín hiệu đang bị nhiễu.

Cái khó không phải là tạo tín hiệu, mà là biết loại tín hiệu nào đáng tin và tín hiệu nào chỉ là nhiễu thống kê.

4. Backtest và đánh giá: thử lửa trước khi ra trận

Backtest không chỉ để xem lợi nhuận, mà là nơi đánh giá toàn bộ hệ thống vận hành có ổn định hay không.

Một quy trình backtest đúng chuẩn phải mô phỏng cả chi phí giao dịch, trượt giá (slippage), và độ trễ khớp lệnh (latency).

Khi chạy backtest, chúng tôi tập trung vào ba nhóm chỉ số:

1. Hiệu suất: Sharpe Ratio, CAGR, Profit Factor.
2. Rủi ro: Max Drawdown, Tail Risk, Volatility of Returns.
3. Ổn định: Consistency theo chu kỳ, Rolling Sharpe.

Sau khi tối ưu trên IS, chiến lược được kiểm định lại trên OOS. Nếu kết quả vẫn ổn định, mô hình được chuyển sang paper trading (mô phỏng thời gian thực). Chỉ khi chiến lược thể hiện tốt ở đây, nó mới được đưa vào chạy thật.

5. Kết lại

Nhiều người tìm kiếm “một công thức sinh lời” cho trading định lượng, nhưng thực tế không có công thức nào tồn tại mãi. Thị trường luôn thay đổi, và điều duy nhất giúp chiến lược sống sót là quy trình chuẩn nơi từng bước đều được đo lường và kiểm định khách quan.

QM Capital không kỳ vọng mọi chiến lược đều thắng. Nhưng chúng tôi kỳ vọng quy trình này sẽ giúp phát hiện sớm những mô hình yếu, loại bỏ cảm tính, và giữ lại những chiến lược có thể tồn tại qua nhiều chu kỳ thị trường.