Trong quant trading, một trong những nghịch lý phổ biến nhất là: một chiến lược có lợi nhuận dương trong backtest nhưng lại thất bại khi triển khai thật. Vấn đề không nằm ở việc thị trường “thay đổi hoàn toàn”, mà thường nằm ở cách chiến lược được đánh giá ban đầu. Rất nhiều hệ thống có edge nhỏ, nhưng khi đưa vào thực tế, chi phí giao dịch, trượt giá, giới hạn thanh khoản và tâm lý vận hành khiến lợi nhuận biến mất.

Một chiến lược có thể cho lợi nhuận trung bình 0.15% mỗi giao dịch trong backtest. Nếu giả định không có phí và khớp lệnh hoàn hảo, hệ thống có thể trông rất hấp dẫn. Tuy nhiên, nếu phí giao dịch là 0.05% mỗi lượt và slippage trung bình 0.05%, edge thực tế gần như bằng 0. Điều này đặc biệt rõ trong các chiến lược giao dịch tần suất cao hoặc mean-reversion ngắn hạn, nơi lợi nhuận mỗi giao dịch vốn đã nhỏ.

Vấn đề không phải chiến lược sai, mà là phần “ma sát thị trường” bị đánh giá thấp.

Phần 1: Edge nhỏ không đồng nghĩa với lợi nhuận ổn định

Trong lý thuyết, chỉ cần một hệ thống có kỳ vọng dương là đủ. Nhưng trong thực tế, kỳ vọng dương nhỏ thường đi kèm với độ nhiễu cao. Nếu lợi nhuận kỳ vọng mỗi giao dịch là 0.1% và độ lệch chuẩn là 1%, hệ thống có tỷ lệ tín hiệu trên nhiễu rất thấp. Điều này dẫn đến chuỗi thua lỗ dài hoàn toàn có thể xảy ra dù chiến lược vẫn đúng về mặt thống kê.

Ví dụ:

Một hệ thống có:

1. Win rate: 48%
2. Lãi trung bình: 1.5%
3. Lỗ trung bình: -1%

Kỳ vọng mỗi giao dịch vẫn dương. Nhưng chuỗi 8–10 lệnh thua liên tiếp là hoàn toàn khả thi. Nếu kích thước vị thế quá lớn, drawdown sẽ vượt mức chịu đựng trước khi edge có cơ hội phát huy.

Điểm mấu chốt là: edge phải đủ lớn so với chi phí và độ biến động. Nếu không, hệ thống sẽ bị bào mòn trước khi lợi thế thống kê thể hiện.

Phần 2: Overfitting – kẻ thù âm thầm

Rất nhiều chiến lược nhìn rất đẹp trong backtest vì tham số được tối ưu quá mức. Khi thử nhiều tham số MA khác nhau, nhiều ngưỡng RSI khác nhau, nhiều cửa sổ volatility khác nhau, khả năng tìm ra một tổ hợp “đẹp” trong quá khứ là rất cao. Nhưng tổ hợp đó có thể chỉ phù hợp với nhiễu lịch sử, không phải cấu trúc thị trường thực.

Ví dụ thực tế:

Một chiến lược MA crossover thử 20 tổ hợp tham số khác nhau. Một trong số đó cho CAGR 28% trong 5 năm qua. Nhưng khi kiểm tra 5 năm trước đó, hiệu suất chỉ còn 3% hoặc âm. Điều này cho thấy hệ thống đã được điều chỉnh để khớp với một giai đoạn cụ thể thay vì nắm bắt quy luật bền vững.

Cách giảm rủi ro overfitting không phải là tối ưu nhiều hơn, mà là:

1. Kiểm tra trên nhiều giai đoạn thị trường khác nhau
2. Sử dụng walk-forward testing
3. Phân tích độ nhạy tham số
4. Ưu tiên hệ thống có hiệu suất ổn định thay vì cao nhất

Một chiến lược có Sharpe 0.9 ổn định thường đáng tin cậy hơn chiến lược có Sharpe 2.0 nhưng chỉ trong một giai đoạn ngắn.

Phần 3: Quản lý vốn quyết định sự sống còn

Rất nhiều hệ thống không thất bại vì tín hiệu sai, mà vì kích thước vị thế sai. Một chiến lược có drawdown tối đa lịch sử là -18% không có nghĩa nó sẽ không giảm -30% trong tương lai. Nếu vốn được phân bổ toàn bộ vào một chiến lược duy nhất và không có cơ chế giảm size khi drawdown tăng, xác suất buộc phải dừng hệ thống ở đáy là rất cao.

Quản lý vốn thực tế thường bao gồm:

1. Giới hạn drawdown ở cấp độ chiến lược
2. Giảm size khi volatility tăng đột biến
3. Phân bổ vốn cho nhiều chiến lược có tương quan thấp
4. Giữ một phần vốn dự phòng

Một hệ thống tăng trưởng 40% trong một năm nhưng có drawdown 50% không thực tế với phần lớn nhà đầu tư. Ngược lại, một hệ thống tăng trưởng 15%–20% với drawdown tối đa 15% có thể tồn tại nhiều năm và thu hút vốn dài hạn.

Trong quant trading, lợi nhuận cao không phải là mục tiêu duy nhất. Khả năng duy trì hệ thống qua nhiều chu kỳ mới là điều quyết định.

Kết luận

Phần lớn chiến lược thất bại ngoài thực tế vì ba lý do:

1. Edge quá nhỏ so với chi phí và nhiễu
2. Overfitting khiến hiệu suất quá khứ không lặp lại
3. Quản lý vốn yếu khiến drawdown vượt mức chịu đựng

Một hệ thống tốt không cần phức tạp. Nó cần:

1. Edge đủ lớn
2. Kiểm tra robustness
3. Quản lý rủi ro nghiêm ngặt