Walk-Forward Optimisation… và cách áp dụng trong thị trường Việt Nam

Trong quản lý danh mục đầu tư, việc xây dựng các mô hình dự báo lợi suất và tối ưu hóa phân bổ tài sản luôn là một trong những nhiệm vụ trọng yếu nhưng cũng đầy thách thức. Thị trường tài chính vốn biến động liên tục, chịu tác động đồng thời từ nhiều yếu tố vĩ mô, vi mô và tâm lý nhà đầu tư. Chính vì vậy, một mô hình dù được thiết kế chặt chẽ đến đâu vẫn phải đối mặt với bài toán khả năng khái quát (generalisation) – tức khả năng duy trì hiệu quả khi đi từ dữ liệu lịch sử sang điều kiện thị trường trong tương lai.

Một trong những vấn đề lớn nhất trong huấn luyện mô hình tài chính là overfitting. Overfitting xảy ra khi mô hình “ghi nhớ” quá kỹ các đặc điểm riêng của dữ liệu lịch sử, dẫn đến việc dự báo trong giai đoạn mới trở nên sai lệch. Có thể hình dung, một mô hình bị overfit giống như một học sinh chỉ học thuộc đáp án cũ mà không nắm được bản chất của bài toán, nên khi gặp đề thi mới, kết quả trở nên kém hiệu quả. Trong quản lý danh mục, điều này dẫn đến những rủi ro lớn: chiến lược từng hoạt động tốt trong giai đoạn backtest có thể hoàn toàn thất bại trong thực tế.

Để giải quyết, giới nghiên cứu và thực hành tài chính định lượng đã phát triển nhiều kỹ thuật kiểm định và tối ưu hóa chiến lược. Trong đó, một phương pháp được đánh giá là mang tính thực tế cao và ngày càng được sử dụng rộng rãi là Walk-Forward Optimisation (WFO).

1. Walk-Forward Optimisation là gì?

Walk-Forward Optimisation (WFO) là một kỹ thuật kiểm định và tối ưu hóa mô hình giao dịch/danh mục theo cách mô phỏng sát nhất với “dòng thời gian thực”. Thay vì huấn luyện toàn bộ mô hình một lần trên dữ liệu quá khứ rồi kiểm tra trên một tập out-of-sample duy nhất (như cách truyền thống), WFO chia dữ liệu thành nhiều giai đoạn và thực hiện quá trình:

1. Huấn luyện (in-sample): Mô hình được tối ưu trên một khoảng dữ liệu lịch sử nhất định.
2. Kiểm định (out-of-sample): Ngay sau đó, mô hình được áp dụng trên khoảng dữ liệu kế tiếp mà nó chưa từng “nhìn thấy”.
3. Tái tối ưu (re-optimisation): Sau mỗi lần kiểm định, dữ liệu mới sẽ được bổ sung để huấn luyện lại mô hình, nhằm thích nghi với sự thay đổi của thị trường.
4. Lặp lại (iteration): Quá trình trên được lặp lại liên tục cho đến khi hết dữ liệu, và kết quả kiểm định của các giai đoạn out-of-sample được tổng hợp để đánh giá hiệu quả tổng thể của chiến lược.

Điểm mạnh của WFO là giúp mô hình thích ứng liên tục với môi trường thị trường thay đổi. Thị trường chứng khoán, đặc biệt là ở Việt Nam, có tính chất chu kỳ rõ rệt (ví dụ: sóng đầu cơ bất động sản, sóng ngành ngân hàng, tác động mùa vụ kết quả kinh doanh quý) và thường xuyên chịu ảnh hưởng mạnh từ tin tức, chính sách, hoặc biến động quốc tế. Do đó, một mô hình nếu chỉ dựa trên một giai đoạn lịch sử duy nhất có thể nhanh chóng “lỗi thời” khi bối cảnh thay đổi.

WFO đóng vai trò như một cơ chế “cập nhật liên tục”, vừa kiểm định khả năng khái quát của mô hình, vừa cho phép tái huấn luyện để phản ánh điều kiện thị trường hiện tại. Với các mô hình học máy và đặc biệt là mạng LSTM (Long Short-Term Memory), WFO giúp đảm bảo rằng trọng số mô hình không bị “cố định” ở một điều kiện cũ, mà được điều chỉnh dần dần qua từng giai đoạn.

Nói cách khác, WFO là cầu nối giữa lý thuyết và thực tế: nó mô phỏng đúng cách mà một chiến lược sẽ được vận hành trong thị trường thật – luôn thay đổi, luôn cần thích nghi, và không bao giờ chắc chắn chỉ dựa vào quá khứ.

2. Các bước triển khai Walk-Forward Optimisation (WFO)

Walk-Forward Optimisation không chỉ là một kỹ thuật kiểm chứng mô hình, mà còn là một quy trình mô phỏng liên tục cách một nhà quản lý quỹ phải ra quyết định trong thực tế. Thay vì “chạy mô hình một lần cho cả lịch sử”, WFO đặt mô hình vào trạng thái thường xuyên được kiểm nghiệm và tái thích nghi, phản ánh sát thực tế việc thị trường luôn biến động và không bao giờ giữ nguyên các đặc tính thống kê.

Một quy trình WFO chuẩn thường bao gồm các bước sau:

Bước 1: Tối ưu ban đầu (Initial Optimisation)

1. Mục tiêu: tìm ra tập tham số hoặc cấu hình mô hình ban đầu (ví dụ LSTM hoặc một chiến lược giao dịch định lượng) có khả năng sinh lợi cao nhất trên một đoạn dữ liệu lịch sử.
2. Cách thực hiện:
3. Chọn khoảng dữ liệu đầu tiên làm in-sample window (ví dụ 2 năm).
4. Huấn luyện và tối ưu mô hình theo nhiều tiêu chí:
5. Return maximisation (tối đa hóa lợi suất),
6. Sharpe Ratio / Sortino Ratio (cân bằng giữa lợi nhuận và rủi ro),
7. Max Drawdown control (giới hạn rủi ro giảm giá trị tài sản).
8. Lưu ý chuyên sâu: việc chọn tiêu chí tối ưu sẽ ảnh hưởng lớn đến hành vi mô hình. Ví dụ, nếu chỉ tối ưu lợi suất thì chiến lược có thể trở nên quá rủi ro; còn nếu ưu tiên Sharpe Ratio thì chiến lược có thể “an toàn nhưng kém bùng nổ”.

Bước 2: Giai đoạn In-Sample

1. Mục đích: xác nhận rằng mô hình/chiến lược hoạt động tốt trên khoảng dữ liệu mà nó đã được huấn luyện.
2. Thực tiễn:
3. Ví dụ chọn khung 6 tháng – 1 năm dữ liệu làm “cửa sổ in-sample” để huấn luyện LSTM dự báo lợi suất tài sản (cổ phiếu, trái phiếu, hàng hóa).
4. Đánh giá theo nhiều thước đo: tỉ suất sinh lợi, độ ổn định, hệ số tương quan với các chỉ số thị trường (VN-Index, HNX-Index).
5. Chiều sâu kỹ thuật:
6. Với mạng LSTM, cần kiểm tra learning stability: mô hình có “fit” đúng cấu trúc dữ liệu tài chính hay chỉ “memorize” chuỗi giá?
7. Kiểm soát bằng kỹ thuật như dropout, early stopping hoặc Bayesian hyperparameter search.

Bước 3: Giai đoạn Out-of-Sample

1. Ý nghĩa quan trọng nhất của WFO: kiểm tra chiến lược trên dữ liệu mới hoàn toàn chưa từng được mô hình “nhìn thấy” trước đó.
2. Thực tế triển khai:
3. Nếu In-sample là 6 tháng, thì Out-of-sample thường là 1–3 tháng tiếp theo.
4. Mô hình dự báo lợi suất, sinh tín hiệu phân bổ tài sản (ví dụ tỷ trọng cổ phiếu – trái phiếu – tiền mặt).
5. So sánh:
6. Đây chính là khác biệt cốt lõi so với backtest truyền thống (chỉ có một lần phân chia train/test).
7. Giống như “thi học kỳ liên tiếp”: mỗi lần out-of-sample là một bài thi, phản ánh tính ổn định của mô hình.

Bước 4: Tái tối ưu (Re-optimisation)

1. Tại sao cần tái tối ưu?
2. Thị trường Việt Nam chịu ảnh hưởng lớn từ chu kỳ tín dụng, chính sách lãi suất, dòng tiền khối ngoại và kết quả kinh doanh theo mùa.
3. Một mô hình tốt ở giai đoạn sóng tăng (bull market) có thể thất bại khi bước sang sóng giảm (bear market).
4. Cách thực hiện:
5. Sau khi hoàn thành một giai đoạn out-of-sample, mô hình được huấn luyện lại, lần này sử dụng toàn bộ dữ liệu trước đó (in-sample + out-of-sample đã qua).
6. Điều này giúp chiến lược liên tục “làm mới” hiểu biết về thị trường, thay vì bị mắc kẹt trong các mẫu hình đã lỗi thời.
7. Chi tiết:
8. Với LSTM, việc tái huấn luyện có thể là full retraining hoặc incremental training (fine-tuning trên dữ liệu mới).
9. Trong bối cảnh Việt Nam, incremental training có lợi thế vì thị trường thay đổi nhanh, tránh việc mô hình mất quá nhiều thời gian để “học lại từ đầu”.

Bước 5: Lặp lại liên tục (Walk-Forward Loop)

1. Quy trình: cứ sau mỗi giai đoạn out-of-sample, toàn bộ vòng lặp lại tiếp tục cho đến hết dữ liệu lịch sử.
2. Kết quả cuối cùng:
3. Một chuỗi hiệu suất mô phỏng (equity curve) được ghép lại từ các đoạn out-of-sample.
4. Đây là chỉ báo thực tế nhất về mức độ khả thi của chiến lược khi triển khai live trading.
5. Ứng dụng tại Việt Nam:
6. Thông thường, cửa sổ huấn luyện 6–12 tháng, bước WFO 1–3 tháng cho kết quả phù hợp với đặc tính thị trường biến động theo quý, mùa vụ và sự kiện tin tức.

Ví dụ: hiệu ứng công bố báo cáo tài chính quý, chính sách tín dụng từ NHNN, biến động tỷ giá, và xu hướng giải ngân vốn đầu tư công.

3. Ứng dụng Walk-Forward Optimisation với LSTM

3.1. Vì sao LSTM phù hợp với WFO?

1. LSTM (Long Short-Term Memory) là một biến thể của mạng RNN, có khả năng ghi nhớ cả ngắn hạn và dài hạn thông qua cơ chế cổng (gate). Trong dữ liệu tài chính, điều này quan trọng vì thị trường vừa chịu ảnh hưởng bởi các tín hiệu ngắn hạn (tin tức, dòng tiền), vừa bởi xu hướng dài hạn (chu kỳ kinh tế, chính sách).
2. Tuy nhiên, điểm yếu cố hữu của LSTM là dễ bị overfitting nếu huấn luyện trên dữ liệu quá dài, và dễ outdate khi điều kiện thị trường thay đổi.
3. Walk-Forward Optimisation (WFO) khắc phục điều này bằng cách:
4. Chỉ huấn luyện LSTM trên một khoảng dữ liệu gần nhất (cửa sổ in-sample).
5. Liên tục cập nhật mô hình sau mỗi giai đoạn out-of-sample.
6. Nhờ đó, mô hình “luôn mới” và thích nghi với biến động thị trường.

3.2. Ví dụ minh họa cơ chế huấn luyện WFO + LSTM

Giả sử dữ liệu gồm 20 ngày, ta chọn:

1. Cửa sổ huấn luyện (window size) = 5 ngày.
2. Bước walk-forward (step size) = 3 ngày.

Quy trình:

1. Iteration 1
2. Train: ngày 1–5
3. Test: ngày 6–10

1. Iteration 2
2. Train: ngày 4–8
3. Test: ngày 9–13

1. Iteration 3
2. Train: ngày 7–11
3. Test: ngày 12–16

1. Iteration 4
2. Train: ngày 10–14
3. Test: ngày 15–19

Mỗi vòng lặp:

1. LSTM được huấn luyện lại với cửa sổ dữ liệu mới.
2. Trọng số mô hình được cập nhật theo dữ liệu gần nhất.
3. Kết quả kiểm định (test) chính là backtest gần thực tế nhất, mô phỏng việc chiến lược vận hành liên tục trong tương lai.

3.3. Ưu điểm khi áp dụng vào thị trường Việt Nam

1. Dữ liệu ngắn nhưng biến động nhanh
2. Khác với Mỹ (hàng trăm năm dữ liệu), Việt Nam chỉ có ~20 năm dữ liệu cổ phiếu, và độ sâu chất lượng cao (tick-by-tick, intraday) lại hạn chế.
3. WFO + LSTM tận dụng tối đa dữ liệu ngắn hạn, trong khi vẫn thích nghi với sự thay đổi theo quý hoặc theo năm.
4. Ứng dụng cụ thể
5. Tối ưu danh mục VN30: LSTM học quan hệ chuỗi thời gian giữa các cổ phiếu trụ, sau đó WFO giúp cập nhật theo kết quả kinh doanh hàng quý.
6. Phân bổ đa tài sản: LSTM dự báo dòng tiền giữa cổ phiếu – trái phiếu – ETF. WFO giúp điều chỉnh linh hoạt khi có biến động lãi suất hay thay đổi chính sách NHNN.
7. Phân bổ theo ngành: Banking, bất động sản, thép, công nghệ thường có chu kỳ khác nhau. LSTM nhận diện các “phase shift” này, còn WFO đảm bảo danh mục luôn điều chỉnh phù hợp khi chu kỳ thay đổi.
8. Tính thực tiễn
9. Thay vì huấn luyện LSTM một lần trên toàn bộ dữ liệu (dễ bị lỗi “look-ahead bias”), WFO tạo ra một chuỗi các kết quả kiểm định gần sát nhất với vận hành thực tế.
10. Đây chính là mô phỏng vận hành thật sự: liên tục học, liên tục kiểm chứng, và liên tục tái tối ưu.

4. Lưu ý và ứng dụng thực tiễn tại Việt Nam

Mặc dù WFO giúp mô hình bớt overfit và sát thực tế hơn, một số điểm cần lưu ý:

1. Không đảm bảo lợi nhuận: Kết quả backtest không dự báo chắc chắn tương lai.
2. Chi phí giao dịch: Ở Việt Nam, phí giao dịch, thuế, thanh khoản phải được tính vào mô hình.
3. Tái cân bằng: Cần xác định tần suất tái cân bằng danh mục phù hợp (quá dày gây tốn phí, quá thưa dễ lệch trọng số).
4. Đa dạng hóa dữ liệu: Ngoài giá, có thể bổ sung dữ liệu cơ bản (EPS, ROE), tin tức, dòng vốn ngoại.

Trong thực tế, các quỹ đầu tư và công ty chứng khoán ở Việt Nam có thể áp dụng WFO để:

1. Kiểm định chiến lược giao dịch thuật toán,
2. Quản lý rủi ro danh mục trái phiếu – cổ phiếu,
3. Hỗ trợ bộ phận quản lý quỹ trong việc phân bổ tài sản động.

Kết luận

Walk-Forward Optimisation không chỉ là một công cụ kiểm định chiến lược mà còn là cách tiếp cận giúp mô hình liên tục học và thích nghi với điều kiện thị trường thay đổi. Khi kết hợp với các mô hình AI như LSTM, đây là một phương pháp tiềm năng để quản lý danh mục tại Việt Nam, nơi thị trường còn non trẻ nhưng biến động nhanh và nhạy cảm với thông tin.

Việc triển khai WFO đòi hỏi kỹ năng dữ liệu, hiểu biết thị trường và khả năng quản trị rủi ro. Nhưng với những nhà quản lý danh mục và nhà đầu tư cá nhân quan tâm đến phân tích định lượng, đây chắc chắn là một hướng đi đáng thử nghiệm trong bối cảnh thị trường ngày càng cạnh tranh.