Time-Series Momentum 12-1: Chiến lược momentum định lượng cho VN

Time-series momentum (TSMOM) — công bố bởi Moskowitz, Ooi & Pedersen (2012) — là một trong những anomalies dai dẳng nhất qua nhiều thị trường và nhiều thập kỷ. Nguyên tắc đơn giản: mua tài sản đã tăng trong 12 tháng qua, bán tài sản đã giảm, lookback bỏ tháng gần nhất để tránh hiệu ứng đảo chiều ngắn hạn.

Khác với cross-sectional momentum (so sánh giữa các mã), TSMOM xét mỗi mã độc lập: chỉ cần return 12-1 dương → long, âm → short (hoặc thoát). Trên TTCK VN, TSMOM phù hợp với danh mục đa cổ phiếu rebalance hàng tháng, kết hợp inverse-vol để cân bằng rủi ro.

1. Định nghĩa & cơ sở lý thuyết

Tín hiệu TSMOM 12-1 cho mã $i$ tại tháng $t$: $$ sig_{i,t} = \text{sign}\left(\frac{P_{i,t-1}}{P_{i,t-12}} - 1\right) $$

Trọng số inverse-volatility: $$ w_{i,t} = sig_{i,t} \cdot \frac{\sigma_{target}}{\sigma_{i,t}} $$ với $\sigma_{i,t}$ là volatility ex-ante (rolling 36 tháng), $\sigma_{target}$ thường set 10-15%/năm.

Trong đó:

• $P_t$ là giá đóng cửa tại thời điểm $t$
• $MA_n$ là trung bình trượt window $n$
• $\sigma_n$ là độ lệch chuẩn rolling
• Các tham số khác diễn giải trong bảng tham số bên dưới

2. Pseudocode triển khai

def tsmom_signal(prices_monthly, lookback=12, skip=1, vol_target=0.10):
    """
    prices_monthly: DataFrame giá đóng cửa cuối tháng, columns = mã
    lookback=12, skip=1 → return từ t-12 đến t-1 (bỏ tháng gần nhất)
    vol_target: ex-ante annual vol target để scale position
    """
    ret_12_1 = prices_monthly.shift(skip) / prices_monthly.shift(lookback) - 1
    signal = np.sign(ret_12_1)

    # ex-ante vol từ daily returns 36 tháng gần nhất
    monthly_ret = prices_monthly.pct_change()
    ex_ante_vol = monthly_ret.rolling(36).std() * np.sqrt(12)

    weights = signal * (vol_target / ex_ante_vol)
    weights = weights.clip(-2, 2)   # cap leverage
    return weights

Code mẫu trên là khung tham khảo — triển khai production cần thêm: validate input, handle NaN, log signal, hook vào execution engine (REST API qua TCBS/SSI/Vndirect), và unit test cho từng nhánh logic.

3. Tham số & khoảng walk-forward

Lưu ý về walk-forward optimization: không nên fix tham số “tốt nhất” trên toàn bộ lịch sử. Quy trình chuẩn là rolling window — fit tham số trên 252 phiên gần nhất, áp dụng 63 phiên tiếp theo (tỷ lệ ~80/20), sau đó shift cửa sổ. Báo cáo distribution của Sharpe, max DD, Calmar trên các fold thay vì 1 con số tổng.

4. Đặc thù thị trường Việt Nam

Trên VN, áp dụng TSMOM cần lưu ý:

• T+2.5 + cấm short cơ sở → tín hiệu sig = -1 chỉ thoát vị thế, không bán khống được. Có thể short qua VN30F1M.
• Universe dao động: VN30 review 6 tháng/lần — phải dùng historical constituents, không phải VN30 hiện tại.
• Liquidity floor: nên giới hạn universe ở các mã có ADV (giá trị giao dịch trung bình) > 30 tỷ VND/ngày để đảm bảo thực thi.
• Rebalance friction: phí + thuế round-trip ~0.3% × turnover. TSMOM monthly có turnover trung bình 60-80%/tháng → drag ~0.2%/tháng.

5. Năm cạm bẫy phổ biến khi áp dụng

1. Crash risk: TSMOM bị ‘momentum crash’ khi thị trường đảo chiều mạnh từ bear sang bull (Daniel & Moskowitz, 2016). Long các mã đã rớt nhiều nhất sẽ ngược chiều TSMOM signal khi rebound.

2. Look-ahead bias trong vol estimation: nếu dùng cùng dữ liệu để compute return và vol → biased. Tách rõ in-sample / out-of-sample.

3. Universe bias: backtest trên VN30 hiện tại = survivorship bias. Phải tái tạo universe theo từng kỳ review.

4. Tax timing: tại VN, mỗi lệnh bán chịu thuế 0.1% — TSMOM monthly chịu drag thuế ~1-2%/năm.

6. Khi nào nên dùng — khi nào không

✅ Nên dùng khi

• Danh mục đa cổ phiếu (≥ 10 mã), rebalance hàng tháng
• Có cơ chế risk parity / inverse-vol weighting
• Kết hợp với drawdown control: cắt exposure khi danh mục mất ≥ 10% từ peak

❌ Không nên dùng khi

• Single-name trading (TSMOM là chiến lược danh mục, không phải tín hiệu cá nhân)
• Vốn nhỏ < 500tr (không diversify đủ → variance cao)
• Giai đoạn mean-reverting cực đoan (post-crash recovery)

7. Vị trí trong hệ thống chiến lược định lượng

Chiến lược “Quán tính giá 12-1” không hoạt động độc lập — trong portfolio định lượng đa chiến lược, nó được kết hợp với các chiến lược khác để tận dụng correlation thấp giữa các họ tín hiệu (mean reversion ↔ trend following thường có correlation âm trong giai đoạn sideway).

Các chiến lược liên quan đã trình bày trong chuỗi bài này:

• Mean Reversion — Bollinger Band

• Trend Following — MA Crossover

• Breakout — Donchian Channel (Turtle)

8. Tham khảo học thuật

• Moskowitz, T., Ooi, Y., Pedersen, L. (2012). Time series momentum. Journal of Financial Economics, 104(2).

• Daniel, K., Moskowitz, T. (2016). Momentum crashes. Journal of Financial Economics, 122(2).

• Asness, C., Frazzini, A., Israel, R., Moskowitz, T. (2014). Fact, fiction and momentum investing. Journal of Portfolio Management.

Ghi chú phương pháp: Bài viết tổng hợp khung định lượng trên cơ sở lý thuyết và quy ước cộng đồng quant. Các giả định về phí giao dịch, slippage, regime filter là giả định mô hình — kết quả backtest thực tế phụ thuộc dataset, universe, và cách xử lý survivorship bias. Người đọc tự kiểm chứng bằng dữ liệu của mình trước khi triển khai vốn thật.

Miễn trừ trách nhiệm: Nội dung mang tính phân tích định lượng, không phải khuyến nghị đầu tư. Nhà đầu tư tự chịu trách nhiệm với quyết định của mình.