Walk Forward Optimization Machine Learning: Chìa khóa kiểm chứng sức bền chiến lược trading

Backtest “lung linh” và cú lừa Overfitting: Vấn đề thật sự của trader định lượng

Anh em trading định lượng, chắc chắn ai cũng từng trải qua cảm giác này: Mất hàng tuần, hàng tháng trời mày mò viết code, backtest đủ kiểu, rồi nhìn vào bảng kết quả thấy chiến lược mình vừa tạo ra “đẹp như mơ”. Lợi nhuận khủng khiếp, drawdown (sụt giảm vốn tối đa) nhỏ tí, Sharpe ratio (tỷ suất sinh lời trên rủi ro) cao ngất trời. Lúc đó, cảm giác hưng phấn tột độ, nghĩ bụng “À, đây rồi, chén thánh là đây!”.

Thế nhưng, đời không như là mơ. Khi anh em mang chiến lược đó ra giao dịch tiền thật (hoặc ít ra là chạy forward test trên dữ liệu mới), kết quả lại tệ hại không tưởng. Lợi nhuận không thấy đâu, thay vào đó là drawdown liên tục, tài khoản bốc hơi nhanh chóng. Cảm giác lúc đó mới cay đắng làm sao.

Đây chính là cái bẫy lớn nhất trong giao dịch định lượng, gọi là overfitting hay khớp dữ liệu quá mức. Chiến lược của anh em quá “thuộc bài” với dữ liệu lịch sử mà nó được kiểm tra (in-sample data), đến mức nó ghi nhớ cả những nhiễu loạn, những biến động ngẫu nhiên không có ý nghĩa dự đoán trong tương lai. Nó không có khả năng khái quát hóa (generalize) tốt trên dữ liệu chưa từng thấy (out-of-sample data). Anh em càng cố gắng tối ưu hóa (optimize) từng chút một để có kết quả backtest đẹp, càng dễ rơi vào bẫy này.

Bài viết này, tôi sẽ chia sẻ kinh nghiệm thực chiến 10 năm của mình về một kỹ thuật cực kỳ quan trọng giúp anh em thoát khỏi cái bẫy overfitting và xây dựng những chiến lược giao dịch định lượng bền vững hơn: Walk-Forward Optimization (WFO). Đặc biệt, chúng ta sẽ đi sâu vào cách WFO kết hợp với Machine Learning để tạo ra những hệ thống giao dịch thông minh và thích nghi tốt hơn với thị trường.

Backtest là gì và vì sao nó chưa đủ để tin tưởng?

Trước khi nói về WFO, chúng ta cần hiểu rõ backtest là gì và tại sao chỉ backtest không thôi lại rủi ro.

Backtest đơn giản là quá trình kiểm tra một chiến lược giao dịch trên dữ liệu giá lịch sử. Mục tiêu là để xem chiến lược đó đã hoạt động như thế nào trong quá khứ, dựa trên một bộ các quy tắc mua/bán và quản lý vốn cụ thể. Backtest giúp anh em:

1. Kiểm tra ý tưởng: Một ý tưởng trading nghe có vẻ hay, nhưng khi backtest có thể lộ ra ngay những điểm yếu.
2. Đánh giá hiệu suất: Xem các chỉ số như lợi nhuận, drawdown, Sharpe ratio, v.v.
3. Tối ưu hóa tham số: Điều chỉnh các tham số (ví dụ: chu kỳ của đường trung bình, ngưỡng của RSI) để tìm ra bộ tham số “tốt nhất” trên dữ liệu lịch sử.

Tuy nhiên, đây cũng chính là con dao hai lưỡi. Việc tối ưu hóa tham số quá mức trên toàn bộ dữ liệu lịch sử chính là gốc rễ của overfitting. Thử nghĩ mà xem, anh em đang cố gắng tìm ra bộ tham số hoạt động tốt nhất cho một quãng thời gian đã qua. Thị trường luôn thay đổi, hành vi của nhà đầu tư không đứng yên. Một bộ tham số “tối ưu” trên dữ liệu 2010-2020 có thể hoàn toàn vô dụng, thậm chí gây thua lỗ nặng nề, trên dữ liệu 2021-2023.

Giống như việc anh em học tủ cho một kỳ thi với các câu hỏi đã biết trước. Điểm cao là cái chắc. Nhưng khi ra đời đối mặt với những vấn đề mới mẻ, đột xuất, thì kiến thức học tủ đó không giúp ích được gì.

Đây là lúc chúng ta cần một phương pháp kiểm định nghiêm ngặt hơn, mô phỏng sát hơn quá trình giao dịch thực tế. Đó là Walk-Forward Optimization.

Walk-Forward Optimization: Lời giải cho bài toán thích nghi của chiến lược

Walk-Forward Optimization (WFO) không phải là một chiến lược giao dịch, mà là một kỹ thuật kiểm định và tối ưu hóa chiến lược một cách khoa học và thực tế hơn nhiều so với backtest truyền thống. Nó được thiết kế để kiểm tra xem một chiến lược có thể thích nghi và hoạt động tốt như thế nào trong các điều kiện thị trường thay đổi.

Cốt lõi của WFO: Thay vì tối ưu hóa chiến lược trên toàn bộ dữ liệu lịch sử (gọi là “in-sample” data), WFO chia dữ liệu thành nhiều đoạn nhỏ hơn, rồi thực hiện quá trình tối ưu và kiểm định lặp đi lặp lại.

Hãy hình dung quá trình WFO như sau:

1. Bước 1: Chọn một khoảng “In-Sample” (IS) để tối ưu: Anh em chọn một đoạn dữ liệu lịch sử nhất định (ví dụ: 2-3 năm gần nhất) để tìm ra bộ tham số “tốt nhất” cho chiến lược của mình. Quá trình này hoàn toàn giống như backtest truyền thống, nhưng chỉ trên một phần nhỏ dữ liệu. Đây là giai đoạn chiến lược “học” cách vận hành tối ưu trong điều kiện thị trường đã qua.
2. Bước 2: Kiểm tra trên khoảng “Out-Of-Sample” (OOS) không được biết đến: Với bộ tham số vừa tìm được từ Bước 1, anh em chạy chiến lược trên một đoạn dữ liệu lịch sử NGAY SAU đoạn IS, mà đoạn này chưa hề được dùng để tối ưu hóa. Đây chính là giai đoạn “kiểm tra thực tế” của chiến lược. Kết quả trên đoạn OOS này phản ánh hiệu suất thực sự của chiến lược khi đối mặt với dữ liệu “mới” mà nó chưa từng “thấy” trước đây.
3. Bước 3: Dịch chuyển cửa sổ thời gian và lặp lại: Sau khi kiểm tra xong trên đoạn OOS đầu tiên, anh em dịch chuyển cả cửa sổ IS và OOS tiến về phía trước theo thời gian. Đoạn OOS vừa rồi sẽ trở thành một phần của đoạn IS tiếp theo. Toàn bộ quá trình tối ưu (Bước 1) và kiểm tra (Bước 2) lại được lặp lại.
4. Bước 4: Tổng hợp kết quả OOS: Anh em tổng hợp tất cả các kết quả từ các đoạn OOS nhỏ lại với nhau. Kết quả cuối cùng này sẽ cho anh em một bức tranh chân thực hơn nhiều về hiệu suất tiềm năng của chiến lược khi giao dịch tiền thật.

Minh họa quy trình Walk-Forward (Fixed Anchor vs. Rolling Window):

Có hai cách chính để dịch chuyển cửa sổ thời gian:

• Fixed Anchor (Cửa sổ cố định gốc): Điểm bắt đầu của đoạn IS được giữ nguyên, chỉ có điểm kết thúc của IS và OOS được dịch chuyển. Điều này giúp chiến lược “học” được từ một lượng dữ liệu ngày càng lớn.
• Rolling Window (Cửa sổ trượt): Cả điểm bắt đầu và kết thúc của đoạn IS đều dịch chuyển, giữ cho độ dài của cửa sổ IS luôn không đổi. Phương pháp này giúp chiến lược luôn “học” từ dữ liệu gần nhất, phù hợp với thị trường thay đổi nhanh chóng. Tôi thường dùng rolling window cho thị trường Việt Nam vì nó năng động hơn, các regime (giai đoạn thị trường) thay đổi khá nhanh.

Ví dụ: Anh em có dữ liệu từ 2010-2023. * IS Window: 2010-2015 (5 năm) * OOS Window: 2016 (1 năm) * Tối ưu trên 2010-2015, chạy trên 2016. * Dịch chuyển (Rolling Window): * IS Window: 2011-2016 (5 năm) * OOS Window: 2017 (1 năm) * Tối ưu trên 2011-2016, chạy trên 2017. * Cứ thế lặp lại cho đến hết dữ liệu.

Kết quả cuối cùng của WFO không phải là “lợi nhuận” mà là một tập hợp các số liệu hiệu suất (performance metrics) trên toàn bộ các đoạn OOS. Nếu chiến lược có hiệu suất OOS ổn định và chấp nhận được, thì đó mới là một chiến lược đáng để anh em xem xét triển khai. Ngược lại, nếu kết quả OOS tệ hại, bất kể backtest in-sample có đẹp đến đâu, anh em cũng nên vứt bỏ nó.

Walk-Forward và Machine Learning: Sức mạnh cộng hưởng cho chiến lược định lượng

Đây là phần thú vị nhất, và cũng là xu hướng phát triển mạnh mẽ của giao dịch định lượng hiện tại. Khi nói đến walk-forward optimization machine learning, chúng ta không chỉ dừng lại ở việc tối ưu các tham số cố định (như chu kỳ SMA). Chúng ta còn sử dụng WFO để kiểm định và tinh chỉnh các mô hình học máy phức tạp.

Machine Learning (ML) trong Trading:

ML là một công cụ cực kỳ mạnh mẽ để tìm kiếm các mẫu hình phức tạp trong dữ liệu mà các quy tắc giao dịch truyền thống (if-then statements) khó có thể nắm bắt được. Các ứng dụng của ML trong trading bao gồm:

• Dự đoán xu hướng/giá: Sử dụng các mô hình hồi quy (regression) hoặc phân loại (classification) để dự đoán hướng đi của giá hoặc xác suất tăng/giảm.
• Phát hiện mẫu hình: Tìm kiếm các mẫu hình nến, khối lượng giao dịch hoặc các tín hiệu thị trường ẩn.
• Xử lý ngôn ngữ tự nhiên (NLP): Phân tích tin tức, mạng xã hội để đánh giá sentiment (tâm lý thị trường) và sử dụng nó làm yếu tố đầu vào cho mô hình giao dịch.
• Quản lý danh mục đầu tư: Tối ưu hóa phân bổ tài sản, giảm rủi ro.

Tuy nhiên, mô hình ML cũng rất dễ bị overfitting, thậm chí còn dễ hơn các chiến lược đơn giản. Một mô hình quá phức tạp, với quá nhiều biến (features) hoặc quá nhiều siêu tham số (hyperparameters), có thể học thuộc lòng dữ liệu lịch sử một cách xuất sắc, nhưng hoàn toàn vô dụng trên dữ liệu mới.

WFO là “vệ sĩ” của Machine Learning:

Đây là lúc WFO phát huy vai trò tối thượng của nó. Khi anh em xây dựng một mô hình ML cho giao dịch, quy trình sẽ như sau:

1. Thu thập và tiền xử lý dữ liệu: Chuẩn bị các yếu tố đầu vào (features) cho mô hình (ví dụ: giá, khối lượng, các chỉ báo kỹ thuật, dữ liệu kinh tế vĩ mô, sentiment…).
2. Thiết kế mô hình ML: Chọn loại mô hình (ví dụ: Random Forest, Gradient Boosting, Neural Networks, SVM…) và các siêu tham số cơ bản.
3. Áp dụng WFO: Thay vì chỉ backtest mô hình trên toàn bộ dữ liệu, anh em sẽ tích hợp WFO vào quy trình phát triển:
   • Tại mỗi cửa sổ IS: Huấn luyện (train) mô hình ML trên dữ liệu IS. Lúc này, mô hình sẽ học các mối quan hệ, các mẫu hình từ dữ liệu đó. Anh em cũng có thể sử dụng các kỹ thuật tối ưu siêu tham số (hyperparameter optimization) như Grid Search, Random Search, hoặc Bayesian Optimization chỉ trong phạm vi cửa sổ IS này.
   • Tại mỗi cửa sổ OOS: Sử dụng mô hình ML đã được huấn luyện (và tối ưu siêu tham số) từ cửa sổ IS để tạo ra các tín hiệu giao dịch và kiểm tra hiệu suất trên dữ liệu OOS.

Quá trình này lặp lại liên tục. Kết quả OOS của WFO sẽ cho anh em biết liệu mô hình ML của mình có thực sự có khả năng học và khái quát hóa tốt, hay chỉ là một cỗ máy overfitting.

Case Study: Áp dụng trên thị trường Việt Nam

Hãy cùng nhìn vào một ví dụ thực tế hơn trên thị trường chứng khoán Việt Nam (HOSE). Giả sử chúng ta đang xây dựng một chiến lược dự đoán xu hướng cho VN30 dựa trên các chỉ báo kỹ thuật và một vài yếu tố vĩ mô đơn giản.

Chiến lược cơ bản: Mua khi tín hiệu tích cực, bán khi tín hiệu tiêu cực.

So sánh 3 kịch bản:

1. Naive Backtest: Tối ưu hóa toàn bộ tham số (chu kỳ MA, ngưỡng RSI, trọng số yếu tố vĩ mô) trên toàn bộ dữ liệu 2010-2023.
2. WFO với chiến lược truyền thống: Sử dụng cùng chiến lược trên, nhưng áp dụng Walk-Forward Optimization (Rolling Window 5 năm IS, 1 năm OOS) để tối ưu tham số tại từng giai đoạn và kiểm định liên tục.
3. WFO với chiến lược ML (Gradient Boosting): Xây dựng một mô hình Gradient Boosting để dự đoán xu hướng. Mỗi năm (OOS) mô hình được tái huấn luyện và tối ưu siêu tham số trên 5 năm dữ liệu IS gần nhất.

Phân tích kết quả:

• Naive Backtest: Nhìn vào cột đầu tiên, anh em sẽ thấy nó “đẹp” đến mức khó tin. Lợi nhuận hàng năm 35.2% với drawdown chỉ 12.8% là điều cực kỳ hiếm có trên thị trường Việt Nam trong một thời gian dài. Đây chính là dấu hiệu của overfitting. Chiến lược này gần như chắc chắn sẽ thất bại thảm hại khi ra tiền thật.
• WFO - Chiến lược truyền thống: Kết quả OOS của WFO cho thấy một bức tranh thực tế hơn nhiều. Lợi nhuận giảm xuống còn 18.5%, drawdown tăng lên -18.7%. Sharpe ratio cũng thấp hơn đáng kể. Mặc dù không “lung linh” bằng backtest naive, đây là một kết quả chấp nhận được và có tính bền vững cao hơn. Nó cho thấy chiến lược này có thể tạo ra lợi nhuận trong các điều kiện thị trường khác nhau, dù không phải lúc nào cũng tối ưu nhất.
• WFO - Chiến lược ML: Với mô hình học máy và WFO, chúng ta thấy lợi nhuận nhỉnh hơn một chút (22.3%) và drawdown thấp hơn so với chiến lược truyền thống. Sharpe ratio cũng tốt hơn, cho thấy khả năng sinh lời hiệu quả trên rủi ro. Điều này minh chứng cho việc ML có thể giúp tìm ra các mẫu hình phức tạp hơn, nhưng quan trọng nhất là nó được kiểm chứng bằng WFO để đảm bảo tính thực tế.

Bài học rút ra: Đừng bao giờ tin vào một backtest quá đẹp mà không qua kiểm định WFO. Kết quả WFO, dù có thể không cao bằng backtest “ảo”, mới chính là con số đáng tin cậy để anh em quyết định có nên triển khai chiến lược hay không.

Các chỉ số đánh giá chiến lược sau Walk-Forward

Sau khi chạy WFO, chúng ta sẽ có một tập hợp các kết quả hiệu suất trên các đoạn OOS. Việc phân tích các chỉ số này là cực kỳ quan trọng để đánh giá độ tin cậy của chiến lược.

1. Lợi nhuận gộp (Net Profit) & Lợi nhuận hàng năm (Annualized Return): Tổng số tiền lãi/lỗ và tỷ lệ lợi nhuận trung bình mỗi năm. Đây là yếu tố cơ bản, nhưng cần đi kèm các chỉ số rủi ro.
2. Sụt giảm vốn tối đa (Maximum Drawdown - MDD): Khoản lỗ lớn nhất tính từ đỉnh xuống đáy trong lịch sử giao dịch. Đây là chỉ số quan trọng nhất về rủi ro mà anh em phải chịu đựng. MDD thấp là mục tiêu hàng đầu.
3. Tỷ suất Sharpe (Sharpe Ratio): Đo lường lợi nhuận trên mỗi đơn vị rủi ro (độ lệch chuẩn của lợi nhuận). Sharpe càng cao càng tốt. Một Sharpe Ratio trên 1.0 thường được coi là tốt. Trên 1.5 là xuất sắc.
4. Tỷ suất Sortino (Sortino Ratio): Tương tự như Sharpe, nhưng chỉ tính đến rủi ro “xuống cấp” (downside deviation), tức là những biến động tiêu cực. Sortino thường chính xác hơn trong việc đánh giá rủi ro thực tế mà trader phải đối mặt.
5. Tỷ lệ lợi nhuận trên MDD (Calmar Ratio/Return on Drawdown): Lợi nhuận hàng năm chia cho Max Drawdown. Chỉ số này đánh giá khả năng hồi phục sau sụt giảm của chiến lược.
6. Hệ số lợi nhuận (Profit Factor): Tổng lợi nhuận gộp chia cho tổng thua lỗ gộp. Một Profit Factor trên 1.0 cho thấy chiến lược có lãi. Trên 1.5 là tốt.
7. Tỷ lệ giao dịch thắng (Win Rate) và Tỷ lệ R:R (Risk:Reward Ratio):
   • Win Rate: Phần trăm số giao dịch có lãi.
   • R:R: Trung bình lợi nhuận trên mỗi giao dịch thắng chia cho trung bình thua lỗ trên mỗi giao dịch thua. Một chiến lược có Win Rate thấp vẫn có thể có lãi nếu R:R cao (và ngược lại). Quan trọng là kỳ vọng toán học (Expectancy) phải dương.

Sự khác biệt giữa In-sample và Out-of-sample performance

Đây là điểm mấu chốt. Luôn luôn có một sự sụt giảm hiệu suất đáng kể từ kết quả in-sample (khi tối ưu) sang kết quả out-of-sample (khi kiểm chứng). Nếu kết quả OOS quá tệ, hoặc lợi nhuận biến thành lỗ, thì đó là dấu hiệu rõ ràng của overfitting.

Một chiến lược tốt là chiến lược có kết quả OOS chấp nhận được, thậm chí có thể thấp hơn nhiều so với in-sample, nhưng quan trọng là nó vẫn có lãi và các chỉ số rủi ro nằm trong giới hạn chịu đựng của anh em. Việc chấp nhận sự sụt giảm hiệu suất này là một phần của quá trình phát triển chiến lược định lượng thực tế.

Những cái bẫy cần tránh khi Walk-Forward

Ngay cả WFO cũng không phải là chén thánh và nó cũng có những cái bẫy riêng mà anh em cần tránh. Tôi đã từng “ăn đòn” nhiều lần vì những lỗi này, và anh em không nên lặp lại.

1. Over-optimizing WFO parameters (Tối ưu hóa quá mức các tham số của WFO): Nghe có vẻ nghịch lý nhưng hoàn toàn có thể xảy ra. Anh em có thể cố gắng điều chỉnh độ dài của cửa sổ IS, cửa sổ OOS, tần suất tối ưu hóa, v.v., để có được kết quả WFO “đẹp nhất”. Đây cũng là một dạng overfitting, nhưng là overfitting ở cấp độ cao hơn. Hãy giữ các tham số WFO đơn giản và hợp lý. Ví dụ, dùng 3-5 năm cho IS và 0.5-1 năm cho OOS là khá phổ biến và đủ để kiểm tra.
2. Insufficient Data (Thiếu dữ liệu): WFO yêu cầu một lượng dữ liệu lịch sử đủ lớn để tạo ra nhiều cửa sổ IS/OOS có ý nghĩa thống kê. Nếu anh em chỉ có vài năm dữ liệu, việc chạy WFO có thể không mang lại kết quả đáng tin cậy. Đặc biệt là với các mô hình Machine Learning phức tạp, chúng cần rất nhiều dữ liệu để học.
3. Ignoring Transaction Costs and Slippage (Bỏ qua chi phí giao dịch và trượt giá): Đây là lỗi kinh điển mà rất nhiều trader mới mắc phải. Các giao dịch trong backtest hoặc WFO thường được tính với mức giá lý tưởng (giá đóng cửa, giá mở cửa). Nhưng trong thực tế, anh em sẽ phải trả phí giao dịch, thuế, và đặc biệt là trượt giá (slippage) – tức là khớp lệnh ở mức giá tệ hơn mong muốn. Với thị trường Việt Nam, slippage, đặc biệt với cổ phiếu thanh khoản thấp hoặc giao dịch khối lượng lớn, có thể “ăn” hết lợi nhuận. Luôn trừ đi một khoản chi phí ước tính vào mỗi giao dịch để có bức tranh thực tế hơn.
4. Look-Ahead Bias (Thiên vị dữ liệu tương lai): Đảm bảo rằng tại bất kỳ thời điểm nào trong quá trình backtest hoặc WFO, chiến lược của anh em không sử dụng bất kỳ thông tin nào từ tương lai. Ví dụ, sử dụng giá đóng cửa của ngày mai để quyết định mua/bán ngày hôm nay là một lỗi nghiêm trọng. Kiểm tra kỹ code để tránh lỗi này.
5. Ignoring Market Regime Changes (Bỏ qua sự thay đổi giai đoạn thị trường): Thị trường không phải lúc nào cũng giống nhau. Có lúc uptrend, downtrend, sideway, hoặc có những giai đoạn biến động mạnh (volatility) hoặc thấp. Một chiến lược có thể hoạt động tốt trong một giai đoạn này nhưng lại thua lỗ nặng trong giai đoạn khác. WFO với rolling window giúp phần nào giải quyết vấn đề này, vì nó liên tục tối ưu trên dữ liệu gần nhất. Tuy nhiên, anh em vẫn cần xem xét khả năng hoạt động của chiến lược trong các giai đoạn thị trường khác nhau.
6. Confirmation Bias (Thiên vị xác nhận): Sau khi đã tốn công sức xây dựng và kiểm định, anh em có xu hướng muốn thấy chiến lược của mình thành công. Điều này có thể dẫn đến việc anh em bỏ qua các dấu hiệu tiêu cực, hoặc tìm mọi cách để “ép” dữ liệu cho ra kết quả đẹp. Hãy khách quan hết mức có thể.

Kết luận và lời khuyên từ kinh nghiệm thực chiến

Walk-Forward Optimization, đặc biệt khi kết hợp với Machine Learning, là một công cụ không thể thiếu đối với bất kỳ ai nghiêm túc với giao dịch định lượng. Nó không hứa hẹn “chén thánh”, cũng không đảm bảo lợi nhuận, nhưng nó cung cấp một phương pháp kiểm định khoa học để anh em xây dựng những chiến lược thực sự vững chắc và có khả năng tồn tại lâu dài trên thị trường.

Kinh nghiệm của tôi là thế này:

• Chấp nhận sự thật phũ phàng: Backtest đẹp như mơ thường là một lời nói dối. WFO sẽ cho anh em biết sự thật, dù nó có thể không như mong đợi. Đừng cố gắng “làm đẹp” kết quả OOS.
• Rủi ro là ưu tiên số 1: Luôn luôn tập trung vào quản trị rủi ro. MDD, Sharpe Ratio, Sortino Ratio là những chỉ số quan trọng hơn nhiều so với lợi nhuận gộp. Một chiến lược có lợi nhuận thấp hơn nhưng rủi ro thấp hơn nhiều thường là một lựa chọn tốt hơn. Luôn biết giới hạn thua lỗ của mình và tuân thủ nó.
• Thị trường không ngừng thay đổi: Một chiến lược tốt hôm nay có thể không tốt vào ngày mai. WFO giúp chiến lược thích nghi, nhưng việc anh em liên tục theo dõi, đánh giá và điều chỉnh (hoặc loại bỏ) chiến lược là bắt buộc.
• Học máy không phải phép thuật: ML là công cụ mạnh mẽ, nhưng không phải là đũa thần. Nó cần dữ liệu chất lượng, feature engineering tốt, và quan trọng nhất là một quy trình kiểm định nghiêm ngặt như WFO để phát huy hiệu quả.

Hãy bắt đầu áp dụng WFO vào quy trình phát triển chiến lược của anh em ngay hôm nay. Nó có thể sẽ làm chậm quá trình phát triển của anh em ban đầu, nhưng về lâu dài, nó sẽ giúp anh em tiết kiệm rất nhiều tiền bạc và thời gian, tránh được những cú sốc khi chiến lược “trên giấy” khác xa thực tế. Và nếu anh em đang tìm hiểu sâu về việc xây dựng các hệ thống trading định lượng, đừng quên tìm hiểu thêm về các khái niệm cơ bản về backtest và quản trị rủi ro. Chúc anh em thành công!

FAQ

Q: Walk-Forward Optimization khác gì với việc chia dữ liệu train/test thông thường trong Machine Learning? A: Chia train/test thông thường chỉ là một lần chia tĩnh: một phần dữ liệu dùng để huấn luyện, một phần khác để kiểm thử. WFO thì động hơn nhiều. Nó lặp lại quá trình train/test nhiều lần trên các đoạn dữ liệu dịch chuyển, mô phỏng việc chiến lược liên tục được tái tối ưu và kiểm thử trên dữ liệu mới trong quá trình giao dịch thực tế. Điều này giúp kiểm tra sự thích nghi của chiến lược theo thời gian.

Q: Khi nào thì nên dùng Walk-Forward Optimization? A: Nên dùng WFO cho mọi chiến lược giao dịch định lượng mà anh em muốn triển khai bằng tiền thật. Đặc biệt quan trọng đối với các chiến lược có nhiều tham số cần tối ưu, hoặc các chiến lược sử dụng mô hình học máy phức tạp, vì chúng rất dễ bị overfitting.

Q: Độ dài của cửa sổ In-Sample (IS) và Out-Of-Sample (OOS) nên là bao nhiêu? A: Không có một con số cố định. Tùy thuộc vào bản chất của chiến lược, tần suất giao dịch và thị trường. Kinh nghiệm của tôi trên thị trường Việt Nam thường dùng IS từ 3-5 năm và OOS từ 6 tháng đến 1 năm. Cửa sổ IS cần đủ dài để chiến lược có thể “học” các mẫu hình có ý nghĩa, còn OOS cần đủ dài để có đủ giao dịch và thống kê đáng tin cậy.

Q: Nếu kết quả WFO tệ, có nên cố gắng thay đổi chiến lược không? A: Nếu kết quả OOS của WFO tệ, đó là dấu hiệu rõ ràng chiến lược của anh em không bền vững hoặc bị overfitting. Anh em nên quay lại bước đầu tiên: xem xét lại ý tưởng cơ bản, thay đổi các biến đầu vào (features), thử các mô hình hoặc quy tắc giao dịch khác. Đừng cố gắng “ép” WFO ra kết quả tốt bằng cách tối ưu quá mức các tham số WFO.

Q: Liệu WFO có thể giúp dự đoán sự kiện “thiên nga đen” (black swan event) không? A: WFO giúp chiến lược thích nghi tốt hơn với các điều kiện thị trường thay đổi dần dần. Tuy nhiên, các sự kiện “thiên nga đen” là những sự kiện cực kỳ hiếm gặp, bất ngờ và nằm ngoài mọi dự liệu lịch sử. Không có bất kỳ phương pháp kiểm định nào, kể cả WFO hay Machine Learning, có thể “dự đoán” hoặc “bảo vệ hoàn toàn” anh em khỏi chúng. Quản trị rủi ro nghiêm ngặt, bao gồm cả việc cắt lỗ và kiểm soát quy mô vị thế, vẫn là cách duy nhất để sống sót qua những sự kiện đó.

Xem thêm các bài viết chuyên sâu về kỹ thuật giao dịch định lượng

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.