Nội dung này chỉ nhằm mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch.

Trả lời ngắn: Algorithmic Trading dùng thuật toán để tạo quyết định hoặc thực thi giao dịch; thuật toán có thể chỉ là luật cố định. AI Trading có thành phần học từ dữ liệu hoặc suy luận. Hai khái niệm giao nhau: nhiều hệ thống AI Trading cũng là Algorithmic Trading, nhưng không phải thuật toán nào cũng là AI.

Đọc xong, bạn sẽ hiểu:

  • Vì sao “có thuật toán” chưa chứng minh “có AI”.
  • Cách phân biệt hai hệ thống theo logic, update, validation và governance.
  • Cách phân loại một mô tả sản phẩm mà không tin vào nhãn marketing.

1. Algorithmic Trading và AI Trading là hai tập giao nhau

a. Algorithmic Trading bắt đầu từ quy trình có thể viết thành bước

Algorithm là chuỗi bước hữu hạn biến input thành output. Trong trading, thuật toán có thể tính giá tham chiếu, chia một order lớn thành nhiều order nhỏ, phát hiện điều kiện hoặc gửi lệnh theo lịch. Một rule đơn giản như “mỗi 10 phút gửi 5% khối lượng còn lại nếu spread dưới ngưỡng” đã là algorithmic execution, dù không dùng machine learning.

Algorithmic Trading vì thế là khái niệm rộng: dùng thuật toán trong quyết định hoặc thực thi. SEC mô tả algorithmic trading trong bối cảnh thị trường cổ phiếu có nhiều venue, order type, dữ liệu và kết nối phức tạp; thuật toán có thể hỗ trợ từ liquidity search tới execution (SEC — Staff Report on Algorithmic Trading).

b. AI Trading thêm thành phần học hoặc suy luận

AI Trading dùng một model AI cho một nhiệm vụ như phân loại regime, đọc tin, dự báo xác suất hoặc xếp hạng cơ hội. Model có thể là machine learning, deep learning hoặc hệ thống agent dùng công cụ. Output vẫn có thể chỉ là score; hệ thống không nhất thiết tự đặt lệnh.

Điểm phân biệt không phải số dòng code. Rule dài 50.000 dòng vẫn có thể là logic do con người viết. Model nhỏ học trọng số từ dữ liệu vẫn là thành phần machine learning. Câu hỏi đúng là: logic được tạo ra bằng cách nào và được cập nhật ra sao?

c. Sơ đồ hai tập

Hình 1 — Algorithmic Trading nói về quy trình dùng thuật toán; AI Trading nói về năng lực AI. Hệ thống production thường nằm ở phần giao nhau nhưng giữ risk/execution bằng luật xác định.

Ba vùng dễ hình dung:

  • Algorithmic nhưng không AI: TWAP, VWAP, market making luật cứng, execution theo lịch.
  • AI nhưng chưa tự động giao dịch: model xếp hạng mã, con người review và thao tác.
  • Giao nhau: model tạo score, risk engine kiểm limit, execution algorithm gửi order.

Đây khác bài AI Trading vs Bot Trading: bot nhấn mạnh quyền tự động thực hiện tác vụ; algorithmic nhấn mạnh quy trình ra quyết định/thực thi bằng thuật toán.

2. So sánh theo bảy tiêu chí

Tiêu chí Algorithmic Trading luật cố định AI Trading có model học Câu cần kiểm tra
Nguồn logic Con người viết điều kiện/công thức Model học tham số từ dữ liệu Ai hoặc quy trình nào tạo logic?
Input Thường structured, schema rõ Có thể thêm text, ảnh, chuỗi lớn Nguồn, độ trễ, provenance?
Output Điều kiện, schedule, quote, order Score, class, forecast, proposal Output có quyền hành động không?
Update Sửa code/config rồi deploy Retrain, recalibrate hoặc đổi model Promotion gate nào phê duyệt?
Tính xác định Cùng input thường cùng output Có thể stochastic hoặc nhạy distribution Có seed/version/replay không?
Validation Unit test, simulation, cost/replay Thêm out-of-sample, drift, calibration Test có giống deployment?
Governance Change control, limit, monitoring Thêm model risk, data governance, explainability Ai sở hữu và ai được dừng?

Không dùng bảng để xếp hạng

AI không tự động tốt hơn. Rule đơn giản có thể dễ kiểm thử, nhanh và ổn định. Model học có thể xử lý pattern phức tạp nhưng tạo thêm data leakage, drift, calibration và explainability risk. Chọn công cụ dựa trên nhiệm vụ, baseline và bằng chứng ngoài mẫu.

NIST AI RMF tổ chức quản trị quanh Govern, Map, Measure và Manage; framework nhấn mạnh task, giới hạn, human oversight, testing và monitoring phải được định nghĩa suốt vòng đời (NIST AI RMF Core). Đây là lớp bổ sung cần thiết khi một algorithm dùng AI.

3. Cùng một chiến lược, hai cách tạo decision logic

Phiên bản A — rule-based

Ví dụ giả lập cho mục đích học:

  • Input: return 20 phiên, volatility 20 phiên và spread.
  • Rule: nếu return dương, volatility dưới 2% và spread dưới 0,15% thì tạo CANDIDATE.
  • Risk: exposure ngành dưới 25%, data fresh và không halt.
  • Output: ELIGIBLE hoặc reason code đứng ngoài.

Ưu điểm là trace rõ: người vận hành biết điều kiện nào pass. Nhược điểm là ngưỡng do con người đặt có thể cứng và không phản ánh tương tác phi tuyến.

Phiên bản B — model-assisted

Giữ nguyên data contract, risk và execution, nhưng thay ba điều kiện đầu bằng model trả xác suất. Model version v3 trả 0,64; calibration cho biết nhóm 0,60–0,70 trong test ngoài mẫu không ổn định ở regime thanh khoản thấp. Decision contract yêu cầu calibrated probability tối thiểu 0,67, nên output là STAY_OUT_MODEL.

Model không tự sửa threshold. Muốn đổi, nhóm phải tạo change request, chạy backtest/walk-forward, stress cost và promotion review. Đây là khác biệt giữa “model học từ dữ liệu” và “runtime tự do thay luật”.

Hình 2 — Rule thay đổi qua code/config; model thay đổi qua data, training và promotion. Cả hai đều cần version, test, approval và rollback.

Phần nên giữ deterministic

Ngay cả khi decision dùng AI, các gate như max position, allowed instrument, credential scope, idempotency, kill switch và reconciliation nên là code xác định. Model có thể đề xuất; policy quyết định phạm vi được phép. Tách lớp này giúp một output lạ không đi thẳng thành side effect.

4. Sai lầm và giới hạn thường gặp

Gọi mọi automation là AI

Tên “smart”, “adaptive” hoặc “AI-powered” không đủ. Yêu cầu model card, input, cách training, version và bằng chứng evaluation. Nếu chỉ thấy điều kiện cố định, mô tả đúng hơn có thể là algorithmic/rule-based.

Gọi mọi model là strategy hoàn chỉnh

Một classifier chỉ là component. Strategy production còn data quality, portfolio, risk, execution, monitoring và operations. Accuracy cao không chứng minh cost-adjusted outcome hoặc khả năng khớp lệnh.

Cho rằng AI tự thích nghi an toàn

Online update không có gate có thể thay behavior trong production mà chưa kiểm thử. Thích nghi an toàn cần phạm vi, trigger, shadow/canary, rollback và owner. Drift detection báo phân phối đổi; nó không tự chứng minh retrain sẽ tốt hơn.

So backtest không cùng điều kiện

Rule và model phải dùng cùng universe point-in-time, cost, latency, split, missing data và execution assumption. Nếu model được dùng nhiều feature hơn hoặc test period khác, so Sharpe trực tiếp không trả lời công nghệ nào tốt hơn.

Quên rủi ro bên ngoài model

API timeout, broker reject, stale price và duplicate order làm hỏng cả rule lẫn AI. CFTC cảnh báo các quảng cáo bot/AI không thể biến dự báo thành bảo đảm và người dùng cần thận trọng với tuyên bố lợi nhuận phi thực tế (CFTC — AI Won't Turn Trading Bots into Money Machines).

5. Checklist nhận diện một hệ thống

Hỏi theo thứ tự:

  1. Nhiệm vụ algorithm đang làm là research, decision, risk hay execution?
  2. Logic do con người viết hay tham số được học từ dữ liệu?
  3. Có model name/version, training window và feature provenance không?
  4. Cùng input/version có replay được output không?
  5. Rule update hoặc model promotion đi qua test/approval nào?
  6. Risk gate có độc lập và deterministic không?
  7. Execution có idempotency, reconciliation và kill switch không?
  8. Monitoring đo code error, model drift và operational incident riêng không?

Stop condition

Nếu nhà cung cấp không nói rõ AI nằm ở đâu, dữ liệu nào được dùng, model cập nhật thế nào hoặc ai chịu trách nhiệm khi sai, hãy ghi CHƯA ĐỦ BẰNG CHỨNG. Không cần kết luận đó là lừa đảo; chỉ cần chưa cấp quyền hoặc tiền thật dựa trên nhãn marketing.

Bài tập 15 phút: Classification Card

Không kết nối tài khoản. Phân loại bốn mô tả giả:

  • A chia order lớn theo lịch và giới hạn participation rate.
  • B dùng model NLP chấm cảm xúc, con người đọc report.
  • C dùng gradient boosting tạo score, risk engine luật cứng rồi execution algorithm gửi order.
  • D thay threshold mỗi tuần theo quyết định của analyst, không retrain model.

Hình 3 — Phân loại bằng evidence về logic, update, quyền và risk; không phân loại bằng tên sản phẩm.

Mẫu đối chiếu tham khảo

Mô tả Algorithmic? Có AI? Evidence cần thêm
A Có Chưa thấy Schedule, cost, risk/reconciliation
B Có quy trình tính Có thể Model/version, evaluation, human use
C Có Có Calibration, promotion, limit, logs
D Có Chưa thấy Change record, test của threshold

Sau bài tập, đọc Năm lớp của hệ thống AI Trading để đặt algorithm/model vào đúng lớp Data, Model, Signal, Risk và Execution.

6. Tổng kết

Năm ý chính

  • Algorithmic Trading dùng thuật toán; thuật toán không nhất thiết là AI.
  • AI Trading có thành phần học hoặc suy luận và có thể không tự đặt lệnh.
  • Hai khái niệm giao nhau trong nhiều hệ thống production.
  • AI thêm data/model validation và governance, không thay thế risk/operations.
  • Phân loại bằng source of logic, update, evidence và quyền hành động.

Câu hỏi tự kiểm tra

  • TWAP luật cố định có phải AI không?
  • Một model xếp hạng nhưng không đặt lệnh có thuộc AI Trading không?
  • Rule update khác model retraining ở đâu?
  • Vì sao risk limit nên deterministic?
  • Khi mô tả sản phẩm mơ hồ, kết luận an toàn là gì?

Gợi ý đáp án

Câu 1Không nhất thiết; nó là algorithmic execution luật cố định. Xem lại mục 1.
Câu 2Có, AI có thể chỉ hỗ trợ decision và con người giữ execution. Xem lại mục 1.
Câu 3Rule đổi qua code/config; model đổi qua data, training và promotion. Xem lại mục 3.
Câu 4Để limit có thể test, replay và không bị output model ghi đè. Xem lại mục 3.
Câu 5CHƯA ĐỦ BẰNG CHỨNG và không cấp quyền dựa trên nhãn. Xem lại mục 5.

Thuật ngữ cần nhớ

Thuật ngữ Nghĩa ngắn
Algorithm Chuỗi bước biến input thành output.
Algorithmic Trading Dùng thuật toán trong decision hoặc execution.
AI Trading Dùng thành phần AI trong quy trình trading.
Rule-based Logic do con người viết thành luật.
Model-assisted Model tạo score/proposal cho hệ thống.
Deterministic gate Cùng input cho cùng kết quả gate.
Model promotion Quy trình duyệt model vào môi trường mới.
Replay Tái chạy quyết định từ input/version đã lưu.

Nguồn tham khảo

Đọc tiếp: Năm lớp của một hệ thống AI Trading.

Chọn đúng bài trong lộ trình

Bài này tập trung vào AI Trading vs Algorithmic Trading — so sánh logic học máy với thuật toán và phần giao nhau. Nếu bạn cần bức tranh chung trước khi đi sâu, hãy bắt đầu từ AI Trading là gì? Hướng dẫn từ nền tảng đến kiểm định. Các bước liên quan trực tiếp là AI Trading vs Bot Trading, Năm lớp của một hệ thống AI Trading và Machine Learning trong Trading.

Nội dung chỉ nhằm mục đích giáo dục, không phải lời khuyên đầu tư.