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

Trả lời ngắn: Machine Learning trong Trading là cách dùng dữ liệu quá khứ để model học các tham số phục vụ một nhiệm vụ cụ thể, như dự báo một con số, phân loại trạng thái hoặc xếp hạng cơ hội. Kết quả chỉ là model output; nó chưa phải signal, lệnh hay bằng chứng chắc chắn có lợi nhuận.

Đọc xong, bạn sẽ hiểu:

  • Machine Learning khác hệ thống rule-based ở điểm nào.
  • Bốn dạng bài toán ML thường gặp trong Trading.
  • Vì sao label, time split và baseline quan trọng hơn tên thuật toán.

1. Machine Learning trong Trading học từ ví dụ

a. Rule viết tay và tham số được học

Machine Learning (ML), hay học máy, là cách để model điều chỉnh các con số bên trong từ nhiều ví dụ. Những con số được điều chỉnh gọi là parameter, tức tham số model học trong lúc training.

Hệ thống rule-based dùng quy tắc viết trực tiếp. Với ML, model nhìn nhiều hàng dữ liệu có đáp án rồi học trọng số để giảm sai số.

Rule-based giống công thức chấm món cố định. ML nhìn nhiều phiếu đánh giá để học trọng số; phiếu lệch thì cách chấm cũng lệch.

b. Feature, label và horizon

Feature là biến đầu vào tồn tại tại lúc model dự đoán, chẳng hạn lợi suất 5 phút, thay đổi khối lượng hoặc spread. Label là đáp án mục tiêu dùng để model học và được đánh giá. Horizon là khoảng tương lai label muốn mô tả, như 30 phút tiếp theo.

Ví dụ giả định: feature gồm lợi suất 5 phút, 15 phút và thay đổi khối lượng; label là lợi suất BTC/USD trong 30 phút sau. Model không được nhìn dữ liệu tương lai.

Đặt label giống đặt đề thi. Hỏi “giá tăng không?” sẽ khác “biên độ sau phí đủ lớn không?”. Google cũng lưu ý proxy label chỉ xấp xỉ mục tiêu thật (Google — Labels).

Hình 1 — ML học tham số từ dữ liệu đã gắn mục tiêu; đầu ra vẫn phải qua Signal và Risk.

c. ML chỉ là một phần của hệ thống

ML nằm chủ yếu ở lớp Model. Data trong AI Trading cung cấp feature và label; Model trong AI Trading tạo output; Signal trong AI Trading mới áp ngưỡng, bối cảnh và hạn dùng.

Chuỗi đúng là Data → ML Model → Model Output → Signal → Risk Gate → Execution. Model tốt vẫn có thể không tạo lệnh.

2. Bốn bài toán ML thường gặp trong Trading

a. Regression và classification

Regression là bài toán dự đoán một con số liên tục. Model có thể dự báo lợi suất 30 phút tới là +0,18% hoặc biến động sắp tới là 1,2%. Con số này không tự nói nên làm gì.

Nếu chi phí giả định là 0,20% nhưng output chỉ +0,18%, biên độ dự kiến vẫn nhỏ hơn chi phí.

Classification là bài toán chọn một lớp, như tăng / không tăng, bình thường / bất thường hoặc biến động thấp / cao. Model có thể trả score 0,61 cho lớp “tăng”, nhưng threshold của Signal là 0,65; kết quả vẫn là đứng ngoài.

b. Ranking và anomaly detection

Ranking xếp nhiều đối tượng theo score. Hạng 1 chỉ là cao nhất trong nhóm, không có nghĩa chắc tăng.

Anomaly detection tìm quan sát khác thường, như cú nhảy giá hoặc feed trễ. Cảnh báo có thể dùng để kiểm tra dữ liệu.

FINRA nêu các use case như smart order routing và tối ưu giá, đồng thời cảnh báo điều kiện ngoài training có thể làm dự báo mất tin cậy (AI Applications).

Hình 2 — Chọn loại bài toán theo câu hỏi và dạng đầu ra, không theo tên thuật toán nghe hay.

c. Bài toán trước, thuật toán sau

Hỏi “Random Forest hay neural network?” là quá sớm. Trước hết phải khóa output, horizon và tiêu chí chấm.

Google ML Crash Course tách loại bài toán, dữ liệu, generalization và production system thay vì coi một thuật toán là cả hệ thống (Machine Learning Crash Course).

3. Từ câu hỏi tới model output qua sáu bước

a. Khóa câu hỏi và label

Bước đầu tiên là viết câu có thể kiểm tra: “Từ dữ liệu hiện tại, model dự báo lợi suất BTC/USD 30 phút tới là bao nhiêu?”

Nếu giá hiện tại là 100 và sau 30 phút là 101, label lợi suất giả định là (101 - 100) / 100 = 1%. Chi phí chưa nằm trong label nếu chưa ghi rõ.

b. Chọn feature đúng thời điểm

Feature phải có trước lúc dự đoán. Model chạy lúc 10:00 không được dùng báo cáo công bố lúc 10:05.

Data trong AI Trading vì thế đặt dấu thời gian và nguồn dữ liệu lên trước model.

c. Chia thời gian và đặt baseline

Time split chia giai đoạn cũ để training, giai đoạn mới để test. Với chuỗi thời gian, trộn ngẫu nhiên có thể đặt quan sát gần nhau vào hai tập; scikit-learn cung cấp TimeSeriesSplit để đánh giá trên phần tương lai (Time series split).

Baseline là cách đơn giản dùng làm mốc, như luôn dự báo lợi suất 0. Model phức tạp phải hơn baseline trên dữ liệu ngoài mẫu và sau chi phí.

Sáu bước có thể ghi ngắn như sau:

  1. Khóa câu hỏi và horizon.
  2. Định nghĩa label.
  3. Chọn feature đúng thời điểm.
  4. Chia train/test theo thời gian.
  5. So baseline với model.
  6. Chuyển model output sang lớp Signal để kiểm tra tiếp.

4. Sáu lỗi làm kết quả lịch sử đẹp giả

a. Label sai và leakage

Label mơ hồ tạo câu trả lời không hữu ích. Data leakage là khi thông tin chưa có lúc dự đoán lọt vào quá trình xây model.

Ví dụ, chuẩn hóa toàn bộ dữ liệu bằng trung bình của cả train lẫn test đã cho bước training biết một phần giai đoạn tương lai. Tài liệu scikit-learn yêu cầu transformation phải được học từ tập train, không phải toàn bộ dữ liệu (Common pitfalls).

b. Overfitting và regime change

Overfitting là model học quá sát nhiễu của dữ liệu cũ nên yếu trên giai đoạn mới. Thử nhiều feature, thuật toán và threshold rồi chỉ báo cáo phương án đẹp nhất làm rủi ro này lớn hơn.

Regime là một kiểu môi trường thị trường có đặc tính tương đối giống nhau. Regime change xảy ra khi quan hệ cũ đổi mạnh, chẳng hạn thanh khoản, biến động hoặc cấu trúc người tham gia khác trước.

Chọn áo từ sáu tháng mùa nắng không chuẩn bị được cho bão. Model cũng có thể gặp môi trường khác dữ liệu đã học.

c. Bỏ chi phí và bỏ cổng an toàn

Model metric tốt chưa chứng minh chiến lược có giá trị. Cần xem tần suất output, phí, spread, slippage, độ trễ, turnover và khả năng khớp. Sau đó Signal, Risk Management và Execution còn quyền từ chối.

Checklist dừng trước khi tin kết quả:

  1. Câu hỏi, label và horizon có viết thành một câu rõ không?
  2. Mọi feature có thật sự tồn tại tại prediction time không?
  3. Train/test có giữ thứ tự thời gian không?
  4. Model có thắng baseline trên giai đoạn chưa dùng điều chỉnh không?
  5. Kết quả đã tính chi phí và tần suất chưa?
  6. Có trạng thái no signal khi dữ liệu hoặc regime ra ngoài phạm vi không?

Thiếu một câu: dừng xem lại trước bước dùng tiền thật.

5. Bài tập 15 phút: điền ML Problem Card

a. Công cụ và dữ liệu giả

Dùng Google Sheets hoặc một tờ giấy. Không cần Python. Tạo tám dòng: question, label, feature, horizon, time split, baseline, output và invalidation.

Mục tiêu là phát hiện câu hỏi chưa rõ trước khi code.

Hình 3 — Một ML Problem Card rõ ràng giúp phát hiện câu hỏi mơ hồ trước khi training.

b. Mẫu đối chiếu đã điền

Trường Giá trị giả định
Question Dự báo lợi suất BTC/USD 30 phút tới
Label Lợi suất từ thời điểm hiện tại tới 30 phút sau
Feature Lợi suất 5 phút, 15 phút, thay đổi volume
Horizon 30 phút
Time split Train tháng 1–6; test tháng 7
Baseline Luôn dự báo lợi suất 0
Model output +0,18%
Invalidation Feed trễ, feature thiếu hoặc dữ liệu ngoài phạm vi

Kết luận mẫu: +0,18% chỉ là model output. Chưa có threshold, chi phí, Risk Gate hoặc lệnh. Bài tập dùng dữ liệu giả, chưa gọi API, chưa kết nối tài khoản và chưa dùng tiền thật.

6. Tổng kết và đường học tiếp

a. Năm ý chính

  • Machine Learning học parameter từ ví dụ cho một nhiệm vụ đã định nghĩa, không học cách chắc thắng.
  • Regression, classification, ranking và anomaly detection trả các dạng output khác nhau.
  • Label, feature và horizon phải khớp câu hỏi người xây hệ thống muốn kiểm tra.
  • Time split, baseline và dữ liệu ngoài mẫu giúp phát hiện kết quả đẹp giả.
  • Model output vẫn phải qua Signal, Risk Management và Execution trước khi có lệnh.

b. Câu hỏi tự kiểm tra

  • Machine Learning khác hệ thống rule-based ở điểm nào?
  • Vì sao classification score 0,61 chưa phải signal tăng?
  • Tại sao chuỗi thời gian không nên bị chia ngẫu nhiên một cách máy móc?
  • ML Problem Card giúp phát hiện rủi ro gì trước khi training?

c. Gợi ý đáp án

Xem gợi ý câu 1

Rule-based dùng quy tắc do người viết trực tiếp; ML học parameter từ nhiều ví dụ cho nhiệm vụ đã định nghĩa. → xem mục 1.

Xem gợi ý câu 2

Score còn phải qua threshold, context, hạn dùng và Risk Gate; trong ví dụ, 0,61 chưa đạt ngưỡng 0,65. → xem mục 2.

Xem gợi ý câu 3

Các quan sát gần nhau có tương quan; trộn thời gian có thể làm train và test chia sẻ thông tin quá gần. → xem mục 3.

Xem gợi ý câu 4

Thẻ buộc người xây hệ thống nói rõ question, label, feature, horizon, split, baseline, output và invalidation trước khi code. → xem mục 5.

d. Thuật ngữ cần nhớ

Thuật ngữ Giải thích ngắn
Machine Learning Cách model học parameter từ dữ liệu cho một nhiệm vụ.
Rule-based Hệ thống dùng quy tắc do người viết trực tiếp.
Feature Biến đầu vào có tại lúc dự đoán.
Label Đáp án mục tiêu dùng để học và đánh giá.
Horizon Khoảng tương lai model muốn mô tả.
Regression Bài toán dự đoán một con số liên tục.
Classification Bài toán chọn một lớp hoặc nhãn.
Baseline Cách đơn giản dùng làm mốc so sánh.
Overfitting Học quá sát dữ liệu cũ và yếu trên dữ liệu mới.
Data leakage Thông tin không hợp lệ lọt vào quá trình xây model.

e. Nguồn tham khảo

Quay về AI Trading là gì?, xem năm lớp của hệ thống, hoặc học tiếp Deep Learning trong Trading để hiểu khi nào mạng nhiều lớp đáng được thử.

Chọn đúng bài trong lộ trình

Bài này tập trung vào machine learning trong trading — các bài toán ML và quy trình chia dữ liệu theo thời gian. 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 Deep Learning trong Trading, Reinforcement Learning trong Trading và Overfitting trong Trading.

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch. Mọi thị trường đều có rủi ro mất vốn.