Mental Model: Chọn đúng lens cho đúng problem #10

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

Trả lời ngắn: Mental Model trong trading là hình dung đơn giản hóa giúp bạn nhìn một problem theo quan hệ quan trọng nhất. Nó là bản đồ, không phải thực tế hay bằng chứng. Một model hữu ích phải có scope, assumption, prediction và dấu hiệu thất bại; khi không còn fit, bạn thay model thay vì sửa câu chuyện.

Đọc xong, bạn sẽ hiểu:

• Mental model khác fact, framework, indicator và rule ở đâu.
• Cách chọn bốn lens theo bốn loại problem.
• Cách làm Model Selector tám case trong 20 phút.

Ranh giới an toàn: Mọi model, prediction và output trong bài là paper demo. Không mở lệnh, tăng risk hoặc dùng tiền thật để test.

1. Mental Model là gì trong trading?

a. Bản đồ có chủ đích

Mental Model là hình dung bên trong về cách một phần thế giới vận hành. Trong bài này, model là một biểu diễn được đơn giản hóa có chủ đích để trả lời một câu hỏi.

Bản đồ metro bỏ tỷ lệ địa lý và đường phố để làm nổi tuyến, điểm đổi tàu. Nó hữu ích cho câu hỏi “đi tuyến nào?”, nhưng có thể sai khi hỏi khoảng cách mét.

OECD mô tả mental models trong complex problem solving như cấu trúc chứa đặc điểm chính, quan hệ và mechanism để hỗ trợ prediction. Chúng luôn có mức simplification và approximation. Đây là nghiên cứu về problem solving, không phải bằng chứng model làm tăng trading performance (OECD).

b. Lens không phải reality

Lens là góc nhìn dùng để chú ý một loại quan hệ. Lens boundary làm nổi scope; lens feedback làm nổi vòng tác động; lens bottleneck làm nổi constraint.

Model không phải fact đã quan sát, indicator biến đổi data, framework điều phối decision hoặc strategy quản lý action.

Decision Framework #6 nói thứ tự gate; mental model nói cách nhìn problem bên trong một gate. First Principle Thinking #8 tách fact khỏi assumption; bài này chọn model để tổ chức quan hệ giữa chúng.

Câu đoán chắc là: “Có đúng mental model thì problem sẽ được giải.” Câu có điều kiện là: “Nếu scope, assumption và prediction rõ, model có thể làm problem dễ kiểm hơn; data sai hoặc lens sai vẫn dẫn tới kết luận sai.”

Hình 1 — Model là bản đồ cho problem; không phải bản sao của thực tế.

2. Bốn lens cho bốn loại problem

Bốn lens dưới đây là teaching taxonomy của bài, không phải danh sách đầy đủ hay chuẩn chính thức. Chọn lens theo câu hỏi, không theo model bạn thích.

a. Boundary

Boundary là ranh giới điều gì nằm trong và ngoài scope. Dùng lens này khi hai người đang tranh luận nhưng thực ra dùng khác time window, dataset hoặc definition.

Ví dụ, review trộn paper/live record và hai rule version. Boundary lens yêu cầu khóa version, nguồn và thời điểm trước khi giải thích.

Failure sign: dù boundary đã rõ, problem vẫn nằm ở quan hệ lặp theo thời gian. Khi đó cần lens khác.

b. Feedback loop

Feedback loop xảy ra khi output quay lại ảnh hưởng input hoặc action sau. Ví dụ, một lần review vội tạo rule chặt hơn; rule mới làm bỏ nhiều paper case; việc thiếu case lại làm review càng thiếu evidence.

Lens feedback cần pattern lặp, chiều tác động, độ trễ và evidence; hai sự kiện nối tiếp chưa đủ.

Failure sign: đây là một constraint đơn đang chặn process, không phải loop.

c. Bottleneck

Bottleneck là constraint đang giới hạn toàn process. Nếu mọi phần đều chờ một bước definition, việc thêm indicator hoặc thêm giờ review không giải quyết điểm chặn.

Hỏi: sửa phần này có đổi throughput paper process không? Nếu không, bottleneck có thể đã chọn sai.

Failure sign: hai mục tiêu đang cạnh tranh, không có một điểm chặn duy nhất.

d. Trade-off

Trade-off là tình huống cải thiện một mục tiêu có thể làm mục tiêu khác yếu đi. Ví dụ, tăng độ chi tiết của journal có thể tăng information nhưng kéo dài review tới mức không còn làm đều.

Trade-off lens buộc ghi hai mục tiêu, boundary tối thiểu và điều không hy sinh.

Failure sign: conflict biến mất khi sửa scope; khi đó boundary mới là lens chính.

UK Government Office for Science mô tả systems thinking bằng connected wholes và cảnh báo models là simplifications: quá đơn giản thì mất practical use, quá sát reality thì mất problem-focus. Toolkit này dành cho policy/system work, không xác nhận bốn lens hoặc performance trading (GOV.UK).

Hình 2 — Mỗi lens làm nổi một loại quan hệ và có failure sign riêng.

3. Chọn, dùng và thay model theo năm bước

a. Problem

Viết một problem có scope và output. “Tôi thiếu kỷ luật” không đủ. Hãy viết: “Trong tám paper review cùng rule version, bước nào làm hai review không hoàn thành đúng checklist?”

b. Select

Chọn một primary lens. Bạn có thể ghi secondary lens để review sau, nhưng không chồng bốn model lên cùng lúc. Nhiều lens không cứu được problem chưa define.

c. Apply

Viết assumption: điều model đang tạm coi đúng. Với bottleneck, assumption có thể là “một bước đang giới hạn toàn process”. Với feedback, assumption là “output vòng trước ảnh hưởng action vòng sau”.

NIST lưu ý nhiều action có assumption ngầm và tính hợp lệ của assumption ảnh hưởng việc analysis có đạt goal hay không. Đây là process modeling guidance, không phải trading method (NIST).

d. Predict và check

Prediction là điều dự kiến quan sát nếu model fit. Bottleneck lens có thể predict rằng bỏ điểm chặn sẽ giảm hàng chờ ở bước sau.

Failure sign là evidence cho thấy model không còn fit. Ví dụ: sửa điểm chặn nhưng thời gian hoàn thành không đổi; hoặc “feedback” không có đường quay lại input.

Khóa prediction và failure sign trước review. Nếu viết sau outcome, model rất dễ được kể lại để luôn đúng.

e. Replace

Replace là đổi model khi failure sign xuất hiện. Không cần bảo vệ model vì bạn đã bỏ công xây nó.

Flow đầy đủ:

PROBLEM → SELECT → APPLY → PREDICT → CHECK → REPLACE

Office for Statistics Regulation coi analytical model là công cụ rút meaning từ data cho decision; data, systems và techniques không nên tách rời. Guidance này không cung cấp model trading (UK OSR).

Hình 3 — Model Card khóa điều model giả định và dấu hiệu buộc phải thay.

4. Sai lầm, giới hạn và lúc phải dừng

a. Sưu tầm model thay vì define problem

Biết 50 model không giúp nếu problem chưa rõ. Bắt đầu từ problem, không từ danh sách.

b. Hammer và nail

Một model từng hữu ích dễ thành chiếc búa nhìn đâu cũng thấy đinh. Người thích feedback loop có thể vẽ loop cho một lỗi definition; người thích probability có thể gắn phần trăm cho data chưa đủ.

Probabilistic Thinking #9 phù hợp khi câu hỏi là nhiều outcome và uncertainty. Nó không thay boundary hoặc bottleneck cho mọi problem.

c. Model phức tạp hơn không tự động tốt hơn

Thêm node/arrow không tự tăng sức giải thích. Chỉ giữ detail cần cho question.

d. Kể outcome ngược để cứu model

Nếu mọi outcome đều được giải thích là “model đúng”, model không có failure sign. Giữ timestamp và prediction cũ; không rewrite.

e. Giới hạn và điểm dừng

Mental model không bù data lỗi, sample nhỏ, definition đổi hoặc relationship chưa quan sát. Teaching taxonomy bốn lens không được validate như strategy.

Dừng nếu problem chưa define, nhiều lens ngang nhau mà không có test, assumption không thể viết, prediction không thể review, hoặc output sắp được dùng làm signal tiền thật. Chuyển UNKNOWN/BLOCK khi chưa đủ.

5. Bài tập Model Selector 20 phút

a. Công cụ và giới hạn

Dùng Google Sheets, LibreOffice Calc hoặc giấy. Chọn một paper process problem, không chọn hướng giá live. Không gửi order và chưa dùng tiền thật.

Tạo cột ID, problem, primary lens, assumption, prediction, failure sign, audit.

b. Năm bước

1. Viết problem, scope, output và timestamp.
2. Chọn một primary lens, ghi lý do.
3. Viết assumption và prediction.
4. Viết failure sign trước review.
5. Ghi FIT, REPLACE hoặc UNKNOWN/BLOCK.

c. Mẫu đối chiếu đã điền

Denominator tám case: 2 BOUNDARY FIT, 2 FEEDBACK FIT, 1 BOTTLENECK FIT, 1 TRADE-OFF FIT, 1 REPLACE, 1 UNKNOWN/BLOCK.

Output duy nhất: MODEL SELECTION NOTE. Không có BUY/SELL.

Chỗ nhận sai: MM-07 ban đầu dùng feedback vì có hai sự kiện nối tiếp. Khi không tìm thấy đường output quay lại input, model không có prediction hợp lệ. Case được ghi REPLACE và quay về boundary lens, không xóa selection cũ.

Hình 4 — Selector giữ denominator và cho phép thay model khi lens không fit.

6. Tổng kết và bước tiếp theo

a. Năm ý chính

• Mental Model là bản đồ đơn giản hóa, không phải reality hay proof.
• Chọn boundary, feedback, bottleneck hoặc trade-off theo problem.
• Mỗi model cần assumption, prediction và failure sign.
• Model không fit phải REPLACE; data thiếu phải UNKNOWN/BLOCK.
• MODEL SELECTION NOTE là paper output, không phải signal.

b. Câu hỏi tự kiểm tra

• Vì sao bản đồ metro hữu ích nhưng không trả lời mọi câu hỏi?
• Khi nào feedback loop không phải lens phù hợp?
• MM-07 được REPLACE vì failure sign nào?
• Output cuối của Model Selector là gì?

c. Gợi ý đáp án

Xem gợi ý câu 1

Nó đơn giản hóa để làm nổi tuyến, nhưng không giữ đúng mọi khoảng cách địa lý. → Xem lại mục 1.

Xem gợi ý câu 2

Khi không có đường output quay lại ảnh hưởng input/action sau, hoặc problem chỉ là scope/constraint. → Xem lại mục 2.

Xem gợi ý câu 3

Hai sự kiện nối tiếp nhưng không có quan hệ quay lại, nên prediction của feedback model không đứng vững. → Xem lại mục 5.

Xem gợi ý câu 4

`MODEL SELECTION NOTE`; không có BUY/SELL. → Xem lại mục 5.

d. Thuật ngữ cần nhớ

e. Nguồn tham khảo

• OECD — Complex problem-solving through decision making
• GOV.UK — Systems Thinking Toolkit
• NIST — Underlying Assumptions for Process Modeling
• UK OSR — Guidance for Models

f. Điều hướng

Probabilistic Thinking #9 mở nhiều outcome và uncertainty. Building Discipline #11 sẽ chuyển decision rule thành hành vi lặp lại có thể kiểm.

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch. Trading có thể làm mất vốn; worksheet không bảo đảm kết quả.