Model trong AI Trading là gì #11

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

Trả lời ngắn: Model trong AI Trading là một hàm đã học từ dữ liệu để biến các feature đầu vào thành một output như con số dự báo, xác suất hoặc nhãn trạng thái. Model không mặc định là chiến lược, bot hay lệnh giao dịch. Muốn đi từ output tới hành động còn cần Signal, Risk Management và Execution.

Đọc xong, bạn sẽ hiểu:

• Model nhận gì, học điều gì và trả ra kết quả nào.
• Vì sao xác suất 62% chưa phải là lệnh Buy.
• Sáu câu hỏi cần trả lời trước khi tin một model.

1. Model là máy biến đổi có hợp đồng

Trong ngữ cảnh này, model hay mô hình là một hàm biến feature đầu vào thành output. “Đã học” nghĩa là các giá trị bên trong được điều chỉnh từ ví dụ quá khứ, thay vì con người viết từng điều kiện nếu–thì.

Ví dụ giả định, model nhận ba feature lúc 10:00:

• Giá thay đổi 20 phút: +0,8%.
• Khối lượng so với trung bình: 1,4 lần.
• Biến động ngắn hạn: 0,6%.

Nó trả output: xác suất giá tăng trong 30 phút tới = 62%. Câu trả lời này chỉ có nghĩa dưới đúng định nghĩa “tăng”, đúng khung 30 phút, đúng loại tài sản và đúng pipeline dữ liệu đã dùng khi huấn luyện.

Parameter là các giá trị bên trong model được điều chỉnh trong quá trình học. Nhiều parameter không tự động đồng nghĩa tốt hơn; model vẫn phải hoạt động trên dữ liệu chưa từng học.

Hình 1 — Model là một lớp biến đổi; Signal, Risk và Execution vẫn nằm phía sau.

Hợp đồng tối thiểu của model phải ghi rõ:

Nếu không trả lời được năm dòng này, ta chưa có đủ thông tin để kiểm tra. Trong năm lớp của hệ thống AI Trading, Data đứng trước Model; Signal, Risk và Execution đứng sau.

2. Model học từ ví dụ như thế nào

Training là quá trình dùng dữ liệu để điều chỉnh parameter. Mỗi ví dụ thường có feature và kết quả mục tiêu. Model dự đoán, so với kết quả thật, rồi điều chỉnh để giảm sai số.

Thước đo sai số đó gọi là objective hoặc loss. Bài toán dự báo số có thể phạt khoảng cách với thực tế; bài toán phân loại có thể phạt xác suất đặt sai phía. Model học điều loss yêu cầu, không học mọi điều ta ngầm mong muốn.

Giảm lỗi dự báo không đồng nghĩa tối đa hóa lợi nhuận sau phí. Model đúng ở biến động quá nhỏ có thể không tạo giá trị; loss chỉ dùng “lợi nhuận” mà bỏ rủi ro, thanh khoản và chi phí cũng có thể dẫn sai.

Dữ liệu cần được tách thành ba phần:

1. Train set: dùng để điều chỉnh parameter.
2. Validation set: tách riêng để chọn feature, ngưỡng hoặc cấu hình.
3. Test set: khóa lại để đánh giá cuối cùng sau khi lựa chọn đã xong.

Với dữ liệu thị trường, thời gian nên đi một chiều: học giai đoạn cũ, điều chỉnh ở giai đoạn sau và kiểm tra ở giai đoạn muộn hơn. Trộn tương lai vào train có thể làm kết quả đẹp giả.

Hình 2 — Tập đánh giá phải nằm sau tập học để gần cách model gặp tương lai thật.

Google khuyến nghị đánh giá model trên dữ liệu xuất hiện sau giai đoạn training để gần điều nó gặp trong production (Rules of ML). Việc chia tập đúng chưa đủ; mọi bước làm sạch và tạo feature cũng phải giữ ranh giới thời gian. Bài Data trong AI Trading là gì? giải thích chi tiết hơn về point-in-time và training-serving skew.

3. Bốn dạng output thường gặp

Khi model đã học xong, việc dùng nó trên đầu vào mới để tạo output gọi là inference. Output không phải lúc nào cũng là “giá ngày mai”. Có bốn dạng dễ gặp:

Dự báo số. Model trả một giá trị liên tục, như biến động kỳ vọng hoặc độ biến động trong khoảng tới. Con số cần có đơn vị và horizon rõ.

Phân loại. Model trả nhãn như tăng, giảm, đi ngang hoặc trạng thái biến động cao/thấp. Nhãn phụ thuộc định nghĩa target; đổi ngưỡng tạo nhãn sẽ đổi bài toán.

Xác suất hoặc điểm số. Model trả 0,62, nghĩa là xác suất có điều kiện theo dữ liệu và cách model được đánh giá. Probability không phải cam kết rằng một trường hợp riêng lẻ chắc chắn xảy ra.

Xếp hạng. Model sắp nhiều tài sản hoặc tình huống theo điểm tương đối. Hạng 1 chỉ nói đứng cao hơn trong tập đang so, không nói tài sản chắc chắn tăng.

Một xác suất cần được kiểm tra calibration: trong nhiều dự báo gần 60%, sự kiện có xảy ra gần 60% không? Model phân loại khá vẫn có thể quá tự tin (Google — Classification Metrics).

Giả sử model trả 62%. Signal có thể yêu cầu trên 65% nên quyết định là đứng ngoài. Risk có thể chặn vì dữ liệu trễ. Execution có thể không gửi lệnh vì thị trường đóng. Vì vậy:

Model output ≠ Signal ≠ Quy mô vị thế ≠ Lệnh đã khớp.

Ranh giới này giúp truy lỗi: dự báo hợp lý nhưng khớp xấu có thể là lỗi Execution; input sai thời điểm là lỗi trước Model. Bài Signal sẽ giải thích bước chuyển output thành điều kiện hành động.

4. Sáu câu kiểm tra trước khi tin model

1. Mục tiêu có đúng câu hỏi không? Model dự báo hướng, biên độ, biến động hay thứ hạng? Horizon là 5 phút hay 5 ngày? Một output đúng nhưng trả lời sai câu hỏi vẫn vô dụng.

2. Có thắng baseline đơn giản không? Baseline là mốc như luôn dự báo nhãn phổ biến hoặc dùng giá trị gần nhất. Google khuyên bắt đầu đơn giản và đo lường trước khi tăng độ phức tạp (Rules of ML). Nếu không ổn định hơn baseline sau chi phí, model phức tạp chưa chứng minh giá trị.

3. Được đánh giá ngoài mẫu và theo thời gian chưa? Kết quả trên train chủ yếu cho biết model nhớ dữ liệu đã thấy tốt đến đâu. Cần validation/test, nhiều giai đoạn thị trường và backtest có thời gian đi một chiều.

4. Có overfitting không? Overfitting là model học quá sát nhiễu của mẫu cũ nên kém trên dữ liệu mới. Dấu hiệu thường gặp là train rất đẹp nhưng test giảm mạnh, hoặc chỉ cần đổi nhẹ giai đoạn/feature là kết quả sụp. Bài riêng sẽ đi sâu; ở đây, ưu tiên model đơn giản hơn khi hiệu quả tương đương.

5. Có biết khi nào model không còn phù hợp không? Drift là khi phân phối đầu vào hoặc quan hệ giữa input và target thay đổi. Thị trường đổi chế độ, cấu trúc phí đổi hoặc nguồn dữ liệu đổi đều có thể làm model cũ yếu đi. Cần theo dõi input, output, lỗi và kết quả thực tế sau triển khai.

6. Có phiên bản và giới hạn rõ không? Phải biết model nào đang chạy, dùng dataset/feature/code nào, được duyệt khi nào và điều kiện nào buộc dừng. NIST nêu việc giải thích, xác thực và tài liệu hóa model/output trong đúng bối cảnh, đồng thời quản lý rủi ro xuyên suốt vòng đời (AI RMF Core).

Ảnh lợi nhuận thiếu target, test period, baseline, phí, phiên bản và giới hạn chưa phải bằng chứng đủ. Điểm dừng là chưa dùng model với tiền thật.

5. Bài tập 15 phút: viết thẻ căn cước model

Mở Google Sheets hoặc lấy giấy. Dùng model giả định: nhận dữ liệu BTC theo phút và dự báo xác suất giá tăng trong 30 phút tới. Điền sáu ô:

Mẫu đối chiếu đã điền

Khoanh ô nào chưa thể kiểm chứng. Nếu thiếu target, split hoặc baseline, chưa đánh giá chất lượng. Nếu thiếu input/version, chưa thể tái tạo. Nếu thiếu limit, chưa có điều kiện đứng ngoài.

Hình 3 — Model đáng kiểm tra phải có mục tiêu, phiên bản, thước đo và giới hạn rõ.

Bài tập chỉ dùng mô tả giả định, không cần code/API và không giao dịch tiền thật. Mục tiêu là biến câu “model AI rất tốt” thành sáu câu có thể kiểm tra.

6. Tổng kết và đường học tiếp

Năm ý chính

• Model biến feature thành output; nó không phải toàn bộ hệ thống giao dịch.
• Training điều chỉnh parameter để giảm một loss đã định nghĩa.
• Validation/test cần tách khỏi train và giữ thời gian đi một chiều.
• Xác suất cần calibration; output chưa phải signal hoặc lệnh.
• Model phải thắng baseline, có phiên bản, giới hạn và giám sát drift.

Câu hỏi tự kiểm tra

• Model trả xác suất tăng 62% có đồng nghĩa đặt lệnh Buy không?
• Validation set khác test set ở điểm nào?
• Vì sao train rất đẹp chưa chứng minh model tốt?
• Baseline giúp trả lời câu hỏi gì?

Gợi ý đáp án

Xem gợi ý câu 1

Không. Signal còn áp điều kiện; Risk và Execution còn có thể chặn hoặc thay đổi hành động. → xem mục 3.

Xem gợi ý câu 2

Validation dùng để chọn và điều chỉnh; test được khóa để đánh giá cuối sau khi lựa chọn xong. → xem mục 2.

Xem gợi ý câu 3

Model có thể nhớ nhiễu của dữ liệu đã thấy và suy giảm mạnh trên giai đoạn mới. → xem mục 4.

Xem gợi ý câu 4

Nó cho biết độ phức tạp của model có tạo thêm giá trị so với một cách dự báo đơn giản hay không. → xem mục 4.

Thuật ngữ cần nhớ

Nguồn tham khảo

• Google — Rules of Machine Learning
• Google — Machine Learning Crash Course
• Google — Classification Metrics
• NIST — AI RMF Core

Quay về AI Trading là gì?, đọc Machine Learning trong Trading để hiểu model học từ ví dụ, hoặc học Deep Learning trong Trading để xem độ phức tạp nhiều lớp được kiểm tra ra sao.

Chọn đúng bài trong lộ trình

Bài này tập trung vào model trong AI Trading — giải thích model, mục tiêu học và output. 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 Data trong AI Trading là gì, Signal trong AI Trading là gì và Machine Learning 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.