NLP trong AI Trading: đọc tin tức và cảm xúc #15

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

Trả lời ngắn: NLP trong AI Trading là cách dùng máy tính để biến tin tức, thông cáo và bài đăng thành dữ liệu có cấu trúc như thực thể, sự kiện, chủ đề hoặc sắc thái. Điểm cảm xúc chỉ là một text feature; nó không tự dự báo hướng giá và không phải lệnh giao dịch.

Đọc xong, bạn sẽ hiểu:

• NLP thực sự làm gì với một bản tin tài chính.
• Vì sao tin có từ tích cực vẫn có thể gây phản ứng tiêu cực.
• Cách kiểm tra nguồn, thời điểm, thực thể, sự kiện và tin trùng.

1. NLP trong AI Trading là gì?

a. Từ đoạn văn tự do thành những ô dữ liệu

Giá hay khối lượng thường đã nằm trong bảng. Tin tức thì khác: một tiêu đề có thể nhắc nhiều công ty, thời điểm và cả lời phủ định. Loại dữ liệu chưa nằm sẵn trong các cột cố định này gọi là unstructured text, hay văn bản phi cấu trúc.

NLP là xử lý ngôn ngữ tự nhiên: giúp máy tách, nhận diện hoặc phân loại văn bản thành dữ liệu có thể lưu và so sánh. Máy thường chia câu thành các token — từ, một phần của từ hoặc dấu câu — rồi biến chúng thành biểu diễn số.

Ví dụ, từ câu giả định “Công ty A báo lợi nhuận quý tăng 18%”, pipeline có thể rút ra:

• entity: Công ty A, tức thực thể được nhắc tới;
• event: công bố kết quả kinh doanh;
• metric: lợi nhuận quý;
• value: tăng 18%;
• tone bề mặt: tích cực.

Con số hoặc nhãn rút ra để đưa vào model được gọi là text feature. NLP giống thư ký biến chồng thư thành các ô “ai, việc gì, lúc nào”; chưa tự quyết định mua hay bán.

b. Sentiment chỉ là một nhiệm vụ

Sentiment analysis ước lượng sắc thái tích cực, tiêu cực hoặc trung tính. Đây chỉ là một ứng dụng NLP. Google Research lưu ý phân loại sentiment tài chính trên mạng xã hội khó vì cần hiểu cả thị trường lẫn tiếng lóng; nhãn chất lượng cao cũng khan hiếm.

Sentiment của câu không đồng nghĩa phản ứng giá. “Lợi nhuận tăng 18% nhưng thấp hơn kỳ vọng 25%” chứa từ tích cực nhưng tạo thất vọng tương đối. Giống học sinh được 8 điểm khi gia đình kỳ vọng 9 điểm: kết quả tốt, phản ứng vẫn có thể không vui.

Hình 1 — NLP cấu trúc hóa văn bản; cảm xúc không tự biến thành hướng giá hay lệnh.

c. Đầu ra NLP nằm ở đâu trong hệ thống?

Điểm sentiment hay nhãn sự kiện chỉ là đầu vào. Chuỗi đúng là Text Feature → Model Output → Signal → Risk Gate → Execution. Bỏ qua các lớp này là biến phép đo chưa hoàn hảo thành hành động quá sớm.

2. Một bản tin đi qua pipeline NLP như thế nào?

a. Nguồn và ba chiếc đồng hồ

Bước đầu là xác định source. Thông cáo chính thức, hãng tin và bài đăng ẩn danh có độ tin cậy khác nhau. Pipeline cần lưu URL để truy ngược.

Sau đó là ba thời điểm:

• published_at: lúc nguồn ghi nhận bài được công bố;
• available_at: lúc hệ thống của bạn thật sự nhận và có thể xử lý bài;
• event_time: lúc sự kiện được mô tả xảy ra.

Bài đăng lúc 09:00 nhưng hệ thống nhận lúc 09:07 thì backtest chỉ được dùng feature từ 09:07. Gán về 09:00 tạo leakage — dữ liệu tương lai rò vào quá khứ.

b. Tin trùng, thực thể và sự kiện

Một thông cáo có thể được 20 trang đăng lại. Deduplication nhận diện các bản cùng sự kiện để không đếm thành 20 quan sát. Hãy lưu duplicate_group_id.

Entity linking gắn tên với đúng thực thể hoặc mã định danh. “Apple” có thể là công ty hoặc trái cây; liên kết nhầm sẽ cộng điểm tin sang tài sản khác.

Event extraction trả lời chuyện gì xảy ra với ai và khi nào. Giữ riêng sự kiện giúp phân biệt kết quả kinh doanh, thay đổi lãnh đạo hay pháp lý thay vì nén tất cả vào một điểm cảm xúc.

c. Ngữ cảnh trước, điểm số sau

Context là nghĩa bao quanh từ khóa: kỳ vọng, điều kiện, đối tượng và thời hạn. Từ “không” trong “không đạt mục tiêu” là negation; bỏ nó có thể đảo nghĩa câu.

Hình 2 — Từ tích cực không đủ; hệ thống phải giữ sự kiện, phủ định và mức kỳ vọng.

Sau đó pipeline mới tạo text feature như loại sự kiện, cảm xúc hoặc độ tin cậy nguồn. Đây là kiểm soát dữ liệu, không phải công thức lợi nhuận.

3. NLP làm được gì ngoài chấm tích cực và tiêu cực?

a. Năm nhiệm vụ khác nhau

NLP tài chính có thể làm nhiều nhiệm vụ:

1. Named Entity Recognition tìm tên người, tổ chức, tài sản hoặc địa điểm.
2. Entity linking nối tên đó với đúng mã định danh.
3. Event extraction tìm hành động, đối tượng, con số và thời gian.
4. Topic classification gắn bài vào nhóm như kết quả kinh doanh, vĩ mô hoặc pháp lý.
5. Sentiment analysis ước lượng sắc thái của câu đối với một thực thể cụ thể.

Câu hỏi quyết định nhiệm vụ: cần biết “tin nói về mã nào” thì giải entity; cần biết “chuyện gì xảy ra” thì trích sự kiện; cần đo tone mới dùng sentiment. Bản tóm tắt không thay dữ liệu gốc vì có thể bỏ mất điều kiện.

b. Confidence không phải xác suất kiếm lời

Confidence score là mức chắc chắn đối với nhãn của model. Confidence 0,90 cho nhãn “tiêu cực” không có nghĩa giá có 90% khả năng giảm; nó chỉ phản ánh độ chắc về lớp đã học.

Federal Reserve từng công bố nghiên cứu xây chỉ số sentiment tài chính từ Twitter bằng NLP. Đây là ví dụ về một biến nghiên cứu hữu ích, không phải bằng chứng mọi score đều dự báo được mọi tài sản. Kết quả còn phụ thuộc dữ liệu, thời kỳ và cách chia mẫu.

c. Ghép nhiều feature nhưng giữ khả năng truy vết

Một hàng tin có thể chứa entity_id, event_type, sentiment, available_at và duplicate_group_id. Khi output bất thường, phải truy ngược được câu gốc.

4. Bảy lỗi khiến dữ liệu tin tức đánh lừa model

a. Lỗi từ dữ liệu đầu vào

Thứ nhất, nguồn yếu hoặc nội dung bị thao túng tạo feature sai. FINRA mô tả công cụ sentiment dùng NLP/ML để phân tích lượng lớn bài đăng, nhưng cũng đặt dữ liệu mạng xã hội trong bối cảnh giám sát và khả năng thao túng. Nhiều bài không đồng nghĩa đáng tin.

Thứ hai, tin trùng phóng đại sự kiện. Thứ ba, timestamp sai tạo leakage. Thứ tư, entity linking sai gán tin nhầm tài sản. Model mạnh hơn không tự sửa được hồ sơ nguồn sai.

b. Lỗi từ ngôn ngữ và nhãn

Thứ năm, pipeline bỏ mất phủ định hoặc ngữ cảnh kỳ vọng. “Không còn nguy cơ giảm doanh thu” có từ tiêu cực nhưng nghĩa tổng thể không đơn giản là tiêu cực.

Thứ sáu, thông tin sau sự kiện lọt vào feature gây leakage. Nhãn phải có cửa sổ rõ và feature phải đóng băng tại available_at.

Thứ bảy, language drift là khi cách dùng từ và nghĩa đổi theo thời gian. Tiếng lóng hoặc mã tài sản mới có thể làm model cũ kém phù hợp.

c. Khi nào phải dừng?

Dừng backtest nếu thiếu nguồn, thiếu available_at, entity mơ hồ hoặc thiếu câu gốc. Với confidence thấp, cần human review theo quy tắc, có lưu dấu vết.

5. Bài tập 15 phút: điền News Feature Card

a. Tạo bảng miễn phí

Mở Google Sheets hoặc dùng giấy. Tạo cột: source, published_at, available_at, event_time, entity, event, context, sentiment, confidence, duplicate group và stop rule. Chọn ba tin giả định; không API, không code, chưa dùng tiền thật.

Viết câu gốc trước rồi mới điền thực thể, sự kiện và context. Ô chưa biết ghi unknown; đừng tự bịa.

b. Mẫu đối chiếu

Hình 3 — Nếu chưa biết tin đến lúc nào và nói về ai, chưa nên đưa điểm văn bản vào backtest.

c. Đọc kết quả

Nếu các hàng có nguồn truy vết, available_at, entity và event rõ, bạn có bộ hồ sơ đầu tiên. Nếu không, hãy dừng ở bước làm sạch. Mục tiêu là hiểu score chỉ đáng dùng khi dữ liệu đứng trước nó kiểm tra được.

6. Tổng kết

a. Năm ý chính

• NLP biến văn bản phi cấu trúc thành dữ liệu có cấu trúc cho model.
• Sentiment chỉ là một task; sắc thái tích cực không đồng nghĩa giá tăng.
• Source, available_at, entity, event và context phải được kiểm tra trước score.
• Tin trùng, leakage và language drift có thể làm kết quả backtest sai lệch.
• Text feature vẫn phải qua Model Output, Signal, Risk Gate và Execution.

b. Câu hỏi tự kiểm tra

• Vì sao sentiment dương không đủ để kết luận giá sẽ tăng?
• published_at và available_at khác nhau ở điểm nào?
• Deduplication ngăn lỗi gì trong bộ dữ liệu tin tức?
• Confidence 0,90 của nhãn tiêu cực có nghĩa gì và không có nghĩa gì?

c. Gợi ý đáp án

Xem gợi ý câu 1

Sắc thái của câu khác phản ứng giá; giá còn phụ thuộc kỳ vọng, mức đã phản ánh và nhiều biến khác. Xem mục 1.

Xem gợi ý câu 2

Một bên là lúc nguồn công bố, một bên là lúc hệ thống thật sự có dữ liệu để dùng. Xem mục 2.

Xem gợi ý câu 3

Nó ngăn nhiều bản đăng lại của cùng sự kiện bị đếm như nhiều quan sát độc lập. Xem mục 2.

Xem gợi ý câu 4

Model khá chắc về nhãn theo bài toán đã học; đó không phải 90% xác suất giá giảm hay kiếm lời. Xem mục 3.

d. Thuật ngữ cần nhớ

e. Nguồn tham khảo

• Google Research — Financial Market Sentiment Analysis
• Federal Reserve — More than Words: Twitter Chatter and Financial Market Sentiment
• FINRA — Social Media Tools Used in the Securities Industry
• IMF — The Power of Text
• LSEG — Four ways to apply NLP in financial services

Nếu cần nối lại nền tảng, xem Machine Learning trong Trading và Deep Learning trong Trading. Tiếp theo, đọc Reinforcement Learning trong Trading để hiểu ranh giới giữa agent, reward và kiểm soát rủi ro. Bạn cũng có thể quay về AI Trading từ Zero đến Hero để theo đúng lộ trình.

Chọn đúng bài trong lộ trình

Bài này tập trung vào NLP trong AI Trading — biến văn bản thành feature có timestamp. 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, Deep Learning trong Trading và Data Leakage và Look-ahead Bias.

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.