1. Tác động chung của trí tuệ nhân tạo và machine learning lên giao dịch
Trí tuệ nhân tạo (AI) cho phép máy móc thay thế con người. Trong thập niên 1980, hệ chuyên gia và logic mờ đứng ở tuyến đầu của nghiên cứu AI. Khi chi phí sức mạnh xử lý giảm dần, việc dùng máy móc để giải các bài toán tối ưu hóa quy mô lớn trở nên khả thi về mặt kinh tế. Nhờ những tiến bộ về phần cứng và phần mềm, trí tuệ nhân tạo (AI) ngày nay tập trung vào việc dùng mạng neural và các phương pháp học khác để nhận diện, phân tích các yếu tố dự báo — còn gọi là feature hay factor — có giá trị kinh tế và có thể kết hợp với các bộ phân loại để xây dựng những mô hình sinh lời. Kiểu ứng dụng AI này thường được gọi là Machine Learning (ML).
Việc dùng các phương pháp luận xây dựng chiến lược giao dịch dựa trên AI, cả trên khung thời gian ngắn hạn lẫn cho đầu tư dài hạn hơn, đang ngày càng phổ biến, và một vài quỹ hedge fund đặc biệt năng nổ trong chủ đề này. Tuy nhiên, việc áp dụng đại trà công nghệ mới này còn chậm chạp do nhiều yếu tố, quan trọng nhất là AI đòi hỏi đầu tư vào công cụ mới và chuyên môn con người. Phân tích cơ bản được đa số các quỹ sử dụng vì đó là thứ các nhà quản lý học trong chương trình MBA của họ. Không có nhiều hedge fund dựa thuần túy vào trí tuệ nhân tạo. Dù việc dùng AI ở mảng nhà đầu tư cá nhân đang tăng, phần lớn trader vẫn dựa vào các phương pháp ra đời từ giữa thế kỷ XX, như phân tích kỹ thuật cổ điển, vì chúng dễ hiểu và dễ dùng.
Điều đáng lưu ý là AI và ML còn được vận dụng ở những lĩnh vực khác ngoài phát triển chiến lược giao dịch, chẳng hạn xây dựng các thuật toán tìm kiếm thanh khoản, hay gợi ý danh mục cho khách hàng. Hệ quả là khi các ứng dụng AI ngày càng phổ biến, số người tham gia vào các quyết định giao dịch và đầu tư giảm xuống, điều này tác động lên thị trường và chuyển động giá. Còn quá sớm để suy đoán về ảnh hưởng tổng thể của công nghệ mới này lên ngành, nhưng việc dùng AI rộng rãi có thể dẫn đến thị trường hiệu quả hơn với độ biến động thấp trong những giai đoạn dài, xen kẽ các đợt biến động bùng phát định kỳ do thay đổi cơ chế thị trường. Điều này khả dĩ vì ảnh hưởng của cách diễn giải thông tin chủ quan của con người sẽ giảm, kéo theo lượng nhiễu liên quan cũng giảm. Tuy nhiên, điều này còn cần được chứng minh trên thực tế.
2. Tác động của AI và machine learning lên khả năng tạo alpha
Những ai hiểu công nghệ AI và biết cách xử lý các mối nguy của nó sẽ có cơ hội trong suốt những giai đoạn đầu của quá trình áp dụng. Một vấn đề của các phương pháp giao dịch dựa trên AI là chúng có thể sinh ra những mô hình còn tệ hơn ngẫu nhiên. Tôi sẽ thử làm rõ ý mình: phân tích kỹ thuật truyền thống là chiến lược giao dịch thua lỗ, bởi các kỹ thuật dựa trên mô hình biểu đồ và chỉ báo nhận phần thưởng của chúng từ một phân phối có trung bình bằng 0 trước mọi chi phí giao dịch. Một số trader thường nằm về phía đuôi phải của phân phối, tạo ra ấn tượng sai lầm rằng các chiến lược này có giá trị kinh tế. Khả năng sinh lời dài hạn rất khó đạt được trên thị trường futures và FX, bất kể cách tiếp cận nào, vì các thị trường này được thiết kế để tưởng thưởng các nhà tạo lập thị trường. Dẫu vậy, nhờ may mắn, một số trader có thể kiếm lời lớn trên các thị trường có đòn bẩy trong thời gian ngắn. Sau đó, thay vì nhìn nhận là may mắn, những trader này quy thành công cho chiến lược và tài năng của mình.
Còn những tác động khác đi cùng AI và ML, chẳng hạn sự đánh đổi bias-variance. Thiên kiến khai thác dữ liệu (data-mining bias) có thể sinh ra những phương pháp quá khớp (over-fitted) với dữ liệu quá khứ nhưng thất bại trên dữ liệu mới, hoặc những kỹ thuật quá đơn giản không bắt được các tín hiệu quan trọng có giá trị kinh tế trong dữ liệu. Sự đánh đổi này dẫn đến các chiến thuật tệ hơn ngẫu nhiên và độ lệch âm trong phân phối lợi nhuận của những trader này, ngay cả trước khi tính chi phí giao dịch. Trong giai đoạn hậu nới lỏng định lượng, điều này tạo tiềm năng lợi nhuận cho các quỹ và nhà đầu tư lớn. Tuy nhiên, khi những trader AI tệ hơn ngẫu nhiên bị đẩy khỏi thị trường và chỉ những người có mô hình vững chắc trụ lại, cuộc cạnh tranh lợi nhuận sẽ nóng lên. Còn quá sớm để dự đoán trader AI hay các nhà đầu tư khổng lồ sẽ thắng thế trong cuộc đấu này.
Tôi cũng muốn nói đến một hiểu lầm thường gặp trong lĩnh vực này: một số người cho rằng giá trị nằm ở các thuật toán ML được sử dụng. Điều đó không đúng. Giá trị thực sự nằm ở các yếu tố dự báo được dùng, thứ thường được gọi là đặc trưng hay nhân tố. Thuật toán ML không thể tìm ra vàng ở nơi không có vàng. Một vấn đề là hầu hết chuyên gia ML dùng cùng những yếu tố dự báo giống nhau và cố tạo mô hình theo cách lặp đi lặp lại để đạt kết quả tốt nhất. Kỹ thuật này bị thiên kiến khai thác dữ liệu cản trở và rốt cuộc thất bại. Nói ngắn gọn, thiên kiến khai thác dữ liệu nảy sinh từ thói quen nguy hiểm là tái sử dụng dữ liệu với nhiều mô hình cho đến khi kết quả trên mẫu huấn luyện và mẫu kiểm thử trông ưng ý. Theo nghiên cứu của tôi trong lĩnh vực này, nếu một bộ phân loại cơ bản như hồi quy logistic nhị phân không hoạt động hiệu quả với một tập yếu tố dự báo cho trước, khả năng cao là chẳng có giá trị kinh tế nào ở đó. Do vậy, thành công phụ thuộc vào feature engineering — vừa là khoa học vừa là nghệ thuật, đòi hỏi kiến thức, kinh nghiệm và cảm hứng để nghĩ ra những đặc trưng có giá trị kinh tế, và chỉ một phần rất nhỏ chuyên gia làm được điều đó.
3. Tác động của trí tuệ nhân tạo và machine learning lên phân tích kỹ thuật
Chúng ta phải phân biệt giữa phân tích kỹ thuật truyền thống và phân tích kỹ thuật định lượng, vì mọi cách tiếp cận dựa trên phân tích chuỗi giá và khối lượng đều thuộc phạm trù này. Phân tích kỹ thuật truyền thống — như mô hình biểu đồ, các chỉ báo cơ bản, các lý thuyết price action, v.v. — vốn dĩ đã kém hiệu quả ngay từ đầu. Ngoại trừ vài nỗ lực khiếm khuyết với phạm vi hạn chế, các ấn phẩm tung hô những cách tiếp cận này hiếm khi công bố kỳ vọng thống kê dài hạn của chúng, mà chỉ đưa ra lời cam đoan rằng cứ theo quy tắc này hay quy tắc kia thì sẽ có tiềm năng lợi nhuận. Vì lãi và lỗ trên thị trường tuân theo một phân phối thống kê, luôn có những người quy vận may của mình cho các phương pháp này. Đồng thời, cả một ngành công nghiệp mọc lên quanh những quy trình đó vì chúng dễ học. Đáng tiếc, nhiều người tin rằng mình có thể kiếm lời bằng cách giỏi hơn trong việc dùng các chiến thuật mà ai cũng đang dùng, và hậu quả là một cuộc chuyển giao tài sản khổng lồ từ những trader ngây thơ này sang các nhà tạo lập thị trường và những chuyên gia nắm nhiều thông tin.
Đầu thập niên 1990, một số chuyên gia thị trường phát hiện lượng lớn trader cá nhân đang giao dịch bằng những chiến thuật thiếu tinh vi này. Một số đã xây dựng thuật toán và hệ chuyên gia AI để dự đoán các mô hình rồi giao dịch ngược lại chúng, tạo ra mức biến động mà trader cá nhân — đôi khi bị gọi là "tay yếu" — không chịu nổi. Nhìn rộng hơn, thất bại của phân tích kỹ thuật truyền thống có thể truy về việc tương quan chuỗi mạnh bị loại bỏ khỏi thị trường từ thập niên 1990. Chính tương quan chuỗi mạnh đã tạo ấn tượng sai lầm rằng các quy trình này hiệu quả. Trừ vài ngoại lệ, thị trường hiện nay mang tính hồi quy về trung bình, khiến các công cụ phân tích kỹ thuật đơn giản mất tác dụng. Tuy nhiên, một số công cụ phân tích kỹ thuật định lượng như mô hình mean-reversion và arbitrage thống kê, cùng các thuật toán ML khai thác những đặc trưng có giá trị kinh tế, thường vẫn hoạt động hiệu quả.
Do sự đa dạng của các mô hình và việc phần lớn được giữ bí mật, kiểu arbitrage này khó lặp lại trong trường hợp AI và ML, nhưng mối lo căn bản với công nghệ mới này không phải thiên kiến xác nhận như trong phân tích kỹ thuật truyền thống, mà là thiên kiến khai thác dữ liệu.
Theo tôi, việc quan sát thị trường và nhìn biểu đồ đang trở nên lỗi thời. Tương lai của giao dịch nằm ở xử lý thông tin thời gian thực, phát triển mô hình và kiểm chứng. Hedge fund của tương lai sẽ không dựa vào phân tích biểu đồ. Một số người vẫn tiếp tục làm vậy vì họ đang đứng ở ngã ba nơi lối cũ va chạm với lối mới. Nhiều trader không quen với AI sẽ chật vật cạnh tranh trong tương lai và phải rút lui.
4. Kẻ thắng người thua với công nghệ giao dịch mới
Việc ứng dụng trí tuệ nhân tạo (AI) sẽ cách mạng hóa giao dịch theo nhiều cách, và điều đó đang diễn ra rồi. Các nhà đầu tư có thể sớm nhận ra rằng một khi xu hướng hiện tại do QE tạo ra chấm dứt, lợi nhuận trung hạn sẽ thấp hơn kỳ vọng rất nhiều. Nếu kịch bản này xảy ra, nhà đầu tư sẽ buộc phải quay về phương pháp truyền thống: tìm một cố vấn tài chính lành nghề có thể gợi ý cơ cấu danh mục và chọn những cổ phiếu sẽ tăng giá trị. Trong một số trường hợp, vị cố vấn sẽ là một chương trình trí tuệ nhân tạo, và quy trình sẽ diễn ra trực tuyến.
Trader phải làm quen với công nghệ mới này. Hầu hết trader vẫn đang vật lộn với các cách tiếp cận lỗi thời, hy vọng chiêu "bắt đáy" sẽ tiếp tục hiệu quả và mang lại lợi nhuận thêm vài năm nữa.
Một trong những vấn đề là rủi ro đạo đức được ngân hàng trung ương nuôi dưỡng qua sự hỗ trợ trực tiếp cho thị trường tài chính trong tám năm trước đó. Nhiều trader và nhà đầu tư giờ đây tin rằng bear market là bất khả, vì ngân hàng trung ương sẽ luôn có mặt để chuyển khoản lỗ của họ sang tất cả mọi người khác trong khi giữ lại phần lãi. Hệ quả là phần lớn người tham gia thị trường không chuẩn bị gì cho cú chuyển dịch cơ chế thị trường lớn tiếp theo và có thể hứng chịu những khoản lỗ thảm khốc.
Có nhiều tài nguyên trực tuyến để học về machine learning, trí tuệ nhân tạo và giao dịch. Cách học tuyệt vời nhất là bắt tay giải quyết vài tình huống thực tế. Tuy nhiên, tôi tin rằng đa số trader sẽ không thích nghi nổi. Tổ hợp năng lực cần thiết để hiểu và triển khai AI loại bỏ 95% những trader vốn quen vẽ đường kẻ trên biểu đồ và ngắm các đường trung bình động.
Nhà đầu tư nên tự nghiên cứu và tìm đến lời khuyên của một cố vấn tài chính chuyên nghiệp am hiểu những chuyển động mới này. Mỗi nhà đầu tư có một khẩu vị rủi ro riêng, nên không thể đưa ra khuyến nghị chung chung. Sắp tới sẽ có vô số robo-advisor, và việc chọn được một cái đáp ứng đúng yêu cầu và mục tiêu cụ thể có thể không hề dễ.
Bất kỳ ai chưa quen với ML, AI và ứng dụng của chúng trong giao dịch, đầu tư có lẽ nên liên hệ một chuyên gia am tường lĩnh vực này thay vì bắt đầu bằng con đường đọc sách vở, bài viết — việc đó có thể làm sau khi đã nắm được các nền tảng.