Tìm Hiểu Về Kiến Trúc Hệ Thống Giao Dịch Định Lượng

Khi bắt đầu tìm hiểu về hệ thống giao dịch định lượng, mình thường gặp một khối lượng kiến thức đồ sộ và liên ngành: từ dữ liệu, lập trình Python, thống kê, backtest, mô hình dự báo, quản trị rủi ro, tối ưu danh mục và tự động đặt lệnh.

Càng đi sâu, chúng ta càng dễ nghĩ rằng phải học xong tất cả những thứ đó rồi mới có thể bắt đầu. Một người chưa biết lập trình có thể thấy Quant quá xa v. Một người đã làm dữ liệu lại có thể lao ngay vào mô hình mà chưa hiểu thị trường. Một nhà đầu tư giàu kinh nghiệm thì không biết những quan sát tích lũy nhiều năm của mình nằm ở đâu trong cách tiếp cận định lượng.

Điều hữu ích nhất mình tìm thấy trong quá trình nghiên cứu - cũng như trong việc xây dựng thư viện Vnstock phục vụ hàng ngàn nhà đầu tư tiếp cận thị trường dựa trên dữ liệu - không phải một công thức giao dịch. Đó là kiến trúc của một hệ thống giao dịch định lượng¹: một bản đồ cho thấy mỗi loại kiến thức giải quyết câu hỏi nào và chúng kết nối với nhau ra sao.

Bài chia sẻ này không nhằm biến người đọc thành một chuyên gia Quant sau khi đọc. Mình cũng đang tìm hiểu, hệ thống hoá kiến thức tài liệu và chia sẻ lại những gì có thể giúp cộng đồng tiếp cận và ứng dụng tư duy định lượng một cách có hệ thống. Giá trị của kiến trúc nằm ở chỗ nó giúp mỗi người nhận ra nền tảng mình đã có, mảnh ghép còn thiếu và lộ trình nâng cấp kiến thức tiếp theo cho phù hợp.

Vì sao nên hiểu kiến trúc trước khi học công cụ?

Ở bài đầu tiên về giao dịch định lượng, chúng ta đã đi đến một điểm quan trọng: tính định lượng không nằm ở việc sử dụng Python, bot hay một mô hình phức tạp. Nó nằm ở cách một nhận định được chuyển thành các biến số và quy tắc có thể kiểm chứng.

Bắt đầu với Top 10 cuốn sách về quant trading nên đọc cho người mới sau đó mở rộng thành nhiều hướng tìm hiểu khác nhau. Inside the Black Box diễn đạt về cấu trúc hệ thống giao dịch định lượng một cách dễ hiểu. Ernest Chan đưa Quant đến gần hơn với nhà giao dịch độc lập. Robert Carver tập trung vào dự báo, quy mô vị thế và quản trị danh mục. Các giáo trình khác đi sâu vào thống kê, chuỗi thời gian, cấu trúc vi mô hoặc học máy.

Nếu chưa có một lộ trình rõ ràng, người đọc rất dễ đồng nhất toàn bộ lĩnh vực với phần mình nhìn thấy đầu tiên:

• Người biết lập trình có thể xem Quant là một bài toán viết code.
• Người quen phân tích kỹ thuật có thể xem Quant là quá trình tự động hóa chỉ báo.
• Người học thống kê có thể xem Quant là bài toán dự báo giá.
• Người đầu tư theo doanh nghiệp có thể cho rằng dữ liệu định lượng không chứa được giá trị của phân tích cơ bản.

Mỗi cách nhìn đều chạm vào một phần của hệ thống, nhưng chưa đại diện cho toàn bộ hệ thống.

Kiến trúc giúp chúng ta bóc tách các câu hỏi lớn ra các phần có thể giải quyết được:

Ta đang tìm cơ hội ở đâu? Ta có thể sai như thế nào? Nên phân bổ bao nhiêu vốn? Lợi thế còn lại bao nhiêu sau chi phí? Quyết định giao dịch trên giấy được đưa vào thị trường ra sao?

Khi biết mình đang giải quyết câu hỏi nào, việc chọn sách, học kỹ năng hay sử dụng công cụ sẽ rõ ràng hơn.

Kiến trúc hệ thống Quant là kiến trúc của các quyết định

Khi nghe tới “kiến trúc hệ thống”, người làm công nghệ có thể nghĩ tới máy chủ, cơ sở dữ liệu, API, hàng đợi xử lý hoặc độ trễ mạng. Đó là kiến trúc phần mềm và hạ tầng. Nó quan trọng khi triển khai, nhưng chưa phải điểm xuất phát của bài toán Quant.

Cần phân định rõ: đối với các quỹ đầu tư định lượng chuyên nghiệp², kiến trúc hệ thống thường gắn liền với hạ tầng công nghệ đồ sộ như tối ưu độ trễ³ hay tiếp cận thị trường trực tiếp⁴. Tuy nhiên, đối với nhà đầu tư độc lập, trọng tâm không nằm ở việc chạy đua tối ưu phần cứng. Ở cấp độ nền tảng, kiến trúc hệ thống giao dịch định lượng tập trung vào việc chuẩn hóa chu trình xử lý thông tin và ra quyết định:

1. Thông tin nào được đưa vào hệ thống?
2. Thông tin đó được chuyển thành nhận định như thế nào?
3. Rủi ro và chi phí làm thay đổi nhận định ra sao?
4. Hệ thống muốn nắm giữ danh mục nào?
5. Làm thế nào chuyển từ danh mục hiện tại sang danh mục mục tiêu?
6. Kết quả thực tế được ghi nhận và phản hồi về quá trình nghiên cứu như thế nào?

Rishi K. Narang trình bày một cấu trúc dễ tiếp cận trong Inside the Black Box: mô hình alpha, mô hình rủi ro và mô hình chi phí giao dịch cùng cung cấp đầu vào cho mô hình xây dựng danh mục; danh mục mục tiêu sau đó được chuyển sang mô hình thực thi.⁵ Dữ liệu và nghiên cứu là hai nền móng giúp toàn bộ cấu trúc hoạt động.

Cấu trúc một hệ thống giao dịch định lượng điển hình (Nguồn: Inside the Black Box - Rishi K. Narang)

Đây không phải tiêu chuẩn duy nhất. Từng tổ chức và nền tảng có thể sắp xếp các khối chức năng khác nhau. Chẳng hạn, khung thuật toán của QuantConnect tách riêng lựa chọn tập tài sản, tạo tín hiệu, xây dựng danh mục, quản trị rủi ro và thực thi.⁶ Điểm chung quan trọng hơn tên gọi là: mỗi khối phải có trách nhiệm rõ ràng và đầu ra của nó phải phục vụ quyết định tiếp theo.

Kiến trúc hệ thống giao dịch định lượng. Nguồn: QuantConnect

Nền tảng cốt lõi: Dữ liệu và Phương pháp nghiên cứu

Trước khi có tín hiệu, hệ thống cần biết mình đang quan sát điều gì và bằng chứng nào có thể ủng hộ hoặc bác bỏ một nhận định.

Dữ liệu: Nền tảng bắt buộc phải chính xác

Một nhà đầu tư có thể nhìn biểu đồ và nhận ra cổ phiếu đang tăng. Hệ thống định lượng cần phải đi xa hơn:

• Mức tăng được đo trong khoảng thời gian nào?
• Giá đã được điều chỉnh phù hợp với sự kiện doanh nghiệp chưa?
• Tập cổ phiếu có phản ánh đúng những mã thực sự tồn tại tại thời điểm nghiên cứu không?
• Thông tin cơ bản được công bố vào ngày nào và khi nào nhà đầu tư có thể biết?
• Dữ liệu thiếu, sai hoặc thay đổi nguồn được xử lý thế nào?

Kỹ năng quan trọng ở lớp chức năng này không phải thu thập càng nhiều dữ liệu càng tốt mà đó là hiểu nguồn gốc, thời điểm xuất hiện, cách biến đổi và giới hạn của dữ liệu.

Với một nhà đầu tư đang làm quen cách tiếp cận tư duy định lượng, bước nâng cấp có thể rất nhỏ: thay vì tải một bảng tính rồi chỉnh sửa thủ công mà không lưu dấu vết, hãy xây một quy trình có thể lặp lại và ghi rõ dữ liệu đến từ đâu. Các công cụ truy xuất dữ liệu từ api chứng khoán công khai như Vnstock có thể hỗ trợ lập trình việc xử lý dữ liệu từ các nguồn được tích hợp một cách hiệu quả; trách nhiệm kiểm tra nguồn, cách sử dụng và chất lượng đầu vào vẫn thuộc về người nghiên cứu.

Nghiên cứu: Kiểm chứng tính hợp lý của các giả thuyết

Trực giác thường thúc đẩy tạo nên ý tưởng ban đầu:

Cổ phiếu có xu hướng tăng mạnh thường tiếp tục duy trì đà tăng.

Nghiên cứu định lượng biến nhận định đó thành những câu hỏi cụ thể:

• “Tăng mạnh” được định nghĩa bằng lợi nhuận ba tháng, sáu tháng hay sức mạnh tương đối?
• Hiện tượng xuất hiện ở toàn bộ thị trường hay chỉ ở một nhóm cổ phiếu?
• Kết quả có ổn định khi thay đổi khoảng thời gian đo lường?
• Sau khi trừ chi phí và áp dụng điều kiện thanh khoản, lợi thế còn tồn tại không?
• Điều gì sẽ khiến giả thuyết này bị bác bỏ?

Đây là thay đổi quan trọng về tư duy khi thiết kế hệ thống giao dịch định lượng. Mục tiêu không còn là tìm dữ liệu chứng minh mình đúng. Mục tiêu là thiết kế một phép kiểm tra đủ nghiêm túc để phát hiện khi mình sai.

5 khối chức năng cốt lõi của một hệ thống giao dịch định lượng

Minh hoạ kiến trúc hệ thống giao dịch định lượng

Năm khối chức năng dưới đây không tương ứng với năm phần mềm bắt buộc phải xây dựng. Một bảng tính có cấu trúc tốt vẫn có thể thực hiện nhiều chức năng. Điều quan trọng là cần phân tách rõ vai trò của từng quyết định.

Mô hình Alpha: Lượng hóa các cơ hội sinh lời

Phân loại các mô hình Alpha dựa trên lý thuyết (Nguồn: Inside the Black Box - Rishi K. Narang)

Alpha thường nhận được nhiều sự chú ý nhất vì nó gắn với ý tưởng tạo lợi nhuận. Ở mức đơn giản, mô hình alpha có thể xếp hạng cổ phiếu theo động lượng, định giá, chất lượng doanh nghiệp hoặc một tổ hợp tiêu chí.

Chi tiết phương pháp triển khai các mô hình Alpha (Nguồn: Inside the Black Box - Rishi K. Narang)

Điểm quan trọng không phải tín hiệu có phức tạp hay không. Mô hình phải nói rõ:

• Nó đang dự báo điều gì?
• Trong khoảng thời gian nào?
• Tín hiệu mạnh hay yếu được biểu diễn ra sao?
• Điều kiện thị trường nào có thể làm tín hiệu mất hiệu lực?

Đối với người quen đầu tư theo trực giác, đây là nơi kinh nghiệm có thể trở thành giả thuyết. Một nhận định như “doanh nghiệp có chất lượng lợi nhuận tốt thường bền vững hơn” có thể được tách thành các thước đo về lợi nhuận, dòng tiền, đòn bẩy và tính ổn định. Việc lượng hóa không làm phân tích cơ bản mất đi ý nghĩa; nó buộc người nghiên cứu nói rõ mình đang coi điều gì là “chất lượng”.

Mô hình Rủi ro: Kiểm soát trạng thái rủi ro và tổn thất

Với nhà đầu tư cá nhân giao dịch theo ngày hoặc theo tuần, thực thi có thể vẫn là thao tác thủ công. Điều đó không làm phương pháp mất đi tính định lượng, miễn là quy tắc ra quyết định và cách ghi nhận kết quả đủ rõ. Tự động hóa chỉ nên xuất hiện khi nó giúp tăng tính nhất quán cho một quy trình đã được hiểu.

Vòng đời của một ý tưởng giao dịch trong hệ thống giao dịch định lượng

Hãy quay lại nhận định quen thuộc:

Cổ phiếu đang mạnh có xu hướng tiếp tục tăng.

Nếu dừng ở đây, mỗi người có thể hiểu “mạnh” theo một cách. Khi đi qua kiến trúc hệ thống, nhận định được đặt trong một chuỗi câu hỏi:

Không câu hỏi riêng lẻ nào chứng minh chiến lược sẽ sinh lời. Giá trị của kiến trúc nằm ở việc nó ngăn chúng ta nhảy thẳng từ một quan sát hợp lý sang hành động sử dụng vốn.

Sự bổ trợ giữa trực giác và phương pháp định lượng

Trực giác không đối lập với Quant. Nhiều giả thuyết nghiên cứu bắt đầu từ quan sát của con người. Khác biệt nằm ở cách xử lý quan sát sau đó.

Quá trình này có thể bắt đầu mà chưa cần lập trình. Một bảng tính, nhật ký quyết định và bộ quy tắc nhất quán đã đủ để thay đổi cách học.

Lập trình trở nên hữu ích khi số lượng dữ liệu, phép kiểm tra và quyết định vượt quá khả năng xử lý thủ công. Khi đó, Python giúp tự động hóa một quy trình đã rõ, thay vì che đi những giả định còn mơ hồ.

Lộ trình tiếp cận hệ thống giao dịch định lượng dựa trên nền tảng chuyên môn

Không có một lộ trình chung cho tất cả mọi người. Việc hiểu kiến trúc hệ thống giao dịch định lượng giúp bạn tận dụng các kỹ năng sẵn có và xác định chính xác những mảng kiến thức cần bổ sung.

Đối với nhà đầu tư phân tích cơ bản⁹

Bạn đã quen với doanh nghiệp, ngành, báo cáo tài chính và câu chuyện tăng trưởng. Bước định lượng hóa không nhất thiết là bỏ các yếu tố đó để chuyển sang biểu đồ giá.

Có thể bắt đầu bằng cách:

• Chuẩn hóa định nghĩa về chất lượng, tăng trưởng hoặc định giá.
• Ghi nhận thông tin theo đúng thời điểm công bố.
• Xây thang điểm để so sánh nhiều doanh nghiệp nhất quán hơn.
• Kiểm tra xem tiêu chí nào thực sự liên hệ với kết quả sau đó.
• Nhìn danh mục theo mức độ phân bổ rủi ro ngành và các yếu tố chung.

Kinh nghiệm phân tích giúp hình thành giả thuyết. Dữ liệu giúp kiểm tra mức độ nhất quán của giả thuyết đó.

Đối với nhà đầu tư phân tích kỹ thuật¹⁰

Bạn đã có kinh nghiệm quan sát xu hướng, động lượng, vùng giá và hành vi thị trường. Phần cần nâng cấp là chuyển các mô tả trực quan thành điều kiện ít phụ thuộc vào cách nhìn của từng người.

Hãy thử viết một quy tắc sao cho hai người đọc nó sẽ tạo ra cùng một tín hiệu. Sau đó bổ sung điều kiện thoát vị thế, quy mô vốn, chi phí và cách đánh giá trên dữ liệu chưa dùng để điều chỉnh quy tắc.

Đối với người dùng làm việc chủ yếu trên Excel

Excel là điểm bắt đầu phù hợp để học cách tổ chức dữ liệu, tính toán lợi suất, xếp hạng và mô phỏng quy tắc đơn giản. Giới hạn xuất hiện khi thao tác thủ công ngày càng nhiều, lịch sử chỉnh sửa khó tái tạo và cùng một phép thử phải lặp lại trên nhiều tập dữ liệu.

Bước tiếp theo có thể là học cách:

• Tách dữ liệu gốc khỏi dữ liệu đã xử lý.
• Ghi rõ từng phép biến đổi.
• Dùng công thức và bảng có cấu trúc nhất quán.
• Chuyển dần những thao tác lặp lại sang Python.

Mục tiêu không phải thay Excel càng sớm càng tốt. Mục tiêu là tạo ra kết quả có thể tái lập.

Đối với kỹ sư phần mềm và chuyên viên dữ liệu

Lợi thế của bạn nằm ở khả năng xử lý dữ liệu, tự động hóa và kiểm soát mã nguồn. Rủi ro thường gặp là giải quyết rất tốt một bài toán kỹ thuật nhưng đặt sai câu hỏi tài chính.

Những phần nên ưu tiên bổ sung gồm:

• Cách dữ liệu tài chính phụ thuộc vào thời gian.
• Thiên lệch nhìn trước tương lai và thiên lệch sống sót.
• Sự khác biệt giữa khả năng dự báo và hiệu quả đầu tư.
• Quy mô vị thế, danh mục và mức sụt giảm.
• Chi phí giao dịch, thanh khoản và giới hạn triển khai.

Một mô hình dự báo tốt chưa tự động trở thành chiến lược tốt. Đầu ra của mô hình còn phải đi qua rủi ro, danh mục và thực thi.

Đối với nhà giao dịch dựa trên kinh nghiệm

Bạn không cần chuyển ngay sang giao dịch tự động. Bước đầu tiên có thể là ghi lại quyết định theo một mẫu cố định:

• Tôi đang tin điều gì?
• Dữ liệu hoặc quan sát nào hỗ trợ niềm tin ấy?
• Điều gì có thể khiến nhận định sai?
• Tôi sẽ phân bổ bao nhiêu vốn và vì sao?
• Khi nào tôi xem xét lại quyết định?
• Kết quả khác kỳ vọng ở điểm nào?

Sau một thời gian, nhật ký này tạo ra dữ liệu về chính quá trình ra quyết định của bạn. Đây là cầu nối tự nhiên giữa kinh nghiệm cá nhân và tư duy định lượng.

Trình tự chuẩn hóa tư duy giao dịch định lượng

Kiến trúc đầy đủ có thể khiến người mới nghĩ rằng mình phải xây mọi thứ cùng lúc. Thực tế, một hướng tiến triển hợp lý là đi từ độ rõ của quyết định đến khả năng kiểm chứng, rồi mới đến tự động hóa.

1. Làm rõ ngôn ngữ: Thay các khái niệm “tốt”, “mạnh”, “an toàn” bằng tiêu chí có thể quan sát.
2. Làm rõ quy tắc: Viết điều kiện vào, ra, quy mô vị thế và trường hợp ngoại lệ.
3. Làm rõ bằng chứng: Kiểm tra giả thuyết trên dữ liệu phù hợp và chủ động tìm nguyên nhân khiến kết quả sai.
4. Chuyển từ từng mã sang danh mục: Đánh giá tương quan, mức tập trung, rủi ro và tổng lượng vốn.
5. Đưa chi phí vào quyết định: Không đợi đến cuối backtest mới trừ một mức phí cố định.
6. Ghi lại kết quả thực tế: So sánh tín hiệu, danh mục mục tiêu, lệnh thực hiện và kết quả khớp.
7. Chỉ tự động hóa phần đã hiểu: Máy tính làm quy trình nhanh và nhất quán hơn, nhưng cũng lặp lại sai sót nhanh và nhất quán hơn.

Người chưa biết Python có thể bắt đầu ở ba bước đầu. Người đã có nền tảng công nghệ có thể đi nhanh hơn ở phần dữ liệu và tự động hóa, nhưng vẫn phải học cách hình thành giả thuyết, quản trị rủi ro và đánh giá giới hạn của mô hình.

Những ngộ nhận phổ biến về giao dịch định lượng

Chỉ cần giỏi code là có thể làm Quant

Kỹ năng lập trình (như viết code Python hay C++) chỉ là công cụ thực thi, không phải tư duy cốt lõi. Một thuật toán tối ưu không thể cứu vãn một giả thuyết tài chính lỏng lẻo hay tập dữ liệu đầu vào chứa đầy sai lệch. Tư duy Quant bắt đầu từ khả năng nhận diện lợi thế trên thị trường trước khi bạn bắt tay viết dòng code đầu tiên.

Tìm được tín hiệu mua bán là đã có trong tay một hệ thống

Tín hiệu mua/bán chỉ là bề nổi của tảng băng chìm. Nếu không có các lớp kiểm soát rủi ro, mô hình chi phí, và bộ quy tắc phân bổ tỷ trọng, tín hiệu đó dù hứa hẹn tiềm năng đến đâu cũng sẽ nhanh chóng bị bào mòn bởi trượt giá, phí giao dịch hoặc những cú sốc thị trường chưa được lường trước.

Mô hình càng phức tạp, kết quả giao dịch càng ưu việt

Sự phức tạp thường mang lại ảo giác về độ chính xác. Việc nhồi nhét quá nhiều tham số rất dễ dẫn đến hiện tượng quá khớp — mô hình khớp với dữ liệu quá khứ một cách hoàn hảo nhưng sẽ thất bại thảm hại ở tương lai. Thực tế, những tác giả dày dạn kinh nghiệm như Ernest Chan hay Robert Carver đều ưu tiên sự bền vững của các mô hình cơ bản nhưng được kiểm chứng khắt khe thay vì một cỗ máy phức tạp nhưng mong manh.⁷¹¹

Giao dịch bằng thuật toán sẽ loại bỏ triệt để yếu tố tâm lý

Một bot giao dịch không biết sợ hãi, nhưng người tạo ra nó thì có. Con người vẫn là người quyết định chọn bộ dữ liệu nào, đóng khung thời gian backtest ra sao, và khi nào thì hoảng loạn can thiệp tắt hệ thống khi tài khoản sụt giảm sâu. Thiên kiến tâm lý không hề biến mất, chúng chỉ được lập trình một cách tinh vi hơn vào bên trong hệ thống.

Kết quả backtest đẹp là bảo chứng cho lợi nhuận thực tế

Đường cong lợi nhuận dốc đứng trong backtest thường là cái bẫy nguy hiểm nhất đối với người mới. Backtest là môi trường giả lập tĩnh, không bao giờ phản ánh chính xác 100% rủi ro thanh khoản, độ trễ khớp lệnh hay tác động thị trường khi bạn đi lệnh thực tế. Đừng nhầm lẫn giữa một "kết quả mô phỏng đẹp" với một "lợi thế giao dịch thực sự".

Lời kết: Kiến trúc hệ thống giúp tối ưu hóa việc ra quyết định

Khi nhìn Quant qua bộ khung kiến trúc, mình tin các bạn sẽ thấy lĩnh vực này bớt xa lạ hơn. Không phải vì các bài toán trở nên đơn giản, mà vì mỗi kỹ năng đã có vị trí rõ ràng.

Thống kê giúp đánh giá bằng chứng. Lập trình giúp xử lý và tái tạo nghiên cứu. Kiến thức thị trường giúp hình thành giả thuyết và hiểu giới hạn thực thi. Quản trị rủi ro giúp quyết định lượng vốn. Kỹ năng dữ liệu giữ cho đầu vào có nguồn gốc rõ ràng và đúng thời điểm. Không phần nào tự nó tạo thành toàn bộ hệ thống giao dịch định lượng.

Người học cũng không cần từ bỏ nền tảng cũ để mang một danh xưng mới. Một nhà đầu tư cơ bản có thể định lượng hóa tiêu chí lựa chọn. Một người phân tích kỹ thuật có thể chuẩn hóa quy tắc. Một lập trình viên có thể học cách đặt câu hỏi tài chính. Một người giao dịch thủ công có thể bắt đầu bằng nhật ký và nguyên tắc phân bổ vốn.

Điểm chuyển đổi thực sự xuất hiện khi ta dần thay câu hỏi:

“Tôi cảm thấy điều gì sắp xảy ra?”

bằng một chuỗi câu hỏi chặt chẽ hơn:

“Tôi đang tin vào giả thuyết nào? Dữ liệu nào có thể kiểm tra nó? Tôi có thể sai theo cách nào? Nên sử dụng bao nhiêu vốn? Chi phí và thực thi sẽ làm thay đổi kết quả ra sao?”

Đó là nền tảng của tư duy định lượng: không yêu cầu mọi quyết định phải hoàn toàn tự động, nhưng yêu cầu mỗi quyết định quan trọng phải đủ rõ để có thể quan sát, đo lường và xem xét lại.

Tóm lại, việc xây dựng một hệ thống giao dịch định lượng không đòi hỏi bạn phải giỏi lập trình hay toán học ngay từ ngày đầu. Quan trọng nhất là sự thay đổi trong tư duy: từ việc dựa vào trực giác sang cách tiếp cận có hệ thống, quy trình hóa các quyết định và liên tục kiểm chứng.

Series này sẽ tiếp tục đi sâu từng lớp của kiến trúc, bắt đầu từ dữ liệu và quy trình nghiên cứu — nơi một quan sát thị trường được chuyển thành giả thuyết có thể kiểm chứng.

👉 Nếu bạn mới bắt đầu, hãy đọc lại giao dịch định lượng là gì và chọn một cuốn phù hợp trong 10 sách giao dịch định lượng nên đọc. Sau đó thử viết lại một nhận định đầu tư của mình thành các tiêu chí có thể đo lường.

Footnotes

1. Hệ thống giao dịch định lượng (Quantitative Trading System): Một tập hợp các quy tắc, thuật toán và hạ tầng phần mềm được thiết kế để chuẩn hoá toàn bộ hoặc một phần quy trình đầu tư, từ thu thập dữ liệu, nghiên cứu, ra quyết định đến thực thi lệnh trên thị trường. ↩

2. Institutional Quants: Thuật ngữ chỉ các tổ chức tài chính lớn, quỹ phòng hộ (hedge funds) hoặc bộ phận tự doanh (prop trading) có nguồn lực khổng lồ về vốn, công nghệ và nhân sự để triển khai các chiến lược định lượng ở quy mô lớn. ↩

3. Low-latency (Độ trễ thấp): Hạ tầng mạng và phần cứng được tối ưu hóa ở mức micro-giây hoặc nano-giây, giúp hệ thống nhận dữ liệu và đẩy lệnh vào sàn giao dịch nhanh hơn các bên tham gia khác (đặc biệt quan trọng trong giao dịch tần suất cao - HFT). ↩

4. Direct Market Access - DMA (Tiếp cận thị trường trực tiếp): Hạ tầng cho phép lệnh giao dịch được đẩy thẳng vào sổ lệnh (order book) của Sở giao dịch thay vì phải đi vòng qua hệ thống định tuyến thông thường của các công ty môi giới, giúp giảm tối đa thời gian khớp lệnh. ↩

5. Rishi K. Narang. Inside the Black Box: A Simple Guide to Systematic Investing, 3rd Edition, Wiley, 2024. Cấu trúc năm mô hình được trình bày chi tiết trong các ấn bản của sách; xem thêm mục lục ấn bản thứ hai trên Wiley Online Library. ↩

6. QuantConnect. Algorithm Framework Overview, truy cập tháng 7/2026. ↩

7. Robert Carver. Systematic Trading: A Unique New Method for Designing Trading and Investing Systems. ↩ ↩²

8. CFA Institute. Trade Strategy and Execution, CFA Program Level III Curriculum 2026. ↩

9. Fundamental Analysis - FA (Phân tích cơ bản): Phương pháp đánh giá giá trị nội tại của tài sản dựa trên các yếu tố kinh tế, báo cáo tài chính, và mô hình kinh doanh của doanh nghiệp. ↩

10. Technical Analysis - TA (Phân tích kỹ thuật): Phương pháp dự báo hướng đi của giá thông qua việc nghiên cứu dữ liệu giao dịch trong quá khứ (chủ yếu là giá và khối lượng) bằng các biểu đồ và chỉ báo. ↩

11. Ernest P. Chan. Quantitative Trading: How to Build Your Own Algorithmic Trading Business, 2nd Edition, Wiley. ↩