Quant trading (Giao dịch định lượng) – Lịch sử, hiện tại và tương lai

Giáo sư Andrew Lo của đại học MIT cho rằng phân tích kỹ thuật là nguồn gốc của phân tích định lượng, tuy nghiên các phương pháp phân tích đó chưa bao giờ được kiểm tra một cách độc lập và khoa học. Trong giới học thuật có một nhóm người vận dụng các phương pháp khoa học vào phân tích kỹ thuật để loại bỏ những kiến thức mang tính chủ quan, không thể kiểm định hoặc đo lường được và họ được gọi là những nhà phân tích định lượng. Có thể nói phân tích định lượng chính là phân tích kỹ thuật có khoa học.

Lịch sử

Cha đẻ của phân tích định lượng là Harry Markowitz, được coi là một trong những nhà đầu tư đầu tiên áp dụng các mô hình toán học vào thị trường tài chính. Luận án tiến sĩ của ông, được xuất bản trên Tạp chí Tài chính, đã áp dụng một giá trị số cho khái niệm đa dạng hóa danh mục đầu tư. Sau đó trong sự nghiệp của mình, Markowitz đã giúp Ed Thorp và Michael Goodkin, hai nhà quản lý quỹ, lần đầu tiên sử dụng máy tính để kinh doanh chênh lệch giá.

Một số phát triển trong những năm 70 và 80 đã giúp lượng tử trở nên phổ biến hơn. Hệ thống xoay vòng lệnh (DOT) được chỉ định cho phép Sở giao dịch chứng khoán New York (NYSE) nhận lệnh điện tử lần đầu tiên và các thiết bị đầu cuối đầu tiên của Bloomberg cung cấp dữ liệu thị trường theo thời gian thực cho các nhà giao dịch.

Vào những năm 90, các hệ thống thuật toán đã trở nên phổ biến hơn và các nhà quản lý quỹ đầu cơ bắt đầu nắm lấy các phương pháp giao dịch định lượng. Bong bóng dotcom được chứng minh là một bước ngoặt, vì những chiến lược này tỏ ra ít nhạy cảm hơn với việc mua vào ồ ạt (hiện tượng FOMO) - và sự sụp đổ sau đó.
​Sau đó, sự gia tăng của giao dịch tần số cao đã giới thiệu nhiều người hơn đến khái niệm lượng tử. Đến năm 2009, 60% giao dịch chứng khoán ở Mỹ được thực hiện bởi các nhà đầu tư giao dịch tần số cao, những người dựa vào các mô hình toán học để hỗ trợ các chiến lược của họ.

Khối lượng và doanh thu của giao dịch tần số cao đã bị ảnh hưởng kể từ cuộc đại suy thoái, nhưng các nhà phân tích định lượng rất được săn đón bởi các quỹ đầu cơ và tổ chức tài chính, được đánh giá cao vì khả năng bổ sung một khía cạnh mới cho chiến lược truyền thống.

Hiện tại

Sau những thành công lớn trước đó của các quỹ giao dịch định lượng như Renaissance Technologies, D.E Shaw, Two Sigma, … đã đưa giao dịch định lượng và các giao dịch tự động trở thành một xu hướng. Một nghiên cứu vào năm 2019 cho thấy khoảng 92% giao dịch trên thị trường Forex được thực hiện bởi các thuật toán giao dịch chứ không phải con người.

Với sự bùng nổ về số lượng quỹ cũng như các nhà đầu tư giao dịch định lượng như thế đã khiến cho công việc này trở nên khó khăn và cạnh tranh hơn rất nhiều. Với số lượng lớn người cùng sử dụng một chiến lược giao dịch đã khiến một vài chiến lược giao dịch trở nên kém hiệu quả trong hiện tại. Ngoài ra việc các quỹ đầu tư chạy đua về thuật toán giao dịch cũng làm tạo nên sự thay đổi về lượng nhân lực khi các quỹ chỉ tìm kiếm những người có nền tảng về khoa học máy tính, những tiến sĩ toán học thay vì những chuyên gia tài chính hay kinh tế học thông thường.

Tuy nhiên, năm 2020 chứng kiến những thua lỗ nặng nề đối với các quỹ giao dịch định lượng. Một ví dụ cụ thể là các khách hàng của quỹ Renaissance Technologies đã rút 11 tỷ đô la 7 tháng liên tiếp vì những thua lỗ mà quỹ này đem lại. Ngoài ra khi so kết quả đầu tư với các quỹ khác thì các quỹ định lượng có kết quả xấu hơn rất nhiều.

Chính những yếu tố này đã thúc đẩy việc áp dụng các mô hình máy học (Machine learning) và trí tuệ nhân tạo (AI) khi những mô hình định lượng truyền thống tỏ ra thiếu hiệu quả và bị ảnh hưởng lớn môi trường kinh tế có những thay đổi nhất định.
Machine Learning quả nhất trong việc cải thiện các phần của phân tích định lượng, chẳng hạn như xử lý và mô hình hóa dữ liệu, dự báo và nghiên cứu tín hiệu, quản lý rủi ro và thực thi.

Với thời đại công nghệ thông tin và sự phát triển mạnh mẽ của mạng internet đã dẫn đến sự bùng nổ về thông tin và đây là một nguồn dữ liệu giá trị có thể thay thế và cải thiện kết quả giao dịch khi các mô hình truyền thống trở nên kém hiệu quả. Một cuộc thăm dò cho thấy 69% quỹ đã sử dụng dữ liệu thay thế. Machine Learning được sử dụng với dữ liệu thay thế để tìm tín hiệu giao dịch mới hoặc cải tiến những tín hiệu hiện có.

Có nhiều ví dụ về cách dữ liệu thay thế được sử dụng. Trong một ví dụ nổi tiếng, một quỹ đã sử dụng dữ liệu theo dõi chuyến bay để dự đoán một vụ sáp nhập. Một ví dụ khác là hình ảnh vệ tinh đang được sử dụng để đánh giá năng suất cây trồng trong giao dịch hàng hóa. Dữ liệu thẻ tín dụng và dữ liệu đặt chân đang được sử dụng trong thị trường chứng khoán. Hay những dữ liệu trên mạng xã hội về cũng có thể được sử dụng để đưa ra tín hiệu giao dịch.

Tuy nhiên để Machine Learning có hiệu quả, tập dữ liệu cần phải rất lớn với lịch sử lâu dài. Nhiều bộ dữ liệu lớn chỉ có thời gian vài năm và có thể không đầy đủ / không chính xác, do đó, cung cấp ít hoặc không có giá trị dự đoán.

Một mối quan tâm khác là quyền riêng tư và quyền truy cập. Cách dữ liệu được thu thập và ai có quyền đối với dữ liệu. Đây là một điểm mà các nhà giao dịch cá nhân gặp bất lợi rất lớn so với các quỹ và các tổ chức lớn.

Ngoài ra, một mảng mới của Machine Learning là Học sâu (Deep Reinforcement Learning) cũng đang được phát triển vì có khả năng dự đoán tuyệt vời. Vì khả năng tự học và cải tiến qua thời gian mà học sâu có thể thích nghi và đưa ra dự báo chính xác hơn với các điều kiện thị trường khác nhau, đó cũng chính là sức mạnh lớn nhất mà các mô hình định lượng truyền thống không thể đáp ứng được.

Tương lai

Một số nhà phân tích đã cho rằng giao dịch định lượng sẽ thay thế hoàn toàn giao dịch thủ công trong tương lai. Giao dịch định lượng cũng có những nhược điểm của nó, nhưng các nhà phân tích cho rằng những nhược điểm này sẽ sớm được loại bỏ, khiến giao dịch định lượng trở thành một lựa chọn thú vị cho bất kỳ nhà đầu tư nào.

Ngoài ra, sự phát triển mạnh mẽ trong lĩnh vực Machine Learning sẽ tiếp tục tạo ra tác động to lớn trong giao dịch định lượng trong 10 năm tới. Đặc biệt, đối với các phần riêng lẻ của quá trình đầu tư, như dự báo, lập mô hình hoặc giao dịch tự động.

Tuy những thuật toán và mô hình Machine Learning có thể đưa ra nhựng dự báo chính xác và khả năng thích nghi với những điều kiện thị trường khác nhau tuy nhiên chúng vẫn cần sự quản lý và giảm sát của con người vì thế nên các nhà đầu tư phải luôn tích lũy và trau dồi kiến thức để thích nghi với thị trường đầy biến động này.

Theo dõi các bài viết và nhận định của Dương Sunny tại đây .