Cứ vài tháng lại có một làn sóng công cụ giao dịch bằng AI mới xuất hiện, hứa hẹn sẽ nói cho bạn biết giá sẽ đi về đâu. Lời chào hàng luôn là một phiên bản nào đó của cùng một câu: mô hình nhìn thấy các mẫu hình mà con người không thể.
Bản chân thật của câu đó còn ngắn hơn rất nhiều, và cũng hữu ích hơn nhiều. Học máy thực sự có một “công việc” thật sự trong các thị trường crypto. Chỉ là: đó không phải là công việc mà người ta thường rao bán. Dưới đây là vị trí thực sự của nó, và cách kiểm chứng mọi tuyên bố về AI mà bạn gặp.
Tại sao việc xác định hướng đi lại là điều khó dự đoán nhất, chứ không phải là điều dễ nhất
Một thị trường thanh khoản không phải là một câu đố đứng yên chờ bạn giải. Nó là một đám đông đã định giá sẵn thứ mà mô hình của bạn vừa mới nhận ra.
Đến khi một mẫu theo hướng (directional pattern) trở nên nhìn thấy được trong dữ liệu công khai, thì nó cũng đã nhìn thấy được đối với tất cả mọi người có cùng dữ liệu và một kết nối. Ở các cặp lớn nhất, điều đó bao gồm các công ty có hạ tầng nhanh hơn và nhiều vốn hơn bất kỳ công cụ bán lẻ nào. Dự báo hướng của lần biến động tiếp theo trong môi trường đó gần như là gọi trúng đồng xu của người khác—mà người đó đã lật rồi.
Đây không phải là một hạn chế mà mô hình lớn hơn có thể loại bỏ. Đây là cấu trúc của bài toán. Thông tin sẽ cho bạn biết sắp theo hướng nào—chính là thứ mà một đối thủ cạnh tranh trong thị trường sâu (deep market) loại bỏ nhanh nhất.
Vậy nên khi một công cụ AI dẫn đầu bằng các mục tiêu giá, thì đó không phải là bằng chứng về độ tinh vi. Đó là bằng chứng rằng nó đang bán thứ mà người ta muốn mua.
Học máy thực sự dự đoán tốt điều gì
Bốn điều—không có cái nào là một mũi tên trên biểu đồ.
Nó là “bao nhiêu”, chứ không phải “theo hướng nào”. Biến động (volatility) có một tính chất mà lợi suất không có: nó dai dẳng. Những ngày bình lặng cụm lại với những ngày bình lặng, những ngày dữ dội đi cùng những ngày dữ dội; và một cú sốc hôm nay làm tăng xác suất về một biến động lớn vào ngày mai. Sự tự tương quan của độ lớn (magnitude) này đủ ổn định để học. Một mô hình có thể cho bạn biết các kết quả hợp lý rộng đến mức nào, ngay cả khi tâm (centre) thực sự không thể biết được - và ước lượng đơn lẻ đó chi phối kích thước vị thế, cách đặt điểm dừng (stop placement), và liệu hôm nay có đáng thận trọng hơn hôm qua không.
Bạn đang ở regime nào. Xu hướng (trending) hay đi ngang (rangebound), thanh khoản mở rộng hay co lại, định vị đông đúc hay thưa thớt. Phân loại regime là một bài toán giám sát thông thường với đầu vào quan sát được, và nó quyết định mức độ tự tin mà các ước lượng khác đáng được bao nhiêu.
Phân loại dòng tiền (flow). Giao dịch này là “cơ sở hạ tầng vận hành” hay là “ý định kinh tế”? Nhu cầu đúc (mint) lớn hay là lịch trình của kho bạc (treasury)? Độ sâu sổ lệnh thực sự hay là dạng xếp lớp (layered)? Đây là những vấn đề có thể giải được bằng những đặc trưng thực tế, và đủ tẻ nhạt nên hầu như chẳng ai đem đi quảng bá.
Thực thi (Execution). Cách chia lệnh để nó làm giá ít thay đổi hơn, khi sổ lệnh mỏng; nơi nào trong các venue có hàng tồn kho (inventory) ngay bây giờ. Đây là nơi học máy kiếm tiền một cách âm thầm và bền bỉ, và nó không xuất hiện trong các bài viết quảng cáo vì nó không có vẻ giống “dự đoán”.
Hãy để ý mẫu hình. Mọi thứ trong danh sách đó đều xoay quanh việc đo lường hiện tại một cách chính xác thay vì đoán tương lai. Đó mới là “ngôi nhà thật” của AI trong thị trường.
Cái bẫy đo lường khiến hỏng phần lớn các hệ thống giao dịch AI
Giả sử bạn xây thứ gì đó và nó backtest rất đẹp. Đây là những gì thường đã sai, theo thứ tự tần suất chúng ta gặp nó.
Các cửa sổ chồng lấn làm phình mẫu của bạn. Nếu bạn đo lợi suất 30 ngày trên dữ liệu theo ngày, thì các cửa sổ liên tiếp chia sẻ 29 trong số 30 ngày đó. Ba nghìn quan sát lăn (rolling) có thể đến từ khoảng một trăm quan sát thật sự độc lập. Khoảng tin cậy của bạn mở rộng theo con số thứ hai, không phải con số thứ nhất, và việc báo cáo con số đầu tiên là cách dễ nhất để tạo ra sự chắc chắn mà bạn chưa hề kiếm được.
Rò rỉ thông tin trước thời điểm (lookahead) diễn ra âm thầm. Bất kỳ bước nào trong quy trình của bạn sử dụng thông tin không có sẵn tại thời điểm ra quyết định - ví dụ như chuẩn hoá được tính trên toàn bộ tập dữ liệu, hoặc một bộ lọc chọn các giai đoạn dựa trên những gì đã xảy ra bên trong chúng - đều tạo ra một kết quả vừa đẹp vừa vô dụng. Điều này hầu như không xảy ra một cách cố ý. Nó xảy ra ở một dòng tiền xử lý (preprocessing) mà không ai đọc lại.
Tính sống sót (survivorship) định hình dữ liệu trước khi bạn nhìn thấy nó. Các niêm yết trên sàn đến và đi. Một lịch sử được xây từ các cặp hiện đang được niêm yết sẽ âm thầm loại trừ mọi thứ đã thất bại. Mô hình học từ một thế giới mà chưa thứ gì chết.
Sự trôi theo chế độ (regime drift) phá vỡ mô hình mà không hề báo lỗi. Trường hợp này tốn của chúng tôi trực tiếp, nên các con số là của chúng tôi. Chúng tôi xây các dải dự báo từ lịch sử đã thực hiện (realised history) của một tài sản. Thử nghiệm trên 20.058 quan sát lịch sử thuộc 8 đồng coin lớn, phương pháp vô điều kiện của chúng tôi tạo ra các dải bao phủ 55,6% các kết quả so với mục tiêu 50% - chỉ lỏng nhẹ. Nhưng khi tách phép thử theo điều kiện thị trường, phần “yên bình” nhất—tức năm phần mười (fifth) ngày calmest—đạt 67,1%. Dải này đi kèm một “phụ cấp” vĩnh viễn cho độ nhiễu (turbulence), và ở một thị trường yên tĩnh, khoản phụ cấp đó không được sử dụng. Việc điều kiện hoá mẫu theo biến động hiện tại đưa nó trở lại 50,8%.
Không có gì về thất bại đó có thể nhìn thấy theo từng ngày. Các kết quả vẫn cứ rơi vào đúng “khoảng”. Và đó chính là vấn đề: một mô hình quá rộng lượng tạo ra chuỗi các “thành công yên lặng” ổn định, không có bất kỳ dấu hiệu triệu chứng nào.
Cách đánh giá mọi tuyên bố giao dịch bằng AI qua năm câu hỏi
Dùng được trên bất kỳ công cụ, dịch vụ hay luồng (thread) nào bạn gặp.
Nó dự đoán độ lớn hay hướng? Các tuyên bố về độ lớn có thể bảo vệ được. Các tuyên bố về hướng trên các cặp thanh khoản cao đáng để hoài nghi mạnh, bất kể mô hình được mô tả như thế nào.
Kết quả được ghi nhận trước khi sự kiện xảy ra chưa? Ảnh chụp màn hình chụp sau đó không phải là bằng chứng. Một đường cong hiệu suất do ai đó ghép lại khi đã biết kết quả cũng không phải là bằng chứng. Chỉ có một tuyên bố đã được cố định trước, thì mới có thể kiểm tra.
Chỉ số nào được báo cáo, và liệu nó có thể sai theo cả hai hướng không? Độ chính xác trên các sự kiện hiếm là vô nghĩa - một mô hình không bao giờ kích hoạt (never fires) sẽ đạt điểm tuyệt vời. Với dự báo phạm vi, hãy yêu cầu “coverage” (mức bao phủ), vì nó bắt bạn khi dự báo quá hẹp VÀ cũng quá rộng.
Cỡ mẫu độc lập là bao nhiêu? Không phải số hàng (row count). Là số lượng các quan sát thật sự độc lập. Nếu không ai trả lời được, thì backtest chưa bao giờ được soi xét.
Các thất bại có được công bố không? Một thành tích chỉ chứa các thành công đã bị lọc—dù có ai đó chủ ý lọc hay không. Sự vắng mặt của những lần trượt có thể nhìn thấy được chính là phát hiện.
Bất kỳ công cụ nào vượt qua được năm câu hỏi đó thì đáng để bạn dành thời gian. Phần lớn sẽ không vượt qua câu hỏi thứ hai.
Cần hoài nghi cụ thể điều gì
Lợi nhuận được đảm bảo, theo bất kỳ cách diễn đạt nào. Tỷ lệ phần trăm độ chính xác nhưng không nêu mẫu thử hoặc khoảng thời gian. Backtest nhưng không có kiểm tra walk-forward. “Proprietary” (bí quyết độc quyền) là câu trả lời cho cách nó hoạt động. Và các mục tiêu giá được đưa ra với sự tự tin, đặc biệt ở các cặp lớn nhất—nơi độ tự tin ít có cơ sở được biện minh nhất.
Không cái nào trong số này chứng minh được hành vi thiếu thiện chí. Hầu hết là những người tử tế, thật thà, nhưng chưa từng được hỏi câu hỏi thứ hai.
Sự giảm phát (deflation), thứ thuộc về cuối cùng của mọi thứ kiểu như thế này
Không phương pháp nào đáng tin cậy đánh bại một thị trường thanh khoản, và bất cứ ai hứa điều đó đang bán cho bạn một thứ - thường là một gói đăng ký, đôi khi là một token, và lúc nào cũng kèm một ảnh chụp màn hình.
Điều mà học máy (machine learning) mang lại trong crypto không phải là “tiên đoán” (foresight). Nó là đo lường hiện tại tốt hơn: thị trường này có thể biến động đến mức nào, trạng thái hiện tại ra sao, việc thực thi (execution) của bạn tốn chi phí thật sự bao nhiêu, và mức độ không chắc chắn của từng con số đó. Đó là những tuyên bố nhỏ hơn so với thứ mà ngành thường đưa ra. Chúng có lợi thế là vượt qua được việc kiểm tra, và vẫn đúng sau một năm.
Nếu lấy một thói quen từ điều này: mỗi khi bạn thấy một “vùng xác suất” được vẽ quanh giá, hãy đếm xem các kết quả rơi vào trong đó bao nhiêu lần. Nếu một vùng tuyên bố 50% mà gần như bắt được tất cả, thì nó không chính xác - nó chỉ mơ hồ, và “mơ hồ” chính là thứ mà độ chính xác trông từ bên trong.
Nội dung mang tính giáo dục—không phải lời khuyên tài chính.