Ở tập trước, tôi kết hợp điểm số mô hình và động lượng theo tỷ lệ 50/50. Trong giai đoạn kiểm thử, chiến lược đạt lợi nhuận +172.93%, mức sụt giảm -18.44% và Sharpe 2.076. Cuối tập, tôi nói rằng ở tập tiếp theo, mình sẽ kết hợp thêm buffer và mức cắt lỗ, rồi chạy kiểm chứng trên giai đoạn xác thực.

Trước khi thực sự bắt tay vào làm, tôi đã dừng lại một chút. Kết quả của chín chiến lược có hiệu suất tốt nằm rải rác trong các tập lệnh ablation và thư mục bộ nhớ đệm khác nhau; tham số được ghi trong các từ điển cấu hình, còn tên tệp tín hiệu thì không thống nhất. Nếu đổi sang máy khác hoặc hai tuần sau mới quay lại, liệu có thể chạy lại chính xác chín con số này không? Câu trả lời là không.

Vì vậy, trong tập này, tôi sẽ không tiếp tục đuổi theo lợi nhuận mà trước tiên chuẩn hóa chín chiến lược thành một thư mục có thể tái tạo chỉ bằng một cú nhấp chuột. Một kết quả backtest không thể tái tạo thì chẳng khác nào bịa chuyện.

Đợt bàn giao này gồm ba phần: chín tệp chiến lược, sáu tệp tín hiệu và một notebook thống nhất. Cả chín chiến lược đều chạy thành công; kết quả 9/9 khớp với giá trị kỳ vọng ở từng mục.

Một, tại sao cần tái lập trước thay vì tiếp tục tinh chỉnh tham số

Hai kỳ trước của loạt bài này lần lượt tập trung vào làm sạch danh sách coin và sửa giao diện chọn coin. Đến kỳ này, số lượng chiến lược đã lên tới chín. Tiếp tục thêm tham số thì rất dễ, nhưng mỗi tham số mới lại khiến việc tái lập khó hơn một chút.

Chín chiến lược trước đây đến từ các từ điển cấu hình trong `robust_ablation.py` và `risk_guard_ablation.py`. Cùng một logic chọn coin được sao chép vào các cấu hình khác nhau, còn tham số thì được cố định cứng. Khi thay đổi một tín hiệu, bạn không thể phân biệt tín hiệu thay đổi hay đường dẫn mã thay đổi. Khó hơn nữa, khi người khác nhìn thấy một con số, họ không thể biết con số đó được tạo ra từ phiên bản mã nào, tệp tín hiệu nào hay bộ tham số nào.

Tái lập không phải hình thức. Nó biến chiến lược từ kết quả của một script dùng một lần thành tệp có thể được trích dẫn, so sánh và gửi cho người khác kiểm tra. Dù sau này có thêm funding rate, trượt giá hay thực hiện walk-forward, tất cả đều cần một điểm xuất phát ổn định.

Hai, chín tệp chiến lược: chỉ cố định tham số, không sao chép logic

Tạo thư mục `alpha/crypto/strategy_catalog/` mới và đặt chín tệp chiến lược vào đó. Mỗi tệp tương ứng với một chiến lược:

- Kết hợp top5

- Mô hình buf4 stop loss 35

- mom10 top5 long buf5

- Mô hình buf4 stop loss 10

- Mô hình long buf5 stop loss 10

- mom10 top5

- Mô hình buf4

- Mô hình long buf5

- mom10 top20 long buf5

Cả chín tệp đều là lớp con mỏng, không sao chép logic của lớp cơ sở. Logic chọn coin, vùng đệm thứ hạng và máy trạng thái stop loss vẫn nằm trong `CryptoRobustStrategy` và `CryptoRobustGuardedStrategy`; lớp con chỉ cố định tham số.

Mỗi tệp thống nhất xuất sáu đối tượng: tên chiến lược, nhóm tín hiệu, lớp chiến lược, tham số backtest, chỉ số kỳ vọng trên tập kiểm thử và giá trị đối chiếu trên tập xác thực. Chỉ có ba chiến lược mom10 có giá trị đối chiếu trên tập xác thực; mô hình và chiến lược kết hợp hiện để trống. Notebook dựa vào các đối tượng này để tự động dựng cấu hình, không cần viết tay chín đoạn mã backtest.

Tại sao không triển khai thành chín bản độc lập? Vì nếu chép logic chọn coin vào cả chín tệp, sẽ có chín nguồn tiềm ẩn gây lỗi. Sửa lớp cơ sở chỉ cần sửa một chỗ, cả chín chiến lược đều được hưởng lợi; sửa tham số thì chỉ cần sửa một tệp, không ảnh hưởng đến tám tệp còn lại.

Phần mô tả tiếng Trung ở đầu tệp nêu rõ bốn điều: cách chọn ở hai phía mua và bán; cần nhóm tín hiệu và các cột nào; ý nghĩa của các tham số cố định; và những tình huống khiến chiến lược thất bại. Điều cuối cùng rất quan trọng. Nếu tệp chiến lược chỉ ghi cách kiếm tiền mà không ghi khi nào sẽ thua lỗ, lần sau rất dễ tiếp tục tinh chỉnh một chiến lược đã hỏng.

Ở đây có một cái bẫy cụ thể. `stop_pct` và `stop_cooldown` của ba chiến lược stop loss phải được ghi đồng thời vào `BACKTEST_SETTING`. Vì trình chạy backtest đọc `setting.get("stop_pct")`, chứ không đọc thuộc tính của lớp. Nếu chỉ ghi trên lớp, bản thân chiến lược vẫn nhận diện được stop loss, nhưng trình chạy sẽ không điều chỉnh lãi lỗ sau sự kiện; backtest vẫn cho ra kết quả như thường, nhưng sổ sách của ngày stop loss sẽ sai. Notebook có thêm assertion để đảm bảo thuộc tính của lớp và setting nhất quán; nếu không khớp thì báo lỗi ngay.

Một hạn chế khác là `on_bars` của `CryptoRobustGuardedStrategy` mã hóa cứng p5 và p0, chỉ hỗ trợ chọn coin theo level, không hỗ trợ chọn coin theo tín hiệu kết hợp. Trong chín chiến lược không có chiến lược kết hợp kèm stop loss, nên lần này không sửa lớp cơ sở mà chỉ ghi rõ điều này trong mô tả của ba tệp stop loss. Nếu muốn kết hợp tín hiệu với stop loss trong tương lai, trước tiên cần tách giao diện chọn coin khỏi lớp cơ sở.

Ba, sáu tệp tín hiệu: ba nhóm tín hiệu, mỗi nhóm có một bản kiểm thử và một bản xác thực

Chín chiến lược dùng chung ba nhóm tín hiệu, không cần sao chép thành chín bản:

- Tín hiệu mô hình: p5, p0, score, từ mô hình phân loại 5 lớp LightGBM

- Tín hiệu mom10: động lượng trong 10 ngày giao dịch gần nhất

- Tín hiệu kết hợp: mỗi bên lấy một nửa từ thứ hạng điểm mô hình và thứ hạng động lượng

Mỗi nhóm tín hiệu có hai phiên bản: tập kiểm thử và tập xác thực, tổng cộng sáu tệp.

Tại sao không sao chép một bản tín hiệu cho mỗi chiến lược? Vì tín hiệu là đầu vào, còn chiến lược là cách sử dụng tín hiệu. Cùng một tín hiệu mô hình, top5, buffer4 và stop loss 10 đều là những cách sử dụng khác nhau. Sao chép thành chín bản sẽ khiến việc kiểm tra hash mất ý nghĩa, đồng thời dễ dẫn đến tình trạng sửa một chỗ mà quên sửa chỗ khác.

Tất cả tín hiệu dùng chung một schema; tệp kết hợp có thêm ba cột chẩn đoán:

| Cột | Kiểu | Ý nghĩa |

|---|---|---|

| datetime | Datetime("us") | Nửa đêm ngày giao dịch, thời gian naive |

| vt_symbol | String | Mã hợp đồng |

| signal | Array(Float64, 6) | Xác suất phân loại năm lớp |

| p5 | Float64 | signal[5], xác suất vào nhóm cao nhất |

| p0 | Float64 | signal[0], xác suất vào nhóm thấp nhất |

| score | Float64 | p5 trừ p0 |

| mom_return_10 | Float64 | Động lượng 10 ngày |

| score_rank_pct | Float64 | Phân vị thứ hạng chéo của điểm mô hình, chỉ có trong tệp kết hợp |

| mom_rank_pct | Float64 | Phân vị thứ hạng chéo của động lượng, chỉ có trong tệp kết hợp |

| blend_score | Float64 | Mỗi cột chiếm một nửa, chỉ có trong tệp kết hợp |

Trước khi ghi tệp, kiểm tra bốn điều: ngày khóa chính kết hợp với hợp đồng phải là duy nhất; giao của danh sách hợp đồng và danh sách loại trừ tiền mã hóa thuần phải rỗng; `signal` vẫn phải là `Array(Float64, 6)`, không được biến thành `List`; p5, p0 và score phải nhất quán với nhau.

Còn một điểm dễ bị bỏ qua: không được thay đổi thứ tự dòng.

Khi chọn coin, nếu các thứ hạng ở ranh giới bị trùng nhau, sắp xếp ổn định sẽ dùng thứ tự dòng ban đầu để quyết định coin nào được chọn và coin nào bị loại. Nếu sắp xếp lại tệp tín hiệu theo ngày hoặc hợp đồng, danh mục nắm giữ có thể thay đổi, kéo theo lợi nhuận cũng thay đổi. Vì vậy, mọi thao tác chọn cột và bổ sung cột đều giữ nguyên thứ tự dòng của tệp nguồn; nghiêm cấm sắp xếp. Đây không phải vấn đề phong cách lập trình, mà là vấn đề kết quả có thể tái lập hay không.

Hình 1: Mỗi tệp ở tập kiểm thử có 84 nghìn dòng; mô hình và tín hiệu kết hợp ở tập xác thực có 86 nghìn dòng; tập xác thực mom10 có 120 nghìn dòng. Số dòng của tập xác thực mom10 nhiều hơn không phải vì có nhiều coin hơn, mà vì quy ước mã hóa khác nhau.

Bốn, không thể hoán đổi tập kiểm thử và tập xác thực của mom10

Đây là cái bẫy dễ mắc nhất trong lần này.

Tập kiểm thử mom10 dùng `mom_return_10` đã được cắt ngưỡng trong bộ dữ liệu, với giá trị nằm trong khoảng từ -3 đến 3. Tập xác thực mom10 dùng `mom10` chưa cắt ngưỡng trong bảng risk. Hai tệp trông như chứa cùng một tín hiệu, nhưng thực ra được mã hóa khác nhau.

Không thể hoán đổi chúng, cũng không thể dùng tệp này để tính lại tệp kia. Trước khi so sánh giữa các tập, phải kiểm tra quy ước mã hóa. Nếu ghép thẳng kết quả của hai tập lại, nhìn qua thì đều là mom10, nhưng thực tế chúng không đo cùng một thứ.

Tập xác thực của mô hình còn có một hạn chế khác. VALID tham gia vào quá trình dừng sớm dựa trên IC hằng ngày, nên `model_valid` chỉ có thể được xem là nửa trong mẫu. `best_iteration` của mô hình lần này là 290, IC hằng ngày trên tập xác thực là 0.0373. Không thể xem con số này là kết quả ngoài mẫu thuần túy; cần giảm mức độ tin cậy khi đưa ra kết luận về giai đoạn xác thực sau này.

Để đảm bảo quá trình huấn luyện và chiếu dự đoán không bị sai lệch, notebook có thêm một chốt kiểm tra tương đương trên tập kiểm thử: dự đoán lại tập kiểm thử rồi so sánh từng dòng với `model_test` đã lưu; sai số tuyệt đối lớn nhất phải nhỏ hơn `1e-6`. Sai số thực tế lần này là 0.0.

Năm, một notebook: kiểm tra, tải dữ liệu, backtest và đối soát

Điểm truy cập thống nhất là `strategy_catalog_backtest.ipynb`. Bốn công tắc điều khiển cách chạy:

- `RUN_SEGMENTS=["test"]`: ban đầu chỉ chạy tập kiểm thử

- `FORCE_REBUILD_SIGNALS=False`: chỉ tạo lại tín hiệu nếu bị thiếu

- `RETRAIN_MODEL=False`: mặc định không huấn luyện lại, dùng trực tiếp mô hình đã lưu trong cache

- `ALLOW_MODEL_MISMATCH=False`: nếu mô hình không khớp thì dừng, không âm thầm tiếp tục

Quy trình gồm sáu bước:

1. Tải AlphaLab, các thành phần CRYPTO.LOCAL và lọc tiền mã hóa thuần

2. Kiểm tra hoặc tạo sáu tệp tín hiệu

3. Tải động chín mô-đun chiến lược và dựng danh mục chiến lược

4. Với mỗi tập, tải ba nhóm tín hiệu và OHLC, rồi lần lượt gọi trình chạy backtest

5. Ghi các chỉ số JSON và parquet giá trị tài sản ròng hằng ngày cho từng chiến lược

6. Tạo bảng đối soát, đặt giá trị thực tế, giá trị kỳ vọng, chênh lệch và trạng thái đạt/không đạt cạnh nhau

Backtest tái sử dụng `risk_guard_ablation.run_config`, không viết trình chạy mới. Hàm này đã bao gồm việc thay thế lãi lỗ trong ngày kích hoạt stop loss, xóa phần dư vào ngày hôm sau, giữ lại phí giao dịch và tính lại các chỉ số. Nếu viết thêm một bộ backtest riêng cho danh mục này, sớm muộn gì hai bộ máy cũng sẽ cho ra hai bộ số liệu khác nhau.

Tiêu chuẩn đối soát được cố định:

- Sai số lợi nhuận và mức sụt giảm tối đa không quá 0,01 điểm phần trăm

- Sai số Sharpe không quá 0,001

- Sai số Calmar không quá 0,01

- Số giao dịch và số lần stop loss phải khớp chính xác

Lần này cả 9/9 đều đạt. Chuỗi giá trị tài sản ròng hằng ngày của mỗi chiến lược đều có 457 dòng; vốn cuối kỳ bằng 10 triệu nhân với 1 cộng tỷ suất lợi nhuận. Số lần stop loss của ba chiến lược có stop loss lần lượt là 121, 646 và 652, hoàn toàn khớp với số lần stop loss được ghi nhận ở phía chiến lược.

Không phải gần khớp, mà là khớp từng mục.

Sáu, bảng thành tích của chín chiến lược

Đặt chín chiến lược vào cùng một bảng, sắp theo lợi nhuận từ cao xuống thấp:

| Chiến lược | Tín hiệu | Lợi nhuận | Mức sụt giảm tối đa | Sharpe | Số giao dịch | Số lần stop loss |

|---|---|---:|---:|---:|---:|---:|

| Kết hợp top5 | Kết hợp | +172.93% | -18.44% | 2.076 | 7251 | 0 |

| mom10 top5 long buf5 | mom10 | +152.67% | -30.13% | 1.577 | 5879 | 0 |

| Mô hình buf4 stop loss 35 | Mô hình | +151.47% | -31.42% | 1.635 | 4787 | 121 |

| Mô hình buf4 | Mô hình | +137.55% | -54.80% | 1.368 | 4745 | 0 |

| mom10 top5 | mom10 | +134.22% | -39.03% | 1.385 | 6201 | 0 |

| Mô hình buf4 stop loss 10 | Mô hình | +130.86% | -16.25% | 1.906 | 4719 | 646 |

| Mô hình long buf5 | Mô hình | +115.08% | -51.89% | 1.174 | 4855 | 0 |

| Mô hình long buf5 stop loss 10 | Mô hình | +114.01% | -14.39% | 1.846 | 4743 | 652 |

| mom10 top20 long buf5 | mom10 | +68.98% | -21.81% | 1.563 | 22474 | 0 |

Hình 2: Bên trái là lợi nhuận, bên phải là giá trị tuyệt đối của mức sụt giảm, theo cùng một thứ tự. Màu cam là chiến lược mô hình có stop loss, màu xám là chiến lược mô hình không có stop loss, màu xanh là mom10, màu tím là chiến lược kết hợp.

Hình 3: Đường cong giá trị tài sản ròng của chín chiến lược trong cùng một giai đoạn kiểm thử, với cùng số vốn ban đầu 10 triệu; dùng chung trục tung. Hai con số trong tiêu đề là tổng lợi nhuận và mức sụt giảm tối đa.

Một vài nhận xét:

Thứ nhất, chiến lược kết hợp vẫn đứng đầu. Lợi nhuận +172.93%, mức sụt giảm -18.44%, Sharpe 2.076; cả ba chỉ số đều tốt nhất trong chín chiến lược. Calmar đạt 7.49, và đây cũng là cấu hình duy nhất đồng thời vượt biến thể mom10 tốt nhất về lợi nhuận, mức sụt giảm và Sharpe. Nếu chỉ so với mom10 top5 thì mô hình buf4 stop loss 35 cũng thắng cả ba chỉ số, nhưng vẫn kém mom10 long buffer5 với lợi nhuận +152.67%.

Thứ hai, stop loss có thể giảm mức sụt giảm nhưng không miễn phí. Hai biến thể stop10 giảm mức sụt giảm xuống -14.39% và -16.25%, Sharpe đạt 1.846 và 1.906. Tuy nhiên, kỳ trước đã xác nhận stop10 cực kỳ nhạy với trượt giá; với trượt giá 2%, lợi nhuận gần như bằng không. Stop35 có lợi nhuận +151.47%, mức sụt giảm -31.42%, ổn định hơn và phù hợp khi mức trượt giá chưa chắc chắn.

Thứ ba, mức sụt giảm của các biến thể mô hình cơ sở vẫn nằm trong khoảng -52% đến -55%. Buffer đưa lợi nhuận từ âm lên +115% đến +137%, nhưng không giải quyết được rủi ro đuôi. Cải thiện lợi nhuận và cải thiện rủi ro là hai việc khác nhau; không thể vì lợi nhuận chuyển sang dương mà bỏ qua mức sụt giảm.

Thứ tư, mom10 top20 có lợi nhuận thấp nhất, chỉ +68.98%, với 22474 giao dịch, tần suất giao dịch cao nhất trong chín chiến lược. Mở rộng danh mục nắm giữ không đồng nghĩa với tốt hơn; chi phí giao dịch sẽ ăn mất một phần lợi nhuận. Đây cũng là lý do cần tính đến chi phí trong các bước tiếp theo.

Danh mục này cho thấy các lựa chọn đánh đổi, chứ không chỉ có một chiến lược chiến thắng. Việc chọn chiến lược nào phụ thuộc vào quy mô vốn, mức trượt giá, khả năng chịu sụt giảm và chi phí tái cân bằng.

Bảy, nhật ký tái lập: commit, phiên bản, hash

Mỗi lần chạy, notebook đều tạo một bản ghi tái lập. Nội dung lần này là:

- Thời gian chạy: 2026-10-20T09:39:45

- Git commit: `261a7147ed6810bd4e7a76397a9149f7353a6470`

- Trạng thái workspace: có thay đổi chưa commit

- Python 3.13.13, polars 1.41.2, lightgbm 4.6.0, vnpy 4.4.0

- `best_iteration` của mô hình: 290

- IC hằng ngày trên tập xác thực: 0.03727

- Sai số tuyệt đối lớn nhất của parity trên tập kiểm thử: 0.0

SHA256 của cả sáu tệp tín hiệu cũng được ghi lại:

| Tệp tín hiệu | 12 ký tự đầu của SHA256 |

|---|---|

| model_test | c8e9e5642a78 |

| model_valid | 77e53a0a794b |

| mom10_test | d59cf2be7a10 |

| mom10_valid | 70e25941c252 |

| blend_mom10_test | 1d5b40457ab2 |

| blend_mom10_valid | c379b7b1bab9 |

Trạng thái workspace có thay đổi chưa commit, và cần ghi rõ điều này. Điều đó có nghĩa là kết quả lần này tương ứng với mã chưa được commit; nói chính xác thì người khác có commit ID cũng chưa chắc khôi phục hoàn toàn được kết quả. Trước lần chạy tiếp theo, nên commit trước hoặc lưu lại cả diff. Giá trị của nhật ký tái lập không nằm ở vẻ ngoài đẹp đẽ, mà ở việc lưu lại khác biệt ở nơi có thể truy dấu.

Lần tới khi có người hỏi con số này được tạo ra như thế nào, không cần giải thích; chỉ cần gửi họ nhật ký chạy, hash tín hiệu và notebook.

Tám, giới hạn và kỳ tiếp theo

Trước hết, cần loại bỏ những yếu tố gây nhiễu.

Cả chín kết quả đều chỉ là kết quả trên một giai đoạn kiểm thử duy nhất, từ tháng 7 năm 2025 đến tháng 9 năm 2026, tổng cộng 457 ngày. Các tham số cũng được lựa chọn và điều chỉnh nhiều lần trong chính giai đoạn kiểm thử này, nên đây không phải dữ liệu ngoài mẫu thuần túy. Việc tái lập 9/9 chỉ chứng minh mã và tín hiệu có thể tái tạo con số này, chứ không chứng minh con số đó sẽ lặp lại trong tương lai.

Tập xác thực của mô hình chỉ là nửa trong mẫu vì VALID tham gia vào quá trình dừng sớm. Danh sách coin trong tập xác thực mom10 khác với danh sách trong tập xác thực mô hình, nên không thể so sánh trực tiếp kết quả giữa các nhóm. Lần này cũng chưa tính funding rate, thanh lý cưỡng bức, trượt giá thực tế, coin mới và bộ lọc thanh khoản thấp.

Kỳ tiếp theo sẽ thực hiện ba việc: kết hợp tín hiệu với buffer và stop loss, chạy trên giai đoạn xác thực, rồi thực hiện walk-forward. Nếu kết quả không đứng vững trên giai đoạn xác thực, +172.93% sẽ chỉ là một con số đẹp trên tập kiểm thử và cần quay lại điều chỉnh.

Tái lập không phải đích đến, mà là điểm khởi đầu. Trước tiên hãy xây móng cho vững, rồi mới dựng nhà.

Phòng thí nghiệm định lượng này sẽ tiếp tục công khai ghi chép mọi thứ, từ dữ liệu, yếu tố đến quản trị rủi ro. Nếu thấy hữu ích, bạn có thể lưu lại. Hẹn gặp ở kỳ sau.

#量化交易 #因子研究 #Alpha策略 #Beta中性 #加密货币