CFA, FRM và Quant Finance: Điều mình nhận ra sau vài năm làm research trên thị trường Việt Nam

Một trong những câu hỏi mình gặp rất nhiều từ các bạn muốn theo Quant Finance là “nên học CFA hay FRM?”. Nếu nhìn ở bề mặt, đây là một câu hỏi rất hợp lý vì cả hai đều liên quan đến tài chính, đều có tính học thuật cao và đều được xem như tiêu chuẩn nghề nghiệp trong ngành. Nhưng nếu quan sát kỹ hơn cách các quỹ, ngân hàng và team research thực sự vận hành, mình bắt đầu thấy câu hỏi này phản ánh một sự hiểu nhầm khá phổ biến: nhiều người đang xem CFA, FRM và Quant như ba hướng đi tách biệt, trong khi thực tế chúng là ba lớp kiến thức khác nhau cùng tồn tại trong một hệ thống ra quyết định tài chính duy nhất. Không có ranh giới rõ ràng giữa chúng trong thực tế công việc, đặc biệt là khi bạn bước vào những môi trường có dữ liệu thật, tiền thật và rủi ro thật.

Khi mới bắt đầu làm Quant, mình cũng từng nghĩ đây là một thế giới thuần túy kỹ thuật, nơi mọi thứ được quyết định bởi mô hình, code và dữ liệu. Hình dung phổ biến là những quỹ như Renaissance Technologies, Citadel hay Two Sigma, nơi các nhà toán học và kỹ sư xây dựng các mô hình phức tạp để khai thác những bất hiệu quả rất nhỏ của thị trường. Điều đó đúng nhưng chưa đủ. Vì khi đi sâu vào thực tế, đặc biệt là với những thị trường như Việt Nam, bạn sẽ thấy vấn đề không nằm ở việc “có thể viết model hay không”, mà nằm ở việc “bạn đang mô hình hóa đúng thứ gì”. Rất nhiều lỗi trong research không đến từ thống kê hay coding, mà đến từ việc hiểu sai bản chất kinh tế của dữ liệu ngay từ đầu.

Ví dụ rất thực tế trên thị trường Việt Nam: giả sử bạn xây một chiến lược dựa trên quan sát rằng cổ phiếu được khối ngoại mua ròng liên tục trong nhiều phiên có xu hướng outperform VN-Index trong khoảng 10–30 phiên sau đó. Về mặt thống kê, bạn có thể backtest ra một kết quả khá thuyết phục với Sharpe ổn, hit rate cao và drawdown không quá lớn. Nhưng vấn đề quan trọng hơn nằm ở câu hỏi: tín hiệu này thực sự đến từ đâu. Nó phản ánh dòng vốn ngoại có thông tin tốt hơn thị trường nội địa, hay đơn giản chỉ là việc họ tập trung vào một nhóm cổ phiếu vốn hóa lớn, thanh khoản cao như ngân hàng, chứng khoán và một số bluechip như FPT, HPG, VNM? Nếu là trường hợp thứ hai, thì cái mà bạn đang đo không phải alpha, mà là exposure gián tiếp đến size factor hoặc market beta trong một giai đoạn cụ thể. Đây chính là chỗ mà nhiều research “đẹp về mặt số liệu nhưng sai về mặt bản chất”.

Chính ở điểm này, mình bắt đầu hiểu rõ hơn vai trò của CFA trong thực tế nghiên cứu. CFA không giúp bạn trở thành một quant tốt hơn theo nghĩa viết model hay tối ưu code, nhưng nó cung cấp một framework để hiểu thị trường đang vận hành như thế nào ở tầng kinh tế cơ bản. Khi nhìn một ngân hàng, bạn không chỉ nhìn giá cổ phiếu hay return series, mà bắt đầu đặt câu hỏi về NIM đang mở rộng hay thu hẹp, CASA đang thay đổi thế nào, tăng trưởng tín dụng đến từ đâu, chất lượng tài sản đang cải thiện hay xấu đi, và chu kỳ lãi suất đang tác động ra sao. Khi chuyển sang bất động sản, bạn lại phải hiểu cấu trúc vốn, dòng tiền, áp lực đáo hạn trái phiếu và khả năng tái cấp vốn. Những yếu tố này không trực tiếp xuất hiện trong mô hình định lượng, nhưng lại quyết định liệu một tín hiệu có “có lý” về mặt kinh tế hay không. Trong nhiều trường hợp, một strategy không chết vì thống kê sai, mà vì nó không còn hợp lý trong bối cảnh kinh tế mới.

Mình từng thấy rất nhiều chiến lược trên thị trường Việt Nam giai đoạn 2020–2021 hoạt động cực kỳ tốt. Đó là thời kỳ thanh khoản dồi dào, lãi suất thấp và dòng tiền cá nhân tham gia thị trường mạnh chưa từng có. Rất nhiều momentum strategy, breakout strategy hay small-cap strategy cho kết quả rất ấn tượng. Nhưng khi bước sang 2022, chỉ trong một thời gian ngắn, rất nhiều chiến lược gần như “tắt hiệu quả”. Nếu chỉ nhìn bề mặt, bạn có thể kết luận rằng alpha đã biến mất. Nhưng nếu phân tích sâu hơn, bạn sẽ thấy thị trường đã chuyển regime: thanh khoản giảm, margin bị siết, rủi ro hệ thống tăng lên và đặc biệt là sự kiện trái phiếu doanh nghiệp khiến correlation giữa các nhóm tài sản tăng mạnh bất thường. Điều này dẫn tới việc các giả định nền tảng của backtest trước đó không còn đúng nữa. Đây là chỗ mà tư duy tài chính giúp bạn phân biệt giữa “strategy chết” và “regime thay đổi”.

Nếu CFA giúp mình hiểu thị trường thì FRM lại giúp mình nhìn thị trường từ một góc hoàn toàn khác: góc nhìn về sự sống còn. Đây là điều mà rất nhiều người mới làm research thường bỏ qua. Khi bắt đầu, ai cũng tập trung vào việc tối đa hóa lợi nhuận kỳ vọng: CAGR cao hơn, Sharpe cao hơn, hit rate tốt hơn. Nhưng khi làm việc với vốn lớn hơn hoặc trong môi trường tổ chức, câu hỏi quan trọng hơn thường không phải là “kiếm được bao nhiêu tiền”, mà là “trong kịch bản xấu nhất, chúng ta mất bao nhiêu và có còn tồn tại để tiếp tục chơi không”. Đây là sự khác biệt rất lớn giữa tư duy retail và tư duy risk management.

Nếu nhìn lại các sự kiện lớn trong lịch sử tài chính, từ Long-Term Capital Management năm 1998, khủng hoảng tài chính 2008 cho tới các giai đoạn stress trên thị trường chứng khoán, điểm chung không phải là thiếu alpha, mà là đánh giá sai tail risk và correlation breakdown. Những mô hình hoạt động rất tốt trong điều kiện bình thường, nhưng khi thị trường bước vào trạng thái extreme, các giả định như phân phối lợi nhuận ổn định, correlation thấp hay liquidity luôn tồn tại bắt đầu sụp đổ cùng lúc. Đây là lý do FRM, dù không giúp bạn “kiếm tiền trực tiếp”, lại đóng vai trò cực kỳ quan trọng trong việc bảo vệ capital trong những giai đoạn mà thị trường không còn vận hành như dữ liệu lịch sử.

Một điểm thú vị khác mà mình nhận ra khi làm việc trong môi trường tài chính là Quant không chỉ tồn tại trong hedge fund hay prop trading, mà thực tế đang được sử dụng rất nhiều trong hệ thống ngân hàng, đặc biệt ở Việt Nam. Các mô hình credit scoring, probability of default (PD), loss given default (LGD), IFRS 9 expected credit loss hay stress testing đều là những bài toán định lượng điển hình. Khi một ngân hàng quyết định cấp tín dụng cho khách hàng cá nhân hoặc doanh nghiệp, quyết định đó ngày càng ít mang tính cảm tính và ngày càng phụ thuộc vào dữ liệu, xác suất và mô hình thống kê. Về bản chất, đó chính là một dạng Quant Finance, chỉ khác là mục tiêu không phải tối đa hóa return mà là tối ưu hóa risk-adjusted lending decision.

Ngay cả trong các bộ phận như Treasury, ALM hay Market Risk tại các ngân hàng lớn như Vietcombank, Techcombank, MB Bank hay VPBank, tư duy định lượng xuất hiện gần như hàng ngày. Họ phải xây dựng mô hình dự báo dòng tiền, đo lường rủi ro lãi suất, tính toán duration gap, mô phỏng kịch bản stress test và đánh giá tác động của các cú sốc kinh tế lên bảng cân đối kế toán. Những bài toán này không được gọi là “trading strategy”, nhưng về mặt bản chất, chúng vẫn là optimization, statistics và stochastic modeling – tức đúng bản chất của Quant Finance.

Sau một thời gian làm research, mình bắt đầu không còn nhìn CFA, FRM và Quant như ba con đường riêng biệt nữa. CFA giúp mình hiểu thị trường đang vận hành như thế nào ở tầng kinh tế. Quant giúp mình trả lời dữ liệu đang nói gì và có thể kiểm định giả thuyết ra sao. FRM giúp mình hiểu điều gì có thể khiến toàn bộ hệ thống sai trong những tình huống cực đoan. Trong thực tế, ba lớp này không tách rời mà liên tục giao thoa trong quá trình ra quyết định đầu tư. Một model có thể rất tốt về mặt statistical nhưng sai về economic intuition. Một ý tưởng có thể hợp lý về mặt kinh tế nhưng không tồn tại khi đưa vào dữ liệu thực. Hoặc một strategy có thể hoạt động tốt trong backtest nhưng không survive được khi gặp regime shift hoặc liquidity shock. Do đó, càng đi sâu mình càng thấy lợi thế thật sự không nằm ở việc bạn có CFA, FRM hay biết coding tốt đến đâu, mà nằm ở khả năng kết nối ba lớp tư duy này thành một hệ thống thống nhất: hiểu thị trường đủ sâu để không tự lừa mình bằng backtest, hiểu dữ liệu đủ tốt để không dựa vào trực giác, và hiểu rủi ro đủ rõ để không đánh đổi sự tồn tại dài hạn lấy lợi nhuận ngắn hạn. Và có lẽ đó cũng là điểm giao nhau thực sự giữa CFA, FRM và Quant Finance trong thế giới tài chính hiện đại.