QUANT RENAISSANCE: SAU “QUANT WINTER”, SYSTEMATIC INVESTING ĐANG QUAY LẠI THEO CÁCH KHÁC

Quant không chết sau giai đoạn 2018–2020. Điều thay đổi là việc chỉ có thêm nhiều model không còn đủ; thứ quan trọng hơn là có thêm những nguồn thông tin thực sự khác nhau.

Một trong những bài học lớn nhất của Quant Winter không phải là Value thất bại hay Momentum có lúc đảo chiều mạnh. Vấn đề sâu hơn là nhiều chiến lược tưởng như khác nhau lại có thể phụ thuộc vào cùng một số nguồn lợi nhuận. Một quỹ dùng mô hình multifactor, một quỹ sử dụng machine learning và một quỹ khác có hàng trăm tín hiệu riêng biệt vẫn có thể cùng overweight những cổ phiếu tương tự. Khi đó, sự đa dạng nằm trong tên model nhiều hơn là trong rủi ro thực tế của portfolio.

Đây cũng là lý do “Quant Renaissance” đáng quan tâm hơn câu chuyện đơn giản rằng factor investing đã phục hồi. Nếu systematic investing đang bước sang một giai đoạn mới, sự thay đổi quan trọng không phải việc thay Value bằng AI hay thay regression bằng neural network. Thay đổi nằm ở cách các nhóm Quant cố tìm những nguồn thông tin ít trùng lặp hơn với những factor đã được khai thác quá nhiều trước đây, đồng thời đánh giá một signal dựa trên đóng góp của nó vào cả portfolio thay vì chỉ nhìn Sharpe của chính signal đó.

PHẦN 1. QUANT WINTER CHO THẤY “NHIỀU FACTOR” CHƯA CHẮC ĐÃ LÀ DIVERSIFICATION

Giai đoạn 2018–2020 thường được gọi là Quant Winter vì nhiều chiến lược quantitative equity truyền thống cùng trải qua một thời kỳ rất khó khăn. Value chịu drawdown lớn, trong khi sự thống trị của nhóm cổ phiếu tăng trưởng vốn hóa lớn khiến nhiều portfolio systematic gặp khó. Các nghiên cứu sau đó cũng cho thấy đây không đơn giản là câu chuyện một factor riêng lẻ thất bại. Robeco mô tả giai đoạn này như một môi trường mà gần như con đường nổi bật nhất để outperform là sở hữu nhóm large-growth đắt đỏ, trong khi nhiều factor truyền thống không đủ sức bù đắp cho Value.

Điều này rất thực tế nếu nhìn dưới góc độ xây portfolio. Giả sử một Quant team có 50 signal. Có Momentum 20 ngày, Momentum 60 ngày, earnings revision, price acceleration, analyst sentiment, quality-adjusted momentum và một số model machine learning kết hợp các biến này. Trên spreadsheet, đó là 50 factor khác nhau. Nhưng nếu phần lớn chúng đều xếp hạng cao cùng một nhóm cổ phiếu đang có giá tăng, lợi nhuận tốt và được analyst nâng dự báo, portfolio cuối cùng vẫn có thể chỉ đang thực hiện một vài bets lớn.

Đây là một lỗi rất dễ gặp khi xây factor library. Quant Researcher thường đánh giá từng signal độc lập. Factor A có IC tốt. Factor B có Sharpe khá. Factor C cũng tạo được spread giữa nhóm cao và thấp. Vì cả ba đều có kết quả tích cực nên chúng được đưa vào model. Nhưng nếu A, B và C đều phản ứng với cùng một underlying phenomenon, việc kết hợp chúng không tạo thêm nhiều diversification. Portfolio chỉ đang đặt trọng số lớn hơn lên cùng một câu chuyện.

Ví dụ đơn giản trên VN100, mình có thể xây một signal dựa trên lợi nhuận 60 phiên, một signal dựa trên khoảng cách với MA120 và một signal dựa trên số phiên lập đỉnh mới trong ba tháng. Ba biến có tên khác nhau và cách tính khác nhau, nhưng rất có thể cả ba đều đang đo gần giống một thứ: price trend. Nếu đưa cả ba vào model rồi thấy performance tăng, chưa thể kết luận mình đã tìm được ba nguồn alpha. Có thể mình chỉ tăng cường exposure vào Momentum.

Tương tự với fundamental data. Earnings growth, ROE improvement, operating margin expansion và earnings revision có thể trông giống bốn nhóm factor khác nhau. Nhưng trong một số giai đoạn, chúng cùng tập trung vào những doanh nghiệp đang có quality và earnings momentum mạnh. Nếu không kiểm tra correlation giữa signal, factor portfolio return và exposure cuối cùng, một factor library rất lớn vẫn có thể có effective diversification khá thấp.

Đây là phần mình nghĩ Quant Winter mang lại bài học thực tế nhất. Diversification không nên được đo bằng số lượng factor. Nó phải được đo bằng mức độ những factor đó phản ứng khác nhau khi thị trường thay đổi. Mười signal đến từ mười file Python khác nhau nhưng cùng thua tiền trong cùng một market regime vẫn có thể chỉ là một trade được viết lại mười lần.

Man Group nhìn lại Quant Winter cũng nhấn mạnh yếu tố factor crowding và sensitivity với môi trường vĩ mô. Trong các bài tiếp theo của series Quant Renaissance, họ cho rằng một phần ngành systematic đã giảm sự phụ thuộc vào generic factors và chuyển sang các quá trình đầu tư đa dạng hơn, dù mức độ thay đổi không giống nhau giữa các manager.

Điểm quan trọng ở đây là “crowding” không nhất thiết có nghĩa tất cả quỹ cùng chạy đúng một đoạn code. Hai manager có thể dùng thuật toán hoàn toàn khác nhau nhưng vẫn kết thúc ở cùng vị thế. Một bên dùng factor model, một bên dùng gradient boosting, một bên dùng analyst data. Nếu cả ba đều Long cùng nhóm large-cap quality growth và Short cùng nhóm doanh nghiệp yếu, portfolio của họ vẫn có thể phản ứng giống nhau khi market regime đảo chiều.

Vì vậy, nếu đang xây một hệ thống Quant, mình sẽ không chỉ hỏi “factor mới có kiếm được tiền không?”. Mình còn muốn biết nó kiếm tiền khác factor hiện tại ở điểm nào. Đây là thay đổi rất quan trọng trong cách nhìn alpha. Một signal không nhất thiết phải cực mạnh khi đứng một mình. Nếu nó hoạt động trong những thời điểm các signal khác gặp khó và không lặp lại những exposure đang có, đóng góp của nó vào portfolio đôi khi còn lớn hơn một factor có standalone Sharpe rất cao.

PHẦN 2. QUANT RENAISSANCE KHÔNG PHẢI THAY VALUE BẰNG AI, MÀ LÀ TÌM NHỮNG NGUỒN THÔNG TIN KHÁC NHAU HƠN

Trong bài The Quant Renaissance công bố tháng 8/2024, Man Group mô tả sự thay đổi sau Quant Winter theo hướng các manager mở rộng khỏi “traditional factor lexicon”. Họ ghi nhận dispersion giữa performance của các quant managers đã tăng lên và cho rằng alternative approaches đang tạo ra nhiều sự khác biệt hơn giữa các quá trình đầu tư.

Một chi tiết khá đáng chú ý trong nghiên cứu của Man Numeric là correlation giữa hệ thống alpha hiện tại của họ và bộ alpha trước Quant Winter chỉ còn khoảng 40–50% tùy khu vực. Con số này chỉ mô tả hệ thống của Man Numeric, không phải toàn ngành Quant, nhưng nó cho thấy một ý rất quan trọng: một research platform có thể thay đổi đáng kể ngay cả khi vẫn được gọi chung là systematic equity investing.

Trong thực tế, “alternative” không nhất thiết phải là dữ liệu vệ tinh hay một neural network cực phức tạp. Một nguồn thông tin có giá trị có thể đơn giản là thứ mà factor library hiện tại chưa sử dụng. Nếu model đang chủ yếu dựa trên giá và báo cáo tài chính, analyst revisions có thể mang thêm information. Nếu đã có analyst data, corporate filings hoặc text có thể bổ sung. Nếu đã có fundamental và text, market microstructure, liquidity hoặc behavior quanh event có thể mang một loại thông tin khác.

Ví dụ trên thị trường Việt Nam, một factor library cơ bản thường bắt đầu bằng price và fundamental. Ta có Momentum, volatility, Value, profitability, leverage và growth. Nếu tiếp tục tạo thêm hàng chục biến chỉ bằng cách thay lookback hoặc đổi cách chuẩn hóa, số lượng signal sẽ tăng rất nhanh nhưng information set không thay đổi nhiều. Momentum 40 ngày và Momentum 60 ngày có thể khác nhau về tham số, nhưng chúng vẫn xuất phát từ cùng một chuỗi giá.

Một hướng khác là thêm nhóm dữ liệu expectations. Thay vì chỉ hỏi lợi nhuận doanh nghiệp đã tăng bao nhiêu, ta hỏi kỳ vọng đang thay đổi thế nào. Nếu consensus EPS liên tục được điều chỉnh tăng, câu chuyện khác với doanh nghiệp có EPS lịch sử tốt nhưng expectation đang giảm. Trong một factor library, hai loại dữ liệu này có khả năng tạo ra signals ít giống nhau hơn việc thêm một phiên bản khác của ROE.

Text cũng có thể tạo ra một lớp thông tin khác, nhưng điều quan trọng không phải chỉ đưa báo cáo vào LLM rồi gọi đó là Alternative Alpha. Ví dụ có thể nghiên cứu sự thay đổi trong cách ban lãnh đạo nói về nhu cầu, tồn kho, đơn hàng hoặc capex giữa hai kỳ. Nếu text signal cuối cùng chỉ tương quan rất cao với earnings growth đã có, nó chưa chắc bổ sung nhiều. Cái cần đo vẫn là incremental information.

Market structure cũng là một hướng đáng chú ý. Thanh khoản, turnover, mức độ tập trung giao dịch, phản ứng quanh ngày cơ cấu ETF hoặc những thay đổi bất thường của volume có thể chứa thông tin không hoàn toàn trùng với fundamental. Nhưng ở Việt Nam, nhóm tín hiệu này cần đặc biệt cẩn thận vì thanh khoản giữa các cổ phiếu chênh lệch lớn. Một signal rất đẹp ở nhóm cổ phiếu giao dịch ít có thể gần như không triển khai được.

Đây là lý do mình không thích đánh giá một factor mới chỉ bằng standalone Sharpe. Giả sử Factor A có Sharpe 1,3 nhưng correlation với portfolio hiện tại là 0,85. Factor B chỉ có Sharpe 0,8 nhưng correlation với portfolio hiện tại rất thấp và thường có performance tốt trong những giai đoạn A gặp khó. Trong portfolio context, B có thể đáng giá hơn.

Tuy nhiên, correlation thấp cũng chưa đủ. Random noise cũng có correlation thấp. Một signal hoàn toàn vô nghĩa sẽ trông rất “orthogonal” với mọi thứ vì nó chẳng liên quan đến gì cả. Vì vậy một alpha mới cần đồng thời có hai đặc điểm: có predictive evidence riêng và bổ sung được diversification cho các alpha hiện hữu.

Đây là chỗ khái niệm orthogonal alpha trở nên thực tế. Nó không có nghĩa signal phải có correlation bằng 0 với tất cả factor khác. Điều đó gần như không cần thiết. Mục tiêu là tìm một signal vẫn còn phần thông tin riêng sau khi loại những exposure mà mình đã biết.

Ví dụ một model ML có Sharpe cao. Khi kiểm tra exposure, mình phát hiện gần như toàn bộ return của nó được giải thích bởi Momentum và Quality. Model có thể vẫn hữu ích như một cách combine hai factor đó, nhưng mình không nên gọi nó là một nguồn alpha hoàn toàn mới. Ngược lại, nếu sau khi kiểm soát Market, Size, Value, Momentum và Quality mà residual của model vẫn có performance ổn định ngoài mẫu, bằng chứng về incremental alpha sẽ mạnh hơn nhiều.

Đây cũng là lý do AI không tự động tạo ra Quant Renaissance. Nếu đưa cho AI đúng những dữ liệu giá và fundamental mà mọi người đã nghiên cứu hàng chục năm rồi để nó tạo thêm một triệu biểu thức, số lượng factor sẽ tăng nhưng information universe không nhất thiết tăng. AI có thể tăng tốc factor mining; nó không tự tạo ra dữ liệu mới hay một cơ chế kinh tế mới.

Quant Renaissance vì vậy không nên được hiểu là “model mới thắng model cũ”. Nó giống một sự dịch chuyển từ việc tìm một factor mạnh sang việc xây một hệ sinh thái alpha có nhiều nguồn thông tin khác nhau, mỗi nguồn đóng góp một phần nhỏ và không cùng thất bại trong một điều kiện.

PHẦN 3. NẾU XÂY “QUANT RENAISSANCE” CHO VN100, MỘT SIGNAL MỚI PHẢI VƯỢT QUA NHỮNG GÌ?

Nếu mình xây một factor platform cho VN100, bước đầu tiên sẽ không phải tạo càng nhiều indicator càng tốt. Mình sẽ tổ chức factor library theo nguồn thông tin. Price-based signals được đặt cùng một nhóm. Fundamental nằm ở nhóm khác. Expectations, text, ownership/flow và market structure được tách riêng. Việc phân nhóm này rất thực tế vì nó giúp nhìn ngay research platform đang thật sự đa dạng về dữ liệu hay chỉ có hàng trăm biến sinh ra từ cùng một nguồn.

Giả sử hiện tại platform đã có 70 signal nhưng 50 signal đến từ price. Điều này nói cho mình nhiều hơn con số “70 factor”. Nếu Momentum đảo chiều mạnh, rất nhiều signal có thể cùng gặp vấn đề. Khi đó hướng research tiếp theo không nhất thiết là tạo Momentum thứ 51. Có thể tốt hơn nếu dành nguồn lực cho analyst expectations, fundamental revisions hoặc một nhóm dữ liệu hoàn toàn khác.

Khi có signal mới, bài test đầu tiên vẫn là predictive power. Ví dụ xếp toàn bộ VN100 theo score rồi kiểm tra xem nhóm score cao có thực sự tạo return tốt hơn nhóm score thấp trong tương lai hay không. Nhưng mình không muốn chỉ nhìn một backtest tổng từ 2015 đến 2026. Signal cần được kiểm tra qua từng giai đoạn để biết performance có tập trung vào đúng một vài năm hay không.

Sau đó mình sẽ kiểm tra signal có phải “factor cũ mặc áo mới” hay không. Nếu một text model dự báo tốt, hãy xem score của nó tương quan thế nào với Momentum, Value, Quality và Size. Nếu score correlation chưa nói đủ, có thể nhìn return của factor portfolio. Một signal có score khác nhau nhưng cuối cùng vẫn mua cùng nhóm cổ phiếu thì portfolio correlation có thể rất cao.

Bước tiếp theo là kiểm tra incremental contribution. Mình sẽ có một base model gồm các factor đang sử dụng. Sau đó thêm signal mới vào nhưng giữ nguyên phần còn lại. Nếu out-of-sample performance gần như không thay đổi, signal mới có thể không đóng góp nhiều dù standalone backtest đẹp. Nếu Sharpe cải thiện, drawdown giảm hoặc performance ổn định hơn ở các regime khác nhau, lúc đó signal mới bắt đầu chứng minh được giá trị.

Điều này đặc biệt quan trọng với Machine Learning. Một model có thể tăng predictive score một chút nhưng lại khiến portfolio turnover tăng gấp đôi. Sau phí giao dịch, improvement biến mất. Một signal khác có thể chỉ cải thiện forecast rất nhỏ nhưng giảm correlation với các vị thế hiện hữu và làm drawdown portfolio thấp hơn đáng kể. Trong production, signal thứ hai có thể hữu ích hơn.

Mình cũng sẽ cố tình kiểm tra từng nguồn alpha trong những giai đoạn khó. Ví dụ Momentum nên được nhìn riêng trong các đợt reversal mạnh. Value cần được stress ở những giai đoạn growth domination. Liquidity signal cần kiểm tra lúc thanh khoản thị trường giảm. Một signal dựa trên earnings cần xem phản ứng quanh các giai đoạn kết quả kinh doanh biến động bất thường. Nếu tất cả alpha đều yếu cùng lúc, platform vẫn chưa diversified đủ dù correlation trung bình toàn kỳ nhìn khá thấp.

Đối với Việt Nam, còn một vấn đề rất thực tế là data availability. Alternative data nghe hấp dẫn, nhưng một nguồn dữ liệu không ổn định rất khó trở thành production alpha. Nếu analyst estimate chỉ có cho 30 doanh nghiệp, text report bị thiếu lịch sử, hoặc ownership data có timestamp không rõ ràng, backtest có thể đẹp nhưng pipeline live lại không hoạt động như research.

Vì vậy mỗi signal nên có một “production test” riêng. Dữ liệu có xuất hiện đúng thời điểm mình giả định hay không? Nếu báo cáo tài chính được công bố ngày 30 nhưng hệ thống lịch sử ghi ngày cuối quý, model đã vô tình nhìn thấy tương lai. Nếu consensus estimate hiện tại được overwrite mà không lưu snapshot lịch sử, backtest revisions gần như không thể tin được. Đây là những vấn đề ít hấp dẫn hơn machine learning nhưng lại quyết định một Quant strategy có thật hay không.

Một nguyên tắc mình thấy đặc biệt quan trọng là signal không được tự động fallback sang dữ liệu cũ mà không báo. Giả sử feed analyst revisions hôm nay lỗi. Hệ thống giữ nguyên score hôm qua rồi vẫn hiển thị model hoạt động bình thường. Portfolio manager có thể tưởng rằng tín hiệu không thay đổi, trong khi thực tế dữ liệu không được cập nhật. Với production Quant, trạng thái “không có tín hiệu” đôi khi an toàn hơn một tín hiệu có vẻ hợp lệ nhưng được tạo từ snapshot cũ.

Khi signal vượt qua tất cả các bài test đó, câu hỏi cuối cùng mới là allocation. Không phải alpha nào tốt cũng cần có trọng số lớn. Nếu một signal mới có performance tốt nhưng correlation cao với portfolio hiện tại, weight có thể nhỏ. Một alpha yếu hơn nhưng thực sự hoạt động khác biệt có thể nhận weight lớn hơn vì diversification benefit.

Đây cũng là cách mình hiểu thực tế nhất về Quant Renaissance. Không phải Value, Momentum và Quality đã lỗi thời. Những factor đó vẫn có thể là một phần quan trọng của systematic investing. Nhưng một platform chỉ dựa vào vài generic factors rồi tạo thêm hàng chục phiên bản của chúng rất dễ lặp lại vấn đề cũ.

Man Group trong các bài Quant Renaissance sau này cũng quay lại đúng vấn đề này. Họ cho rằng Quant Winter 2018–2020 làm lộ rõ sự phụ thuộc vào generic factors, còn sự khác biệt giữa các manager sau đó ngày càng gắn với việc họ thực sự thay đổi quá trình đầu tư đến đâu. Các nghiên cứu tiếp theo của họ trong năm 2026 tiếp tục nhấn mạnh factor crowding và macro sensitivity là hai nguồn dễ tổn thương của các hệ thống cũ, đồng thời cho rằng một số manager đã phát triển theo hướng đa dạng và linh hoạt hơn.