Signal tốt chưa đủ: bài toán khó nằm ở cách phân bổ vốn

Khi nhìn vào một hệ thống Quant, phần dễ gây chú ý nhất thường là bảng ranking: cổ phiếu nào đứng đầu, expected return bao nhiêu, score Momentum hay Quality thế nào. Nhưng với một Quant team thật sự, bảng ranking mới chỉ là đầu vào. Nhà đầu tư cuối cùng không sở hữu một danh sách score; họ sở hữu một portfolio với tỷ trọng cụ thể, beta cụ thể, mức tập trung ngành cụ thể, turnover, drawdown và chi phí giao dịch cụ thể. Vì vậy khoảng cách từ “model chọn đúng cổ phiếu” đến “strategy kiếm được tiền” lớn hơn khá nhiều so với cảm giác ban đầu.

Một ví dụ đơn giản là cùng một model chọn ra 20 cổ phiếu tốt nhất trong VN100. Portfolio A equal-weight mỗi mã 5% và rebalance hàng tuần. Portfolio B cũng sử dụng đúng 20 mã đó nhưng giới hạn mỗi ngành, giảm tỷ trọng cổ phiếu volatility cao, hạn chế turnover và không cho một mã vượt quá mức đóng góp rủi ro nhất định. Signal đầu vào hoàn toàn giống nhau nhưng return, drawdown và khả năng triển khai của hai danh mục có thể rất khác. Đây là lý do trong Quant, performance cuối cùng không chỉ là sản phẩm của prediction model. Nó là kết quả của cả signal, portfolio construction, risk management và execution.

PHẦN 1. STOCK PICKING TRẢ LỜI “MUA GÌ”, NHƯNG PORTFOLIO PHẢI TRẢ LỜI “MUA BAO NHIÊU”

Giả sử model xếp hạng VN100 dựa trên Momentum, earnings revision, valuation và quality. FPT đứng đầu, một ngân hàng đứng thứ hai, một công ty chứng khoán đứng thứ ba. Nếu chỉ nhìn ranking, cách đơn giản nhất là mua những cổ phiếu có score cao nhất. Nhưng ranking không cho biết FPT nên chiếm 3%, 8% hay 15% danh mục. Nó cũng không nói hai cổ phiếu ngân hàng đứng trong Top 10 đang mang gần như cùng một loại risk, hay ba mã bất động sản khác nhau thực tế có thể cùng phản ứng mạnh với một thay đổi về lãi suất và thanh khoản.

Đây là lúc stock picking chuyển thành allocation. Expected return chỉ là một đầu vào. Quant team còn phải xem covariance giữa các vị thế, volatility của từng cổ phiếu, factor exposure, thanh khoản và mức tập trung. Một cổ phiếu có expected return cao nhất chưa chắc nên có tỷ trọng lớn nhất nếu uncertainty của forecast cao hoặc nó làm portfolio tập trung quá nhiều vào một risk đã có sẵn. Ngược lại, một cổ phiếu đứng thứ 15 trong ranking vẫn có thể đáng giữ nếu nó bổ sung một nguồn return ít tương quan với phần còn lại của danh mục.

Ví dụ model xếp ba ngân hàng vào Top 10. Nếu nhìn từng mã độc lập, cả ba đều hấp dẫn. Nhưng nếu portfolio hiện đã có 25% Banking, việc mua thêm cả ba có thể làm phần lớn P&L phụ thuộc vào cùng một macro trade. Một optimizer có sector constraint có thể chỉ lấy hai mã tốt nhất hoặc giảm toàn bộ active weight của nhóm này. Khi đó một cổ phiếu score rất cao vẫn có thể không được mua. Đây không phải model bị “phớt lờ”; portfolio layer đang làm đúng nhiệm vụ của mình là chuyển alpha forecast thành một tập vị thế phù hợp với tổng risk budget.

Điểm này cũng giúp giải thích tại sao một model có Rank IC tốt chưa chắc tạo strategy tốt. Giả sử model thường xếp đúng nhóm outperform, nhưng top-ranked stocks liên tục tập trung vào small cap thanh khoản thấp. Paper portfolio có thể rất đẹp. Khi thêm giới hạn thanh khoản, position size bị giảm mạnh và phần lớn alpha không thể triển khai ở quy mô vốn mong muốn. Signal vẫn có predictive value, nhưng capacity của signal thấp. Nếu chỉ báo cáo IC mà không đi tiếp đến portfolio, researcher sẽ đánh giá quá cao giá trị kinh tế của model.

Một trường hợp khác là turnover. Model A và Model B có Rank IC gần giống nhau, nhưng ranking của A thay đổi mạnh mỗi tuần trong khi B ổn định hơn. Nếu cứ bám sát ranking của A, portfolio có thể phải thay 40–50% vị thế mỗi kỳ rebalance. Khi đưa phí giao dịch, spread và slippage vào, lợi thế của A có thể biến mất. B có predictive power thấp hơn một chút nhưng giữ position lâu hơn và tạo net return tốt hơn. Đây là ví dụ rất rõ cho việc model tốt nhất về forecast chưa chắc là model tốt nhất cho portfolio.

AQR trong white paper Academic Alpha tháng 8/2026 cũng nhấn mạnh rằng việc khai thác style premia không chỉ nằm ở việc nhận diện factor; cách đo signal, mở rộng universe, portfolio construction và risk management đều có thể quyết định chất lượng triển khai cuối cùng. Điều này khá sát với vấn đề stock picking: alpha idea chỉ là nguyên liệu, còn portfolio construction quyết định phần nào của alpha thực sự đến được nhà đầu tư.

Vì vậy, nếu một Quant team chỉ tối ưu prediction accuracy thì đang giải một phần của bài toán. Mục tiêu cuối cùng phải là tối ưu utility của toàn danh mục sau rủi ro và chi phí, chứ không phải làm cho từng forecast riêng lẻ trông đẹp nhất.

PHẦN 2. OPTIMIZER KHÔNG BIẾT TƯƠNG LAI — NÓ CHỈ TỐI ƯU TRÊN NHỮNG ƯỚC LƯỢNG ĐẦY NHIỄU

Đến đây rất dễ nảy sinh một suy nghĩ khác: nếu đã có expected return, covariance và constraints thì chỉ cần cho vào optimizer và lấy portfolio tối ưu. Nhưng thực tế đây lại là nơi một hệ thống Quant có thể tạo ra những vị thế rất kỳ lạ. Expected return là dự báo. Covariance cũng được ước lượng từ dữ liệu. Volatility tương lai chưa biết chắc. Market impact cũng chỉ là estimate. Optimizer vì thế không tối ưu trên “sự thật”; nó tối ưu trên một bộ input có sai số.

Điều nguy hiểm là optimizer thường rất giỏi tận dụng chính những sai số đó. Nếu model cho rằng cổ phiếu A có expected return 12%, B là 10% và C là 6%, optimizer có thể coi chênh lệch này như thông tin chính xác trong khi thực tế confidence interval của cả ba forecast rất rộng. Chỉ cần A bị overestimate một chút, optimizer có thể đẩy tỷ trọng A lên quá lớn. Vì vậy một portfolio tối ưu về mặt toán học chưa chắc là một portfolio hợp lý về mặt đầu tư.

Covariance matrix cũng gặp vấn đề tương tự. Với khoảng 100 cổ phiếu VN100, số lượng pairwise relationships cần ước lượng đã rất lớn. Những correlation này còn thay đổi theo thời gian. Trong giai đoạn bình thường, hai ngành có thể tương quan thấp; khi thị trường stress, correlation có thể cùng tăng mạnh. Nếu optimizer dựa quá nhiều vào correlation lịch sử ổn định, diversification trên giấy có thể biến mất đúng lúc cần nhất.

Đây là lý do constraint không nhất thiết là thứ làm optimizer “kém thông minh”. Nhiều lúc constraint chính là cách bảo vệ portfolio khỏi estimation error. Giới hạn mỗi cổ phiếu 5%, giới hạn active sector weight, đặt turnover budget hoặc shrink covariance có thể làm theoretical optimum thấp hơn nhưng portfolio thực tế ổn định hơn. Một optimizer tự do có thể cho Sharpe backtest cao hơn; một optimizer bị ràng buộc lại có thể sống tốt hơn ngoài mẫu vì nó không được phép đặt cược quá lớn vào những forecast không chắc chắn.

AQR trong bài Total Portfolio Approach: A Quant Lens tháng 5/2026 cũng tiếp cận TPA theo hướng này: việc gỡ bỏ các silo và constraint truyền thống có thể tạo lợi ích, nhưng đồng thời cũng sinh ra những rủi ro khi các guardrail bị loại bỏ quá mức. Tư duy total portfolio vì thế không đồng nghĩa với việc optimizer được tự do tuyệt đối; nó yêu cầu nhìn các quyết định trong bối cảnh tổng danh mục thay vì tối ưu từng bucket riêng biệt.

Ví dụ một Quant team có ba strategy: Value, Momentum và Earnings Revision. Nếu mỗi team con được giao quản lý một bucket riêng rồi tối ưu Sharpe của bucket đó, cả ba có thể vô tình cùng mua một số cổ phiếu Quality large-cap. Mỗi strategy riêng đều đạt target nhưng tổng portfolio lại tập trung. Total Portfolio view sẽ nhìn xuyên qua tên strategy để xem exposure cuối cùng là gì. Ba model khác nhau nhưng cùng long một nhóm cổ phiếu thì về mặt risk chưa chắc đã là ba nguồn alpha độc lập.

Điều tương tự xảy ra với hedging. Một portfolio stock-picking có beta 1,15 không nhất thiết phải bán bớt những cổ phiếu alpha tốt nhất chỉ để đưa beta về 1. Nếu có futures phù hợp, team có thể giữ stock-selection book và hedge phần market exposure ở lớp khác. Quyết định tối ưu lúc này được thực hiện trên tổng portfolio, không phải buộc từng strategy phải tự trung hòa mọi loại risk. Đây cũng gần với logic mà AQR sử dụng khi thảo luận portable alpha trong The Case for Taking a Total Portfolio Approach: alpha và beta có thể được nhìn ở cấp toàn danh mục thay vì bị khóa cứng trong từng bucket đầu tư riêng.

Một điểm rất thực tế là optimizer phải giải thích được tại sao nó không làm theo ranking. Nếu cổ phiếu đứng thứ hai nhưng không được mua, hệ thống nên cho biết nguyên nhân: sector cap đã đầy, liquidity thấp, marginal risk quá cao hay expected transaction cost lớn hơn phần alpha dự báo. Nếu một cổ phiếu score trung bình nhưng có weight lớn, cần biết nó đang đóng vai trò diversification hay risk hedge nào. Nếu không có attribution như vậy, optimizer dễ trở thành một black box thứ hai đặt sau black box prediction model.

Vì vậy portfolio optimization không phải bước “trang trí” ở cuối research pipeline. Nó là nơi Quant team quyết định alpha nào đáng được cấp vốn, bao nhiêu vốn và với loại risk nào.

PHẦN 3. QUANT TEAM CUỐI CÙNG PHẢI TỐI ƯU PORTFOLIO MÀ NHÀ ĐẦU TƯ THỰC SỰ SỞ HỮU

Nếu xây một hệ thống cho VN100, mình sẽ tách pipeline thành các tầng khá rõ. Data layer đảm bảo dữ liệu point-in-time và có thể tái lập. Signal layer tạo expected return hoặc ranking. Portfolio layer chuyển signal thành target weights. Risk layer kiểm soát beta, sector, factor exposure, concentration và stress scenario. Execution layer quyết định lệnh nào thực sự nên gửi dựa trên liquidity và transaction cost. Cuối cùng monitoring layer so sánh expected behavior với những gì đang xảy ra live.

Việc tách tầng này rất quan trọng vì khi performance thay đổi, mình biết giá trị hoặc lỗi xuất hiện ở đâu. Nếu Rank IC tăng nhưng portfolio return không cải thiện, có thể optimizer đang triệt tiêu signal hoặc transaction cost quá cao. Nếu model không thay đổi nhưng drawdown giảm sau khi thêm sector limit, phần cải thiện đến từ risk construction chứ không phải prediction. Nếu gross alpha tốt nhưng net alpha mất gần hết, vấn đề nằm ở execution. Gộp tất cả thành một equity curve duy nhất sẽ khiến researcher khó biết hệ thống thực sự đang tốt lên ở phần nào.

Một ví dụ thực tế là model mới giúp tăng Rank IC từ 0,04 lên 0,055. Nghe khá tốt. Nhưng model mới thay đổi ranking liên tục hơn, khiến turnover tăng từ 20% lên 60% mỗi tháng. Sau transaction cost, net portfolio return gần như không đổi. Nếu chỉ đánh giá model layer, đây là một improvement. Nếu đánh giá total portfolio, gần như chưa có giá trị mới. Ngược lại, một optimizer mới không cải thiện prediction chút nào nhưng giảm concentration, giảm drawdown và giữ gần nguyên return sau phí thì vẫn tạo giá trị rõ ràng cho nhà đầu tư.

Đây cũng là cách nên nhìn risk overlay. Giả sử một market filter làm portfolio giảm exposure khi volatility tăng. Sau khi thêm filter, raw return giảm một chút nhưng maximum drawdown giảm đáng kể. Không thể kết luận model stock picking tốt hơn vì filter đó; phần prediction không thay đổi. Nhưng toàn strategy có thể phù hợp với risk budget hơn. Total Portfolio framework giúp tách đúng attribution: alpha model làm một việc, risk overlay làm một việc khác.

Với portfolio Việt Nam, liquidity và capacity nên được đưa vào từ khá sớm. Nếu một signal mạnh nhất ở các cổ phiếu thanh khoản thấp, optimizer phải biết giới hạn participation rate và position size ngay khi xây target weights. Không nên đợi tới execution rồi mới phát hiện 15% portfolio không thể mua theo giá backtest. Alpha không triển khai được ở quy mô vốn dự kiến không nên được định giá ngang alpha có capacity tốt.

Monitoring cũng cần được thực hiện ở cấp tổng danh mục. Không chỉ theo dõi Sharpe và P&L mà phải nhìn active weights, risk contribution, factor exposure, beta, sector concentration, realized turnover và transaction cost. Một portfolio vẫn đang có lãi nhưng risk contribution của một ngành tăng từ 20% lên 45% có thể đã khác đáng kể so với thiết kế ban đầu. Ngược lại, một giai đoạn P&L âm chưa chắc model hỏng nếu signal quality, exposure và realized behavior vẫn nằm trong vùng dự kiến.

Cách tiếp cận total portfolio của AQR năm 2026 được viết chủ yếu cho bài toán institutional asset allocation, không phải riêng stock picking VN100. Nhưng ý tưởng có thể chuyển xuống cấp Quant equity khá tự nhiên: quyết định đầu tư nên được đánh giá theo đóng góp của nó vào toàn bộ portfolio, chứ không chỉ theo performance riêng của một security, factor hay strategy. AQR cũng lập luận rằng một total-portfolio view có thể giúp khai thác các nguồn return và diversification hiệu quả hơn so với việc nhìn từng allocation bucket riêng lẻ.

Vì vậy một bảng “Top 10 cổ phiếu nên mua” vẫn chỉ là research output. Một investment system phải đi xa hơn và trả lời được: vì sao mã này được mua 6% chứ không phải 10%, vì sao mã score cao kia không được mua, danh mục đang nhận risk từ đâu, cần giao dịch bao nhiêu để đạt target, và phần alpha còn lại bao nhiêu sau chi phí.