SMART BETA KHÁC GÌ VỚI QUỸ CHỈ SỐ TRUYỀN THỐNG VÀ QUẢN LÝ CHỦ ĐỘNG?

Khi tìm hiểu về ETF và đầu tư định lượng, có lẽ nhiều bạn đã nghe đến những khái niệm như Passive Investing, Active Investing, Factor Investing và Smart Beta. Điểm thú vị là các phương pháp này đều có thể đầu tư vào cùng một thị trường, thậm chí nắm giữ nhiều cổ phiếu giống nhau, nhưng cách lựa chọn và phân bổ vốn lại rất khác.

Chẳng hạn, nếu muốn đầu tư vào nhóm cổ phiếu vốn hóa lớn tại Việt Nam, bạn có thể lựa chọn một quỹ ETF mô phỏng VN30, tự xây dựng danh mục dựa trên những tiêu chí như định giá, chất lượng doanh nghiệp và độ biến động, hoặc giao vốn cho một nhà quản lý quỹ chủ động lựa chọn cổ phiếu.

Cả ba đều có mục tiêu tạo ra kết quả đầu tư phù hợp với kỳ vọng của nhà đầu tư. Nhưng câu hỏi quan trọng là: Điều gì thực sự tạo ra sự khác biệt giữa ba cách đầu tư này? Smart Beta có phải một phiên bản thông minh hơn của ETF truyền thống, và liệu có thể thay thế hoàn toàn quản lý chủ động không?

Theo mình, đây là một chủ đề khá đáng tìm hiểu khi học Quant Trading, bởi nó kết nối trực tiếp lý thuyết danh mục đầu tư, mô hình nhân tố, dữ liệu tài chính và cách triển khai một chiến lược có quy tắc bằng Python.

PHẦN 1. SMART BETA LÀ GÌ VÀ NẰM Ở ĐÂU GIỮA ĐẦU TƯ THỤ ĐỘNG VÀ CHỦ ĐỘNG?

Để hiểu Smart Beta, trước hết chúng ta cần phân biệt hai cách quản lý danh mục quen thuộc.

Đầu tư chỉ số truyền thống (Traditional Index Investing) thường hướng đến việc mô phỏng hiệu quả của một chỉ số thị trường. Ví dụ, một quỹ ETF theo dõi VN30 sẽ xây dựng danh mục nhằm bám sát chỉ số này, thay vì liên tục dự báo cổ phiếu nào sắp tăng hoặc giảm để tự lựa chọn vị thế.

Đặc điểm phổ biến của các chỉ số truyền thống là sử dụng trọng số vốn hóa thị trường, thường có điều chỉnh tỷ lệ cổ phiếu tự do chuyển nhượng (free-float) và giới hạn tỷ trọng. Những doanh nghiệp có vốn hóa điều chỉnh lớn sẽ có ảnh hưởng lớn hơn đến biến động chỉ số.

Với VN30, phương pháp tính dựa trên vốn hóa điều chỉnh free-float và các giới hạn được quy định trong bộ quy tắc của HOSE. Đáng chú ý, từ tháng 4/2025, theo Bộ quy tắc HOSE-Index phiên bản 4.0, VN30 còn áp dụng giới hạn tỷ trọng theo ngành ở mức 40% nhằm giảm mức độ tập trung quá lớn vào một ngành.

Như vậy, quỹ chỉ số truyền thống không đơn giản là chia đều tiền cho các cổ phiếu. Nó có quy tắc chọn cổ phiếu, tính trọng số, điều chỉnh danh mục và cập nhật dữ liệu rõ ràng.

Ưu điểm của phương pháp này là dễ hiểu, tương đối minh bạch và thường có chi phí quản lý thấp. Tuy nhiên, vì phải bám sát chỉ số, quỹ không chủ động loại bỏ một cổ phiếu chỉ vì nhà quản lý cho rằng định giá của nó đang quá cao, miễn là cổ phiếu đó vẫn đáp ứng tiêu chuẩn của chỉ số.

Ở chiều ngược lại, quản lý chủ động (Active Management) cho phép nhà quản lý danh mục đưa ra quyết định đầu tư dựa trên quá trình nghiên cứu, đánh giá doanh nghiệp, triển vọng kinh tế và điều kiện thị trường.

Ví dụ, một nhà quản lý quỹ có thể quyết định giảm tỷ trọng ngân hàng vì lo ngại rủi ro tín dụng, tăng tỷ trọng công nghệ do kỳ vọng tăng trưởng lợi nhuận, hoặc giữ một phần tiền mặt khi đánh giá thị trường đang có rủi ro cao. Những quyết định này không nhất thiết phải tuân theo trọng số của một chỉ số.

Quản lý chủ động có lợi thế về sự linh hoạt, nhưng kết quả phụ thuộc vào chất lượng nghiên cứu, kỷ luật đầu tư và khả năng ra quyết định của người quản lý. Chi phí nghiên cứu, quản lý và giao dịch cũng là những yếu tố cần cân nhắc.

Smart Beta xuất hiện như một cách tiếp cận nằm giữa hai phương pháp trên.

Thay vì phân bổ vốn chủ yếu theo vốn hóa thị trường, Smart Beta sử dụng những quy tắc được xác định trước để lựa chọn hoặc tăng giảm tỷ trọng cổ phiếu theo một số đặc điểm nhất định, thường được gọi là Factors.

Những Factor phổ biến có thể kể đến:

• Value: Ưu tiên cổ phiếu có mức định giá tương đối thấp theo các chỉ tiêu như P/E, P/B hoặc dòng tiền.

• Quality: Tập trung vào doanh nghiệp có khả năng sinh lời tốt, cơ cấu tài chính lành mạnh và lợi nhuận tương đối ổn định.

• Low Volatility: Hướng đến những cổ phiếu có độ biến động thấp hoặc xây dựng danh mục có rủi ro dự báo thấp.

• Momentum: Ưu tiên những cổ phiếu đã có xu hướng tăng tương đối mạnh trong một khoảng thời gian xác định.

Đây cũng là những nhóm nhân tố được nghiên cứu và ứng dụng trong các bộ chỉ số của MSCI và nhiều tổ chức cung cấp chỉ số khác.

Điểm khác biệt nằm ở chỗ Smart Beta không nhất thiết để một nhà quản lý quyết định từng mã cổ phiếu theo cảm nhận. Thay vào đó, hệ thống có thể sử dụng công thức tính điểm, tiêu chí sàng lọc và quy tắc phân bổ vốn được công bố trước.

Ví dụ, nếu muốn xây dựng một danh mục Smart Beta theo Quality, chúng ta có thể sử dụng ROE, tỷ lệ nợ và mức độ ổn định lợi nhuận để đánh giá doanh nghiệp. Sau đó, xếp hạng cổ phiếu theo điểm Quality, lựa chọn nhóm phù hợp và phân bổ vốn dựa trên những giới hạn đã đặt ra.

Đến kỳ tái cân bằng, hệ thống tính toán lại toàn bộ các chỉ tiêu và cập nhật danh mục. Quyết định đầu tư được thực hiện theo bộ quy tắc thay vì thay đổi tùy ý theo nhận định ngắn hạn.

Điều này không có nghĩa Smart Beta hoàn toàn không có yếu tố chủ động. Việc lựa chọn Factor, phương pháp tính điểm, giới hạn tỷ trọng hay tần suất tái cân bằng đều là những quyết định thiết kế chiến lược. Tuy nhiên, sau khi quy tắc được xác định, quá trình lựa chọn danh mục có thể được thực hiện một cách hệ thống.

Một điểm nữa cần phân biệt là Smart Beta không đồng nghĩa với mọi chiến lược Quant và cũng không phải tất cả mô hình Factor Investing đều là Smart Beta. Factor Investing có phạm vi rộng hơn, có thể bao gồm nhiều nhóm tài sản, chiến lược long-short hoặc sử dụng đòn bẩy. Trong khi đó, Smart Beta thường được hiểu là những chiến lược chỉ số có quy tắc, hướng đến các nhân tố cụ thể và được triển khai dưới dạng danh mục đầu tư hoặc ETF.

Vì vậy, nếu phải tóm tắt thật ngắn, mình sẽ phân biệt như sau: quỹ chỉ số truyền thống chủ yếu muốn phản ánh thị trường; Smart Beta muốn có mức tiếp xúc khác với thị trường theo những đặc điểm định lượng đã xác định; còn quản lý chủ động trao cho nhà quản lý quyền linh hoạt hơn trong quá trình lựa chọn đầu tư.

Điều đáng chú ý là Smart Beta không mặc nhiên tốt hơn hai phương pháp còn lại. Nó chỉ tạo ra một cách phân bổ rủi ro và nguồn lợi nhuận khác, và hiệu quả phụ thuộc vào Factor được lựa chọn cũng như điều kiện thị trường.

PHẦN 2. NẾU TỰ XÂY SMART BETA TRÊN THỊ TRƯỜNG VIỆT NAM, CHÚNG TA SẼ LÀM NHƯ THẾ NÀO?

Để hình dung rõ hơn, hãy thử xây dựng một bài toán nghiên cứu nhỏ.

Giả sử chúng ta muốn kiểm tra liệu một danh mục gồm những doanh nghiệp có chất lượng tài chính tốt có thể tạo ra hiệu quả đầu tư hấp dẫn hơn so với một danh mục phân bổ theo vốn hóa thị trường hay không.

Ở đây, mục tiêu không phải chứng minh ngay rằng Quality Factor sẽ đánh bại VN30, mà là xây dựng một quy trình có thể kiểm tra bằng dữ liệu thực tế.

Bước đầu tiên là xác định tập cổ phiếu nghiên cứu (Investment Universe).

Chúng ta có thể bắt đầu từ các cổ phiếu niêm yết trên HOSE đáp ứng điều kiện về thanh khoản, thời gian niêm yết và khả năng thu thập báo cáo tài chính. Với bài nghiên cứu đầu tiên, không cần đưa hàng trăm cổ phiếu vào mô hình. Một tập cổ phiếu đủ lớn để so sánh nhưng vẫn kiểm tra được dữ liệu sẽ phù hợp hơn.

Điều cần chú ý là phải xác định tập cổ phiếu tại từng thời điểm quá khứ. Nếu muốn backtest từ năm 2018 nhưng lại sử dụng danh sách các doanh nghiệp đang niêm yết năm 2026, kết quả có thể bị survivorship bias, tức thiên lệch do chỉ quan sát những doanh nghiệp còn tồn tại trong tập hiện tại.

Chẳng hạn, những cổ phiếu từng bị hủy niêm yết, gặp khó khăn tài chính hoặc không còn đủ thanh khoản sẽ dễ bị loại khỏi dữ liệu nghiên cứu. Điều này khiến kết quả quá khứ trông tốt hơn thực tế.

Bước thứ hai là lựa chọn Factor và xác định cách tính điểm.

Giả sử chúng ta muốn nghiên cứu Quality Factor đối với nhóm doanh nghiệp phi tài chính. Bộ chỉ tiêu ban đầu có thể gồm ROE, tỷ lệ nợ trên vốn chủ sở hữu và mức độ biến động lợi nhuận qua các năm.

Do các chỉ tiêu có đơn vị và thang đo khác nhau, chúng ta cần chuẩn hóa trước khi kết hợp thành điểm tổng hợp. Chẳng hạn, sử dụng phương pháp xếp hạng phần trăm hoặc z-score để đưa các biến về thang đo có thể so sánh.

Một doanh nghiệp có ROE cao sẽ được đánh giá tích cực ở tiêu chí khả năng sinh lời. Doanh nghiệp có đòn bẩy tài chính thấp hơn có thể được đánh giá tốt hơn ở tiêu chí an toàn tài chính. Doanh nghiệp có lợi nhuận ít biến động được đánh giá cao hơn về tính ổn định.

Tuy nhiên, không nên áp dụng máy móc cùng một công thức cho tất cả ngành. Tỷ lệ nợ trên vốn chủ sở hữu của ngân hàng mang ý nghĩa rất khác so với doanh nghiệp sản xuất. Vì vậy, khi xây dựng điểm Quality, chúng ta cần xem xét chuẩn hóa theo ngành, sử dụng bộ tiêu chí riêng hoặc tách các nhóm doanh nghiệp có cấu trúc tài chính đặc thù.

Đặc biệt, dữ liệu tài chính phải được sử dụng đúng thời điểm công bố.

Ví dụ, báo cáo tài chính quý I phản ánh kết quả đến ngày 31/3, nhưng không có nghĩa toàn bộ thông tin đã sẵn sàng cho nhà đầu tư vào đúng ngày này. Nếu backtest sử dụng số liệu quý I để lựa chọn cổ phiếu tại ngày 31/3, trong khi báo cáo thực tế được công bố sau đó, mô hình đã vô tình sử dụng thông tin tương lai.

Đây là lỗi rất thường gặp khi nghiên cứu Factor bằng dữ liệu lịch sử. Một chương trình Python vẫn có thể chạy bình thường, nhưng kết quả backtest sẽ không đáng tin nếu không kiểm soát ngày công bố dữ liệu.

Bước thứ ba là chuyển điểm Factor thành danh mục đầu tư.

Sau khi tính điểm Quality, chúng ta cần quyết định cổ phiếu nào được lựa chọn và tỷ trọng của từng mã.

Để thực hành, có thể thử một quy tắc giả định: mỗi quý lựa chọn 15 cổ phiếu có điểm Quality cao nhất trong tập đủ điều kiện, phân bổ vốn theo tỷ trọng tương đối đồng đều và giới hạn mức tập trung theo ngành.

Tại đây, chúng ta có thể xây dựng nhiều phương án để so sánh. Phương án thứ nhất là phân bổ theo vốn hóa thị trường. Phương án thứ hai là chia đều tỷ trọng. Phương án thứ ba là phân bổ theo điểm Quality. Phương án thứ tư có thể kết hợp Quality với Value để tránh việc chỉ lựa chọn những doanh nghiệp tốt nhưng có định giá quá cao.

Các phương án này có thể cùng sử dụng một nhóm cổ phiếu, nhưng kết quả hoàn toàn khác nhau do cách phân bổ vốn.

Ví dụ minh họa, giả sử một danh mục chỉ có bốn cổ phiếu A, B, C và D. Phương án vốn hóa có tỷ trọng lần lượt là 50%, 30%, 15% và 5%. Trong khi đó, một chiến lược Smart Beta dựa trên Quality có thể phân bổ lần lượt 20%, 30%, 30% và 20% do đánh giá cao hơn các đặc điểm tài chính của C và D.

Đây chỉ là ví dụ về sự khác nhau trong cách thiết kế trọng số, không phải kết quả mô hình hay dữ liệu của bất kỳ cổ phiếu thực tế nào.

Nếu cổ phiếu A tiếp tục tăng mạnh và vượt trội toàn thị trường, danh mục vốn hóa có thể mang lại hiệu quả cao hơn. Ngược lại, nếu nhóm doanh nghiệp chất lượng tốt có hiệu suất vượt trội, chiến lược Smart Beta có thể hưởng lợi.

Điều này cho thấy Smart Beta không đơn giản là chọn những cổ phiếu tốt. Nó là lựa chọn tiếp xúc nhiều hơn hoặc ít hơn với một số đặc điểm nhất định, đồng thời chấp nhận việc kết quả có thể khác biệt đáng kể so với thị trường chung.

Bước thứ tư là backtest và đánh giá hiệu quả.

Sau khi xây dựng quy tắc, chúng ta sử dụng dữ liệu lịch sử để mô phỏng quá trình lựa chọn, phân bổ và tái cân bằng danh mục.

Với Python, pandas và NumPy có thể hỗ trợ chuẩn bị dữ liệu, tính Factor, xếp hạng và xây dựng danh mục. SciPy hoặc CVXPY có thể được sử dụng khi cần tối ưu hóa trọng số theo các ràng buộc. Khi muốn mở rộng sang những bài toán kiểm thử danh mục có nhiều cấu hình, có thể nghiên cứu thêm VectorBT hoặc các công cụ backtest tương tự.

Tuy nhiên, mình nghĩ không cần bắt đầu bằng một framework phức tạp. Chỉ cần viết được một chương trình tính điểm Factor, xác định danh mục ở từng kỳ tái cân bằng và lưu lại các giao dịch dự kiến là đã có nền tảng để nghiên cứu.

Điểm quan trọng hơn nằm ở cách đánh giá.

Nếu chỉ thấy danh mục Quality tạo ra lợi suất cao hơn VN30 trong một giai đoạn rồi kết luận Smart Beta hiệu quả, chúng ta đang bỏ qua khá nhiều yếu tố.

Trước hết, cần xem danh mục có đang tập trung quá nhiều vào một ngành hay không. Có thể lợi nhuận vượt trội không đến từ Quality Factor mà chủ yếu do danh mục nắm giữ nhiều cổ phiếu thuộc một nhóm ngành tăng mạnh.

Tiếp theo, cần xem xét sự khác biệt về quy mô vốn hóa. Nếu chiến lược Quality vô tình phân bổ nhiều hơn vào nhóm cổ phiếu vốn hóa trung bình, phần hiệu quả vượt trội có thể chịu ảnh hưởng của Size Factor chứ không hoàn toàn xuất phát từ Quality.

Vì vậy, một nghiên cứu tốt nên đo và phân tích mức độ tiếp xúc với các nhân tố khác, thay vì chỉ đặt hai đường lợi nhuận cạnh nhau.

Ngoài lợi nhuận tích lũy, các chỉ tiêu nên theo dõi còn có CAGR, Sharpe Ratio, Maximum Drawdown, Tracking Error, Information Ratio, mức độ tập trung ngành, turnover và chi phí giao dịch.

Tracking Error giúp đo mức độ biến động của lợi nhuận chênh lệch giữa danh mục và benchmark. Information Ratio đánh giá lợi nhuận vượt chuẩn so với mức độ biến động của phần lợi nhuận chênh lệch đó. Hai chỉ tiêu này đặc biệt hữu ích khi mục tiêu của chiến lược là tạo ra kết quả khác biệt so với một chỉ số tham chiếu.

Cần lưu ý thêm rằng benchmark phải được lựa chọn phù hợp và có cùng phương pháp tính lợi nhuận. Nếu danh mục Smart Beta đã tính cổ tức tái đầu tư nhưng benchmark chỉ phản ánh biến động giá, phép so sánh sẽ không tương đồng. Vì vậy, cần sử dụng phiên bản chỉ số tổng lợi nhuận phù hợp hoặc điều chỉnh cách tính để bảo đảm nhất quán.

Cuối cùng là kiểm định ngoài mẫu. Nếu chúng ta dành toàn bộ dữ liệu quá khứ để thử hàng chục Factor, thay đổi trọng số rồi lựa chọn phương án có Sharpe Ratio cao nhất, rất có thể đang tối ưu hóa kết quả lịch sử thay vì phát hiện một hiệu ứng đủ bền vững.

Một quy trình hợp lý hơn là lựa chọn phương pháp bằng dữ liệu nghiên cứu ban đầu, cố định bộ quy tắc và đánh giá trên một giai đoạn chưa được sử dụng để điều chỉnh chiến lược. Khi muốn đánh giá liên tục theo thời gian, có thể sử dụng walk-forward để mô phỏng quy trình cập nhật danh mục trong điều kiện thực tế.

Mình nghĩ đây là điểm khá hay của Smart Beta khi học Quant: một chiến lược có thể không dùng Machine Learning, không cần dự báo giá từng phiên và cũng không đòi hỏi những thuật toán quá phức tạp. Nhưng để làm đúng, chúng ta vẫn cần hiểu thống kê, dữ liệu tài chính, quản trị danh mục và phương pháp backtest.

PHẦN 3. SMART BETA CÓ THỰC SỰ TỐT HƠN ETF TRUYỀN THỐNG? NHỮNG RỦI RO DỄ BỊ BỎ QUA

Đến đây, câu hỏi quan trọng nhất có lẽ là: Nếu Smart Beta sử dụng nhiều thông tin hơn vốn hóa thị trường và được thiết kế có phương pháp, liệu nó có mang lại hiệu quả đầu tư tốt hơn quỹ chỉ số truyền thống không?

Câu trả lời là không có gì bảo đảm Smart Beta sẽ luôn vượt trội.

Mỗi Factor đều có những giai đoạn hoạt động thuận lợi và bất lợi. Một chiến lược Value có thể gặp khó khăn khi thị trường liên tục ưu tiên những doanh nghiệp tăng trưởng cao. Một chiến lược Momentum có thể chịu tổn thất lớn khi xu hướng đảo chiều mạnh. Chiến lược Low Volatility có thể giảm mức độ biến động trong một số điều kiện nhưng vẫn có thể thua lỗ hoặc tụt lại phía sau khi nhóm cổ phiếu biến động cao tăng mạnh.

Ngay cả Quality Factor cũng không đồng nghĩa với việc cứ mua doanh nghiệp có ROE cao là sẽ có lợi nhuận tốt. Một doanh nghiệp rất tốt vẫn có thể là khoản đầu tư kém nếu mức giá mua đã phản ánh quá nhiều kỳ vọng tăng trưởng.

Bởi vậy, khi đánh giá Smart Beta, cần phân biệt chất lượng doanh nghiệp với chất lượng khoản đầu tư, cũng như phân biệt một đặc điểm thống kê quan sát được trong quá khứ với một lợi thế có khả năng duy trì.

Một nghiên cứu đáng chú ý là The Smart Beta Mirage, đăng trên Journal of Financial and Quantitative Analysis năm 2024. Nghiên cứu này đưa ra bằng chứng về hiện tượng hiệu quả của các chỉ số Smart Beta suy giảm sau khi ra mắt so với kết quả backtest trước đó, đồng thời chỉ ra nguy cơ khai thác dữ liệu quá mức trong quá trình thiết kế chỉ số.

Điều này không có nghĩa mọi chiến lược Smart Beta đều không hiệu quả. Nhưng nó cho thấy tại sao chúng ta cần phân biệt giữa kết quả được mô phỏng khi xây dựng chỉ số và kết quả thực tế sau khi phương pháp được công bố và triển khai.

Có một số rủi ro mình nghĩ nên đặc biệt chú ý.

Rủi ro đầu tiên là cách định nghĩa Factor.

Hai quỹ cùng sử dụng tên gọi Quality không nhất thiết nắm giữ cùng một danh mục. Một quỹ có thể ưu tiên ROE, một quỹ khác sử dụng ROE kết hợp đòn bẩy tài chính và độ ổn định lợi nhuận. Ngay cả khi sử dụng cùng chỉ tiêu, phương pháp chuẩn hóa, cách xếp hạng và giới hạn ngành cũng có thể khiến tỷ trọng khác nhau đáng kể.

Với Low Volatility, một số phương pháp lựa chọn cổ phiếu có biến động thấp, trong khi phương pháp khác tối ưu độ biến động của toàn danh mục dựa trên ma trận hiệp phương sai. Hai cách làm này có mục tiêu gần nhau nhưng không nhất thiết cho cùng kết quả.

Vì vậy, khi so sánh các quỹ Smart Beta, chỉ nhìn tên Factor là chưa đủ. Cần đọc phương pháp xây dựng chỉ số và kiểm tra danh mục thực tế.

Rủi ro thứ hai là mức độ tập trung và sự thay đổi tương quan.

Một danh mục Smart Beta có thể vô tình tập trung vào một số ngành. Ví dụ, ở một giai đoạn, các doanh nghiệp có độ biến động thấp có thể xuất hiện nhiều trong nhóm ngành phòng thủ. Nếu chỉ số không kiểm soát giới hạn ngành, phần hiệu quả có thể chịu ảnh hưởng đáng kể của chu kỳ ngành.

Ngoài ra, trong những giai đoạn thị trường căng thẳng, các cổ phiếu trước đây có tương quan thấp vẫn có thể giảm cùng nhau. Một danh mục được tối ưu dựa trên tương quan lịch sử không có nghĩa sẽ luôn duy trì được mức độ đa dạng hóa như kỳ vọng.

Rủi ro thứ ba là chi phí và turnover.

Một lợi thế của quỹ chỉ số truyền thống là thường không cần thay đổi danh mục quá thường xuyên chỉ để duy trì việc tiếp xúc với thị trường. Trong khi đó, một số chiến lược Smart Beta cần định kỳ cập nhật điểm Factor và tái cân bằng tỷ trọng.

Với Momentum, nếu quy tắc phản ứng nhanh trước biến động giá, danh mục có thể thay đổi đáng kể giữa các kỳ. Với Quality hoặc Value, tần suất tái cân bằng thường có thể thấp hơn, nhưng vẫn phụ thuộc vào phương pháp cụ thể.

Turnover càng cao không đồng nghĩa chiến lược càng hiệu quả. Nó có thể tạo thêm phí giao dịch, chênh lệch giá mua bán và trượt giá.

Chẳng hạn, một chiến lược tạo ra lợi nhuận vượt benchmark trước chi phí nhưng phải giao dịch với tần suất cao có thể mất toàn bộ lợi thế khi tính đến phí, thuế và khả năng thực hiện lệnh. Với những cổ phiếu thanh khoản thấp, vấn đề còn lớn hơn khi quy mô danh mục tăng lên.

Đây cũng là lý do phải đánh giá capacity, tức khả năng triển khai chiến lược ở một quy mô vốn nhất định mà không làm thay đổi quá nhiều kết quả dự kiến.

Rủi ro thứ tư là việc điều chỉnh mô hình quá thường xuyên.

Giả sử bạn xây dựng danh mục Value và thấy hiệu quả kém trong vài tháng gần đây. Bạn quyết định tăng trọng số Momentum để cải thiện kết quả. Sau đó, Momentum hoạt động kém, bạn tiếp tục bổ sung Quality. Nếu mỗi lần chiến lược thua lỗ đều dẫn đến thay đổi công thức, chúng ta rất dễ rơi vào tình trạng overfitting trên dữ liệu đang diễn ra.

Một đợt hiệu quả kém có thể xuất phát từ chu kỳ Factor, thay đổi cấu trúc thị trường, sai lệch dữ liệu hoặc lỗi thực hiện giao dịch. Không phải nguyên nhân nào cũng đòi hỏi điều chỉnh mô hình.

Vì vậy, khi triển khai Smart Beta thực tế, nên tách riêng việc đánh giá hiệu suất với việc nghiên cứu thay đổi phương pháp. Đầu tiên cần biết chiến lược đang kém hơn benchmark vì lý do gì, sau đó mới quyết định có cần cập nhật quy tắc hay không.

Ở góc độ lựa chọn sản phẩm đầu tư, mỗi phương pháp có thể phù hợp với một mục tiêu khác nhau.

Nếu bạn muốn tiếp xúc rộng với thị trường, ưu tiên chi phí thấp và không có quan điểm mạnh về một Factor cụ thể, quỹ chỉ số truyền thống có thể là điểm xuất phát hợp lý.

Nếu bạn muốn danh mục nghiêng về những đặc điểm như Value, Quality hoặc Low Volatility và chấp nhận kết quả có thể khác biệt so với thị trường trong thời gian dài, Smart Beta là một cách tiếp cận đáng nghiên cứu.

Nếu bạn muốn người quản lý có quyền linh hoạt lựa chọn cổ phiếu, thay đổi tỷ trọng hoặc phản ứng với những thông tin mà quy tắc cố định khó xử lý, quản lý chủ động có thể phù hợp hơn. Tuy nhiên, lợi thế linh hoạt đó phải được đánh giá cùng với chi phí và hiệu quả thực tế của nhà quản lý.

Một điểm cũng cần nhớ là Smart Beta thường có chi phí quản lý cao hơn các quỹ chỉ số truyền thống đơn giản, nhưng có thể thấp hơn nhiều quỹ chủ động. Đây chỉ là xu hướng chung, không phải quy luật áp dụng cho mọi sản phẩm.

Với người học Quant Trading, mình nghĩ giá trị lớn nhất của Smart Beta không chỉ nằm ở việc xây dựng một danh mục có khả năng vượt chỉ số. Nó còn giúp chúng ta hiểu sâu hơn về nguồn gốc lợi nhuận đầu tư.

Khi một danh mục vượt trội, điều quan trọng là biết kết quả đó đến từ đâu. Do chúng ta nắm giữ nhiều cổ phiếu Value hơn? Do thiên lệch ngành? Do lựa chọn cổ phiếu vốn hóa nhỏ? Hay do một giai đoạn thị trường đặc biệt thuận lợi?

Chỉ khi phân tích được các nguồn tác động này, chúng ta mới có cơ sở đánh giá liệu chiến lược đang khai thác một đặc điểm có ý nghĩa kinh tế hay chỉ tình cờ có kết quả tốt.

Và cũng từ đây, những kiến thức về thống kê, hồi quy nhân tố, tối ưu hóa danh mục, Python và kiểm định ngoài mẫu bắt đầu kết nối với nhau thành một quy trình nghiên cứu hoàn chỉnh.

Lời kết

Smart Beta không phải một phương pháp đầu tư thông minh hơn chỉ vì có chữ “Smart”. Nó là một cách xây dựng danh mục có chủ đích, sử dụng những quy tắc minh bạch để tạo ra mức tiếp xúc với các Factor mà nhà đầu tư mong muốn.

So với quỹ chỉ số truyền thống, Smart Beta chủ động hơn ở khâu thiết kế chỉ số và phân bổ trọng số. So với quản lý chủ động, nó thường có quy trình lựa chọn danh mục nhất quán và dễ tái lập hơn, dù ít linh hoạt hơn khi điều kiện thị trường thay đổi.

Điều quan trọng không phải lựa chọn phương pháp nào nghe có vẻ hiện đại hơn, mà là hiểu mình đang mua loại rủi ro nào, kỳ vọng nguồn lợi nhuận đến từ đâu và l