原文标题：Toán Học Đằng Sau Việc Kết Hợp 50 Tín Hiệu Yếu Thành Một Giao Dịch Thắng Lợi
原文作者：Roan, Chuyên Gia Phân Tích Tiền Điện Tử
翻译、Chú Thích: MrRyanChi, insiders.bot

Nhận Định Ban Đầu

Vào năm ngoái, trong tuần đầu tiên đến trường Ngựa Ô và Mắt Đỏ của Trump Musk @Wharton, tôi và @DakshBigShit đã thành lập @insidersdotbot. Nhờ vào môi trường đất màu tốt của Trường Thương Mại Wharton và vị trí địa lý gần New York, trong vòng bốn tháng, tôi đã có cơ hội trao đổi sâu hơn với không ít đối tác quản lý quỹ đối đầu với số vốn trên hàng tỷ đô la.

Sau đó, khi tôi trở về Trung Quốc Hồng Kông và tận tâm khởi nghiệp, insiders.bot đã trở nên nổi bật, mở ra cơ hội cho tôi trao đổi sâu hơn với các tổ chức lượng tử ở châu Á.

Trong quá trình này, từ lần này đến lần khác tôi đã nghe thấy một từ khái mạng, đó là "tín hiệu".

Tín Hiệu Mở Vị Thế, Tín Hiệu Đóng Vị Thế, và các loại khác. Trong quá trình này: khoảng cách lớn nhất giữa nhà đầu tư lẻ và tổ chức không phải là về lượng thông tin, không phải là về số vốn, mà là về khuôn khổ tư duy. Nhà đầu tư lẻ luôn muốn tìm ra "tín hiệu hoàn hảo" đó, trong khi tổ chức đang dùng một hệ thống toán học để kết hợp các tín hiệu "chưa được chấp nhận" thành một sợi dây.

Các Ví Dụ như Sàn Giao Dịch Binance, OKX, Bitget đã sớm tham gia vào việc thông báo các loại tín hiệu.

Thậm chí, trong giai đoạn đầu của insiders.bot, chúng tôi cũng đã xuất hiện như một "Robot Tín Hiệu". Và tín hiệu v1.2 phổ biến nhất của chúng tôi vào thời điểm đó là tín hiệu tổng hợp từ nhiều tín hiệu thông minh tiền điện tử, nhận được sự đánh giá cao từ nhiều anh hùng trên chuỗi khối. Hệ thống thông báo mà người dự báo thị trường thích nhất @poly_beats về cơ bản cũng là một loại tín hiệu.

Bài viết RohOnChain này là bài viết mà tôi đã từng đọc về khung tư duy "tín hiệu" rõ nhất. Tôi đã dành rất nhiều thời gian để chỉnh sửa, bổ sung và chú thích, với mong muốn rằng ngay cả khi bạn không có bất kỳ nền tảng lượng tử nào, bạn cũng có thể hiểu từ đầu đến cuối.

Phần Thứ Nhất: "Tín Hiệu Hoàn Hảo" Không Tồn Tại

Khi tôi đang trò chuyện với một đối tác quản lý quỹ đã làm việc trong lĩnh vực giao dịch hệ thống hóa suốt hai mươi năm, tôi nghe được một câu làm tôi nghĩ suy nghĩ suốt vài tháng.

Vào ngày đó, anh ấy ngồi đối diện tôi, nhìn chăm chú vào chiến lược mà chúng tôi đang thảo luận, và bình tĩnh nói:

「Bạn luôn cố gắng tìm kiếm tín hiệu đúng duy nhất mãi mãi. Nhưng thứ đó hoàn toàn không tồn tại. Các giao dịch thực sự thành công là của những nhóm có thể đúng đắn kết hợp nhiều tín hiệu 'được một chút đúng' lại với nhau.」

Anh ấy mô tả thứ đó, trong giới lượng tử, có một thuật ngữ chuyên ngành rất trừu tượng:

Tổ Hợp Alpha (Alpha Combination).

Bộ khung này là một bước ngoặt. Nó tách biệt mạnh mẽ giữa các tổ chức có thể liên tục tạo ra lợi nhuận và những nhà đầu tư cá nhân 'nhìn đúng hướng nhưng vẫn lỗ'.

Sau khi đọc bài viết này, bạn sẽ hiểu năm điều:

1. Tại sao việc kết hợp 50 tín hiệu yếu đuối chắc chắn hơn việc chỉ dựa vào 1 tín hiệu mạnh?

2. 'Định Luật Quản Trị Tích Cực' là gì?

3. Tổ chức thực sự đã sử dụng 11 bước nào để biến một loạt tín hiệu tệ thành chiến lược cao tỉ lệ thắng?

4. Tại sao bạn nhìn đúng hướng nhưng cuối cùng vẫn lỗ?

5. Làm thế nào để hoàn thiện hệ thống này trên Polymarket?

Nếu bạn thực sự muốn xây dựng lợi thế giao dịch của mình, hãy không bỏ qua bất kỳ phần nào. Khung này chỉ có hiệu quả khi bạn kết nối năm phần lại với nhau để tận dụng sức mạnh thực sự của nó.

Muốn nói thêm, bài viết này cũng đã được tối ưu hóa về cấu trúc cho AI Agent. Hãy feed nó cho Claude, Manus hoặc bất kỳ AI nào của bạn, sau đó bắt đầu xây dựng mô hình lượng tử của riêng bạn ngay lập tức.

1.1 Điều gì chính là 'Tín Hiệu'?

Trước khi bắt đầu bàn luận về toán học, chúng ta phải thống nhất ngôn ngữ: 'Tín hiệu' chính là gì?

Trong cuộc sống hàng ngày, chúng ta thường nói 'Tôi cảm thấy đồng coin này sẽ tăng', hoặc 'Tôi tin rằng Trump sẽ được bầu cử'. Điều này gọi là quan điểm. Quan điểm là mơ hồ, chủ quan, và không thể được kiểm chứng chính xác.

Nhưng trong bộ khung lượng tử của tổ chức, tín hiệu là một điểm dữ liệu có thể đo lường được, có mối quan hệ thống kê có thể lặp lại với giá cả hoặc xác suất tương lai biến đổi.

Nó phải đáp ứng ba điều kiện:

Có thể đo lường: Nó phải là một con số cụ thể. Ví dụ như "Khối lượng giao dịch trong 24 giờ qua tăng gấp 3 lần," chứ không phải "Số người thảo luận gần đây đã tăng lên."

Có hướng: Nó phải cho bạn biết liệu giá sẽ tăng hay giảm, hoặc xác suất tăng lên hoặc giảm đi.

Có thể lặp lại: Nó không thể là một sự kiện đơn lẻ, phải xuất hiện nhiều lần trong lịch sử và sau mỗi lần xuất hiện, thị trường phản ứng tương tự.

Ví dụ, một số người chơi lớn trên Binance liên tục mua vào, số lượng họ mua là tín hiệu.

Ví dụ, Skew (tỷ lệ tiền thông minh đặt cược lên giá hoặc xuống giá) của chúng tôi @insidersdotbot phiên bản 1.2 cũng là tín hiệu.

Giả sử trên Polymarket: Nếu một ví tiền thông minh với tỷ lệ thắng lên đến 70% lịch sử đặt cược đột ngột 5.000 USD vào một hợp đồng lạ, đó chính là một "tín hiệu cấu trúc cụ thể". Nó là cụ thể (5.000 USD), có hướng (lựa chọn mà họ mua) và có thể lặp lại (bạn có thể kiểm tra lại toàn bộ lịch sử cược của họ).

Sau khi hiểu được tín hiệu là gì, chúng ta hãy xem xét vấn đề tiếp theo: Tín hiệu của bạn chỉ đến đâu thôi?

1.2 IC là gì? "Bảng điểm" của tín hiệu của bạn

Mỗi người đã giao dịch đều trải qua khoảnh khắc này: Phân tích của bạn rõ ràng là đúng, giá cũng đã đi theo hướng bạn dự đoán, nhưng cuối cùng bạn vẫn mất tiền.

Điều này không phải là vấn đề may mắn. Khi bạn chỉ dựa vào một tín hiệu duy nhất để giao dịch, việc mất tiền gần như là điều chắc chắn trên lý thuyết toán học. Hiểu vì sao lại như vậy là cơ sở của tất cả nội dung tiếp theo.

Trong nghiên cứu lượng tử, mỗi tín hiệu đều có một chỉ số đo lường độ chính xác, được gọi là Hệ số Thông tin (Information Coefficient, viết tắt là IC).

IC đo lường mức độ tương quan giữa dự đoán của bạn và xu hướng thị trường thực tế. Bạn có thể hiểu nó như "bảng điểm" của tín hiệu của bạn.

Vậy IC được tính như thế nào? Hãy từng bước một đi sâu vào.

Bước 1, Dự đoán. Giả sử hôm nay có 20 hợp đồng hoạt động trên Polymarket. Bạn sẽ sắp xếp điểm của mình cho 20 hợp đồng đó. Bạn nghĩ hợp đồng A có khả năng tăng giá nhất, xếp hạng 1; hợp đồng B xếp hạng 2, và tiếp tục như vậy đến hạng 20.

Bước 2, Chờ đợi. Chờ một ngày, một tuần, hoặc bất kỳ khoảng thời gian nào bạn thiết lập, để xu hướng thị trường thực sự diễn ra.

Bước 3, So sánh. Sau khi hết thời gian, bạn sẽ sắp xếp cũng một danh sách cho biết tỷ lệ tăng giảm thực tế của 20 hợp đồng đó. Hợp đồng tăng giá nhiều nhất xếp hạng 1, tăng giá thứ hai nhiều nhất xếp hạng 2, và tiếp tục như vậy.

Bước 4, Tính toán. Bây giờ bạn có hai cột xếp hạng: một cột là xếp hạng dự đoán ban đầu của bạn, một cột là xếp hạng kết quả thực tế. Bạn cần tính sự tương quan giữa hai cột xếp hạng này.

Điều này sử dụng một trong các chỉ số tương quan trong thống kê, Hệ số Tương quan Xếp hạng Spearman (Spearman Rank Correlation).

Nghe có vẻ đáng sợ, nhưng logic thật đơn giản:

· Nếu bạn dự đoán hợp đồng xếp hạng 1, và thực tế nó cũng tăng giá nhiều nhất; bạn dự đoán xếp hạng 2, và thực tế cũng xếp hạng 2, thì hai cột xếp hạng của bạn sẽ rất tương quan, IC sẽ gần +1.0.

· Nếu ngược lại hoàn toàn (bạn nói hợp đồng tăng giá nhất nhưng thực tế lại giảm giá nhiều nhất), IC sẽ gần -1.0.

· Nếu không có liên quan gì, IC sẽ là 0.0, chỉ ra rằng tín hiệu của bạn không khác gì việc tung xúc xắc.

Ảnh dưới đây thể hiện ba mức IC khác nhau, mối quan hệ giữa xếp hạng dự đoán và xếp hạng thực tế.

Bên trái là trường hợp IC gần 0.9, các điểm gần như nằm trên đường chéo, chỉ ra sự tương quan cao giữa dự đoán và thực tế.

Ở giữa là trường hợp IC từ 0.05 đến 0.15, các điểm rải rác, chỉ có một xu hướng nhỏ của tương quan dương.

Bên phải là trường hợp IC bằng 0, hoàn toàn ngẫu nhiên, không có quy luật nào.

Tại sao phải sử dụng xếp hạng thay vì sử dụng trực tiếp các giá trị?

Vì thứ hạng không nhạy cảm với các giá trị ngoại lệ. Giả sử một hợp đồng tăng mạnh 500% do một sự kiện Black Swan, nếu bạn tính toán tương quan bằng giá trị số, điểm ngoại lệ này sẽ làm sai lệch toàn bộ kết quả. Nhưng nếu bạn sử dụng thứ hạng, nó chỉ là "hạng 1" thôi, không ảnh hưởng đến hạng của các hợp đồng khác. Đó là lý do tại sao các tổ chức thích sử dụng Hệ số tương quan Spearman thay vì Pearson.

Trong thực tế, bạn sẽ không tính chỉ IC của một ngày. Bạn sẽ lặp lại quá trình này nhiều ngày (ví dụ 100 ngày), sau đó lấy giá trị trung bình. Giá trị trung bình đó chính là IC trung bình của tín hiệu của bạn.

Vậy, bạn đoán IC của các sàn giao dịch hàng đầu tại Wall Street, những tín hiệu được vận hành bằng hàng tỷ đô la, là bao nhiêu?

Đáp án là: Từ 0.05 đến 0.15.

Hãy nhìn vào con số này một lần nữa. Tín hiệu độc lập cấp tổ chức, cao cấp nhất, trong hầu hết thời gian đều là sai. Không phải đôi khi sai, mà thường là sai trong phần lớn thời gian.

IC = 0.05 có ý nghĩa gì?

Nó có nghĩa là có chỉ có tương quan 5% giữa tín hiệu của bạn và diễn biến thực tế của thị trường. Nếu bạn vẽ một biểu đồ phân tán, các điểm gần như phân bố ngẫu nhiên, chỉ có một khuynh hướng rất nhỏ dương.

Điều này không phải là tín hiệu thất bại. Đó chính là bản chất của thị trường cạnh tranh. Khi một lợi thế mạnh mạnh mẽ được phát hiện, vốn sẽ tràn vào một cách điên cuồng, cho đến khi lợi thế này bị khai thác hết, nén xuống mức rất thấp. Trong một thị trường hiệu quả, giữ vững IC 0.05 đã là một thành tựu rất lớn.

Vì tín hiệu đơn có vẻ yếu như vậy, tổ chức kiếm tiền như thế nào cuối cùng?

1.3 Bí mật vũ khí của tổ chức: Định luật quản lý tích cực

Năm 1994, hai người tiên phong nghiên cứu lượng tử Richard Grinold và Ronald Kahn trong tác phẩm của họ "Quản lý Danh mục Hoạt động", đã đưa ra một công thức đã thay đổi toàn bộ ngành quản lý tài sản:

IR = IC x √N

Phương trình này được gọi là Định lý Cơ bản của Quản lý Chủ động (The Fundamental Law of Active Management).

Vậy, ba chữ cái này đại diện cho cái gì?

IR (Tỷ lệ Thông tin, Information Ratio) là "điểm tổng hợp" của toàn bộ hệ thống giao dịch của bạn. Nó đo lường lợi nhuận mà bạn có thể kiếm được cho mỗi đơn vị rủi ro bạn chịu. Bạn có thể coi nó như một chỉ số "giá trị đồng hành". IR càng cao, đồng nghĩa với chiến lược của bạn càng "ổn định". Trong cộng đồng định lượng, IR đạt 1.0 đã được coi là mức đỉnh cao.

IC (Hệ số Thông tin, Information Coefficient) chính là điều mà bạn vừa dành cả buổi giảng để nói: độ chính xác trung bình của tín hiệu đơn lẻ của bạn.

N là số lượng tín hiệu độc lập trong tổ hợp của bạn. Hãy lưu ý rằng "độc lập" ở đây rất quan trọng. Tôi sẽ giải thích kỹ hơn trong phần thứ tư.

Bây giờ, thông tin cốt lõi của phương trình này là: hiệu suất của toàn bộ hệ thống (IR) bằng độ chính xác của tín hiệu đơn lẻ (IC) nhân với căn bậc hai của số lượng tín hiệu (√N).

Vậy, câu hỏi đặt ra là: Tại sao là căn bậc hai? Tại sao không phải nhân trực tiếp với N? Câu hỏi này rất quan trọng, và tôi sẽ giúp bạn dẫn chứng từ đầu.

Hãy tưởng tượng bạn đang tung đồng xu. Mỗi lần xấp mặt trên bạn thắng 1 đô la, mặt ngửa bạn thua 1 đô la.

Nếu bạn chỉ tung 1 lần, kết quả hoàn toàn ngẫu nhiên. Bạn thắng hoặc thua 1 đô la.

Nhưng nếu bạn tung 100 lần? Giá trị kỳ vọng của tổng lợi nhuận của bạn là 0 (vì có một nửa mặt trên và mặt ngửa). Nhưng chính sự biến động là quan trọng. Thống kê cho chúng ta biết, biến động tổng của 100 lần tung độc lập không phải là 100, mà là √100 = 10.

Tại sao vậy? Bởi vì khi các sự kiện ngẫu nhiên độc lập chồng lên nhau, tiếng ồn của chúng sẽ một phần tản ra. Mặt trên và mặt ngửa sẽ xen kẽ nhau, không phải cùng hướng. Vì vậy tổng biến động tăng chậm hơn số lần tổng.

Bây giờ áp dụng logic này vào tổ hợp tín hiệu. Giả sử bạn có N tín hiệu độc lập, mỗi tín hiệu đều có một ưu thế nhỏ (IC lớn hơn 0).

Tổng lợi nhuận của bạn (tích hợp lợi nhuận từ tất cả các tín hiệu) sẽ tăng theo cấp số nhân của N. Bởi vì mỗi tín hiệu bổ sung sẽ mang lại một chút lợi thế nhỏ. Tổng lợi nhuận từ 10 tín hiệu sẽ là 10 lần của một tín hiệu.

Nhưng tổng rủi ro của bạn (tích hợp nhiễu từ tất cả các tín hiệu) chỉ tăng theo căn bậc hai của N. Bởi vì các nhiễu độc lập sẽ tương phản lẫn nhau. Tổng nhiễu từ 10 tín hiệu độc lập không phải là 10 lần của một tín hiệu mà chỉ khoảng 3.16 lần (√10 ≈ 3.16).

Do đó, tỷ lệ thông tin của bạn = Tổng lợi nhuận / Tổng rủi ro = (IC x N) / (σ x √N) = IC x (N / √N) = IC x √N.

Đó chính là lý do của IR = IC x √N.

Biểu đồ trên mô tả mối quan hệ này. Đường màu xanh lá cây là tổng lợi nhuận, tăng tuyến tính theo số lượng tín hiệu. Đường màu xanh dương là tỷ lệ thông tin IR, tăng theo √N. Lợi nhuận tăng, rủi ro cũng tăng, nhưng lợi nhuận tăng nhanh hơn rủi ro. Sự chênh lệch giữa hai đường ngày càng lớn.

Sự chênh lệch này chính là lợi thế giao dịch mà bạn thu được bằng cách thêm vào các tín hiệu độc lập.

Hãy cùng tính toán một ví dụ cụ thể để cảm nhận sức mạnh của công thức này.

· Tình huống A: Bạn có 50 tín hiệu yếu. Mỗi tín hiệu rất yếu, IC chỉ có 0.05. Vậy nên tỷ lệ thông tin của hệ thống kết hợp của bạn là 0.05 x √50 = 0.05 x 7.07 = 0.354.

· Tình huống B: Một người giao dịch khác có 1 tín hiệu mạnh. Anh ta tìm kiếm khó khăn và cuối cùng tìm thấy một tín hiệu đơn lẻ rất mạnh, IC lên tới 0.10 (gấp đôi chính xác của bạn). Nhưng vì anh ta chỉ có một tín hiệu, tỷ lệ thông tin của anh ta là 0.10 x √1 = 0.10.

Bạn sử dụng 50 tín hiệu rác có độ chính xác chỉ bằng một nửa của anh ta, kết hợp lại thành một hệ thống, hiệu suất là 3.5 lần so với "tín hiệu vĩ đại" của anh ta.

Đó chính là lý do tại sao các quỹ đầu tư không đặt cược toàn bộ vào một "chỉ báo hoàn hảo", mà thay vào đó chúng sẵn sàng thuê rất nhiều nhà nghiên cứu để khai thác hàng trăm tín hiệu yếu, bởi toán học đã chứng minh rằng việc tìm kiếm tín hiệu hoàn hảo là một con đường tử thần.

Hướng đúng là: Thu thập càng nhiều tín hiệu yếu độc lập càng tốt, sau đó kết hợp chúng bằng toán học.

Ý tưởng này thực ra cũng là cảm hứng cốt lõi khi chúng tôi phát triển bộ lọc ví insiders.bot. Thay vì yêu cầu người dùng tìm một "ví tiền thông minh hoàn hảo", hãy hỗ trợ người dùng theo dõi đồng thời hàng trăm ví tiền với các chiến lược khác nhau, hướng khác nhau và tỷ lệ chiến thắng cao, kết hợp các tín hiệu yếu này có thể đạt được kết luận thực sự chính xác.

Bài Tập Nâng Cao 1:

Đánh giá trung thực tín hiệu giao dịch mà bạn hiện tại phụ thuộc nhiều nhất. IC của nó là bao nhiêu? Nếu bạn chưa bao giờ đo lường nó một cách hệ thống, điều đó có nghĩa bạn luôn đang "bay mù".

Hãy thử, sử dụng Python viết một đoạn mã backtesting đơn giản. Ghi lại xếp hạng dự đoán của bạn trong 30 ngày qua và xếp hạng kết quả thực tế, sau đó sử dụng hàm scipy.stats.spearmanr() để tính IC của bạn. Bạn có thể sẽ bất ngờ với kết quả.

Nếu bạn muốn xây dựng nền tảng vững chắc về xác suất, tôi khuyến nghị khóa học Miễn phí Giới thiệu về Xác suất của Đại học Harvard, chỉ cần học 6 chương đầu là đủ.

Sau khi hiểu tại sao cần kết hợp các tín hiệu, bước tiếp theo là tìm hiểu: Tìm các tín hiệu này ở đâu?

Phần 2: Nguyên Liệu Tín Hiệu Lớn

Ở Phần 1, chúng tôi đã xác định điều gì là tín hiệu (dữ liệu có thể đo lường, có hướng, và là điểm dữ liệu có thể lặp lại).

Nhưng một tín hiệu không cần phải rất mạnh. Nó chỉ cần trong một lượng lớn quan sát, hiển thị một chút so với việc tung đồng xu, và loại "chút so với" này là ổn định và có thể xác thực.

Vậy tổ chức thực sự tìm kiếm điểm dữ liệu "chút so với" như thế nào?

Dưới đây là năm loại tín hiệu cốt lõi mà các sàn giao dịch hệ thống hóa thực sự sử dụng.

2.1 Tín Hiệu Giá và Đà Mạnh

Tín hiệu Đà Mạnh hướng đến xem giá đã di chuyển theo hướng nào và di chuyển nhanh như thế nào trong một khoảng thời gian trước đó.

Tại sao Tín hiệu Đà Mạnh hiệu quả? Bởi vì phản ứng của các nhà tham gia thị trường đối với thông tin mới có tính ổn định.

· Trong thời gian ngắn, mọi người phản ứng không đủ nhanh, dẫn đến xu hướng tiếp tục.

· Trung hạn, mọi người thường phản ứng quá mạnh, d导致 giá cả phải điều chỉnh lại.

Hãy tưởng tượng một chiếc tàu hỏa đang tăng tốc. Ngay cả khi lái xe buông chân ga, tàu không ngừng ngừng lại ngay lập tức. Do đà động, nó sẽ tiếp tục chuyển động một quãng đường nữa. Tín hiệu đà động chính là khoảng đường "tích lũy đà" đó.

Làm thế nào để sử dụng trên Polymarket?

Giả sử một hợp đồng đã từ $0.40 trong vòng 3 ngày tăng ổn định lên $0.55, đồng thời khối lượng giao dịch cũng tăng ổn định. Điều này cho thấy có áp lực mua liên tục đẩy giá.

Khả năng tiếp tục tăng giá trong tương lai gần là khá cao. Không phải vì bạn biết điều gì bí mật, mà vì đà động thị trường vẫn chưa được tiêu thụ hết.

Trong nghiên cứu lượng tử, công thức đà động cơ bản nhất là tính trung bình lợi nhuận trong d dài ngày đã trôi qua: E(i) = (1/d) x Σ R(i,s). ở đây d là số ngày bạn chọn để nhìn lại, R(i,s) là lợi nhuận của hợp đồng i vào ngày thứ s.

2.2 Tín hiệu Hồi quy Trung bình

Tín hiệu Hồi quy Trung bình đo lường mức mà tài sản bị lệch khỏi "Giá trị hợp lý".

Điều cốt lõi của nó là: giữa các tài sản có liên quan, tỷ lệ giá nên ổn định. Khi mối quan hệ này bị đổ vỡ, sức mạnh hồi quy sẽ đưa nó trở lại.

Hãy xem xét một ví dụ trên Polymarket. Giả sử có hai hợp đồng: "Trump thắng bầu cử" và "Đảng Cộng hòa thắng bầu cử". Thông thường, hai xác suất này sẽ nằm cùng một nhóm (vì Trump là ứng cử viên của Đảng Cộng hòa). Nếu một ngày nào đó xác suất "Trump thắng" giảm mạnh 10 điểm phần trăm, nhưng xác suất "Đảng Cộng hòa thắng" giảm chỉ 2 điểm phần trăm, đây chính là một tín hiệu hồi quy trung bình mạnh mẽ. Thị trường định giá sai lầm, và sớm muộn sẽ định vị lại.

Tín hiệu Hồi quy Trung bình giống như một sợi dây cao su. Bạn kéo nó càng xa, sức mạnh khi nó quay lại càng lớn. Nhưng hãy lưu ý, dây cao su cũng có thể bị kéo đứt. Vậy nên, tín hiệu hồi quy trung bình cần được sử dụng cùng với các tín hiệu khác, không phải dựa vào một mình.

2.3 Tín hiệu Biến động

Tín hiệu Biến động quan sát sự chênh lệch giữa biến động ngụ ý (biến động thị trường được dự đoán) và biến động đã thực hiện (biến động thực tế).

Tại sao lại có sự khác biệt này? Bởi vì những người bán ra biến động (như người bán quyền chọn) chịu trách nhiệm với rủi ro đuôi lớn. Họ cần được bồi thường bổ sung để bảo vệ cho những trường hợp cực đoan đó. Điều này tương tự như việc một công ty bảo hiểm luôn thu phí cao hơn giá trị kỳ vọng của việc bồi thường thực tế.

Trên Polymarket, tín hiệu biến động có thể hiểu như sau: Nếu giá của một hợp đồng dao động mạnh giữa $0.45 và $0.55, nhưng cơ bản không có bất kỳ thay đổi ý nghĩa nào xảy ra (không có tin tức mới, không có thay đổi chính sách), thì "biến động giả tạo" như vậy chính là một tín hiệu. Nó cho bạn biết người tham gia thị trường đang trong tình trạng hoảng loạn hoặc phấn khích, nhưng cảm xúc này thường là quá đà, giá sẽ cuối cùng trở về mức hợp lý.

2.4 Tín hiệu Yếu tố

Tín hiệu Yếu tố là điều khoản hủy diệt về lợi nhuận đã được chứng minh qua nhiều thập kỷ nghiên cứu học thuật. Năm yếu tố nổi tiếng nhất bao gồm:

· Giá trị (Value)

· Đà (Momentum)

· Biến động thấp (Low Volatility)

· Mang (Carry)

· Chất lượng (Quality)

Mỗi yếu tố, đều biểu thị một thiếu sót liên tục của hành vi con người hoặc cấu trúc thị trường trong việc định giá rủi ro.

Ví dụ, "yếu tố giá trị" hiệu quả vì con người thiên về theo đuổi những thứ đang hot. Các hợp đồng mà mọi người đều đang bàn luận, thường đã được định giá đầy đủ rồi. Trong khi những hợp đồng "lạnh lùng" không ai quan tâm, thì lại dễ có sai lệch trong giá.

Trên Polymarket, điều này có nghĩa là bạn nên dành thêm thời gian nghiên cứu những hợp đồng có lượng giao dịch nhỏ, nhưng cơ sở không thay đổi, thay vì theo đuổi những cược phổ biến mà hàng ngàn người đã nhìn chăm chú. Đó cũng là lý do tại sao chúng tôi đã thêm các chỉ số như biến động, thị trường mới nhất, khối lượng giao dịch, số lượng người giao dịch, vv. để giúp người dùng dễ dàng tìm thấy các chỉ số của thị trường có tiềm năng Alpha.

2.5 Tín hiệu Cấu trúc Tiểu ngạch

Tín hiệu cấu trúc tiểu ngạch là niềm yêu thích của các nhà giao dịch tần suất cao. Nó nhìn vào sự mất cân đối của sổ lệnh, biến đổi độ lớn của mức giá mua bán và tính tấn công của khối lượng giao dịch.

Thời gian hiệu lực của những tín hiệu này rất ngắn, thường chỉ trong vài phút đến vài giờ. Nhưng chúng có thể cho bạn biết một điều rất quan trọng: trước khi giá thực sự di chuyển, những người thông minh sở hữu thông tin đang mở vị thế ở đâu.

Effective Spread (Độ chênh lệch hiệu quả) là một trong những chỉ báo phổ biến nhất để đo lường cấu trúc tài chính cơ bản:

Effective Spread = 2 x |Giá giao dịch - Giá trung bình|

Độ chênh lệch hiệu quả càng lớn, thị trường càng thiếu thanh khoản, chi phí giao dịch càng cao. Khi độ chênh lệch hiệu quả mở rộng đột ngột, thường biểu thị rằng có người biết tin đang tham gia, các nhà tạo lập thị trường mở rộng chênh lệch để bảo vệ bản thân.

Một chỉ báo quan trọng khác là VPIN (Volume-Synchronized Probability of Informed Trading, Xác suất Giao dịch Có Kiến Thức Đồng bộ với Khối lượng). Chỉ báo này đã được giới thiệu vào năm 2012 bởi ba giáo sư Easley, Lopez de Prado và O'Hara. Nó dựa vào sự mất cân đối giữa khối lượng mua và bán để ước lượng tỷ lệ giao dịch do "người biết tin" thúc đẩy trên thị trường.

VPIN được tính toán khá trực quan: chia khối lượng giao dịch thành các "thùng" cố định (ví dụ mỗi 1000 giao dịch một "thùng"), sau đó quan sát sự chênh lệch giữa khối lượng mua và bán trong mỗi "thùng". Nếu sự chênh lệch lớn, điều đó chỉ ra một bên đang tấn công một cách không cân đối, thường biểu thị người biết tin đang hành động.

Khi VPIN tăng đột ngột, thường biểu thị rằng có người biết điều bạn không biết. Vài giờ trước khi "Flash Crash" năm 2010 xảy ra, VPIN đã bắt đầu tăng đột biến.

Trên Polymarket, hành vi trên chuỗi của "tiền thông minh" là tín hiệu cấu trúc cơ bản trực tiếp nhất. Khi một ví tiền có tỷ lệ chiến thắng lịch sử trên 65% đặt một lệnh mua lớn trên một hợp đồng cụ thể, đó là một tín hiệu rất có giá trị.

Chúng tôi về bản chất thực hiện trong trình duyệt tiền thông minh của insiders.bot và các tín hiệu v1.2/v1.3 là truyền tải ngay lập tức những tín hiệu cấu trúc cơ bản trên chuỗi đến bạn.

Hãy nhớ, bất kỳ một trong năm loại tín hiệu này, nếu được xem riêng lẻ, đều không đủ để tạo nên lợi thế theo hệ thống. Chúng chỉ là nguyên liệu.

Tiếp theo, chúng ta sẽ đi vào phần quan trọng nhất: bộ "động cơ kết hợp" biến nguyên liệu thành vàng.

Bộ "Động cơ Kết Hợp" 11 Bước: Phần 3

Đây là phần khó nhất của toàn bài: 11 bước này là quy trình hoàn chỉnh mà các tổ chức sử dụng để chuyển đổi một tập hợp tín hiệu nguyên thủy thành một tổ hợp trọng số tối ưu.

11 bước này có thể phân chia thành bốn giai đoạn: Chuẩn bị Dữ Liệu, Loại Bỏ Nhiễu Thị Trường, Trích Xuất Ưu Điểm Độc Lập, Phân Bổ Trọng Số Tối Ưu.

Hãy làm rõ ngữ cảnh một chút: Giả sử bạn có N tín hiệu (ví dụ: 50 tín hiệu). Mỗi tín hiệu đã tạo ra một dãy dữ liệu lợi nhuận trong một khoảng thời gian trước đó (nghĩa là hằng ngày đã kiếm được bao nhiêu hoặc mất bao nhiêu).

Công việc của hệ thống kết hợp này là dựa trên dữ liệu lịch sử đó để tính toán phân bổ vốn tín hiệu mỗi tín hiệu.

Giai Đoạn Một: Chuẩn Bị Dữ Liệu

Mục tiêu của giai đoạn này là đưa tất cả các tín hiệu lên cùng một đường xuất phát.

Bước 1: Thu thập Hiệu Suất Lịch Sử của Mỗi Tín Hiệu

Đây là bước cơ bản nhất. Bạn cần ghi lại hiệu suất thực tế của mỗi tín hiệu trong mỗi đoạn thời gian trong quá khứ.

Ví dụ, tín hiệu đà theo đà của bạn trong 30 ngày qua, ngày thứ nhất kiếm được 2%, ngày thứ hai mất 1%, ngày thứ ba kiếm được 0.5%... Ghi lại tất cả dữ liệu này. Mỗi tín hiệu đều có một cột dữ liệu như vậy.

Theo ngôn ngữ toán học, đó là việc thu thập lợi nhuận của mỗi tín hiệu i trong mỗi đoạn thời gian s, ký hiệu là R(i,s).

Bước 2: Loại Bỏ Độ Biến (Khử Trung Bình)

Trừ lợi nhuận lịch sử của mỗi tín hiệu đi cho chính lợi nhuận trung bình của nó.

Tại sao phải làm vậy?

Ví dụ.

- Giả sử bạn có một tín hiệu "Mua Dưới Đáy". Trong cả một năm qua, toàn bộ thị trường tiền điện tử đã tăng giá mạnh, vì vậy tín hiệu này hình như đã kiếm được rất nhiều tiền.

· Nhưng liệu điều này có thực sự là nhờ vào tín hiệu không? Không nhất thiết. Có thể là bất kỳ chiến lược nào, trong thị trường tăng giá đều có thể kiếm tiền. Chỉ khi lấy trung bình ra, bạn mới có thể thấy liệu tín hiệu này, sau khi đã loại bỏ "Xu hướng tổng thể của thị trường", liệu có thực sự có khả năng dự đoán hay không.

Công thức Cụ thể: X(i,s) = R(i,s) - mean(R(i)).

Bước 3: Tính toán Độ biến động của mỗi tín hiệu

Bước này đánh giá mức độ biến động của mỗi tín hiệu.

· Một tín hiệu có thể trung bình kiếm được 0.1% mỗi ngày, nhưng đôi khi lại kiếm được 5%, đôi khi lại lỗ 4%.

· Một tín hiệu khác cũng trung bình kiếm được 0.1% mỗi ngày, nhưng phạm vi biến động chỉ từ -0.5% đến +0.7%.

· Mặc dù cả hai tín hiệu đều có cùng mức trung bình lợi nhuận, nhưng tín hiệu thứ hai rõ ràng có vẻ "ổn định" hơn, đáng tin cậy hơn.

Độ biến động được sử dụng để đo lường mức độ "ổn định" này.

Công thức Cụ thể: σ(i)² = (1/M) x Σ X(i,s)².

Bước 4: Chuẩn hóa Dữ liệu

Chia kết quả Bước 2 cho Độ biến động ở Bước 3.

Tại sao cần phải thực hiện bước này? Bởi vì các tín hiệu khác nhau có "đơn vị" khác nhau. Tín hiệu momentum có thể được tính theo phần trăm, tín hiệu cấu trúc siêu nhỏ có thể được tính theo điểm cơ bản (0,01%), tín hiệu biến động có thể được tính theo giá trị tuyệt đối. Nếu bạn so sánh chúng trực tiếp, như so sánh táo và cam, thì không có ý nghĩa.

Sau khi chuẩn hóa, tất cả các tín hiệu đều được đưa về cùng một thang đo. Giống như việc chuyển đổi đô la, euro, yen thành cùng một loại tiền tệ, mới có thể so sánh công bằng.

Công thức Cụ thể: Y(i,s) = X(i,s) / σ(i).

Động bộ Hai: Loại bỏ Nhiễu Thị Trường

Mục tiêu của giai đoạn này là tách 「biến động tổng thể của thị trường」 khỏi hiệu suất của mỗi tín hiệu, chỉ giữ lại khả năng thật sự của tín hiệu đó.

Bước 5: Chia Bộ Dữ Liệu Kiểm Tra

Trong quá trình tính toán trọng số, chỉ sử dụng dữ liệu lịch sử, loại bỏ các giá trị quan sát gần đây nhất.

Bước này nhằm mục đích ngăn ngừa「quá mức phù hợp」.

Quá mức phù hợp là gì? Ví dụ, một học sinh học thuộc lòng tất cả đề thi từng môn trong mười năm qua, làm đề mô phỏng màu mèo. Nhưng khi đến bài thi thật, đề mới, học sinh hoàn toàn không biết trả lời. Học sinh đó không phải đang 「hiểu kiến thức」, mà là đang 「học thuộc lòng đáp án」.

Trong giao dịch lượng tử, nguy hại của quá mức phù hợp lớn hơn. Mô hình của bạn có thể hoạt động hoàn hảo trên dữ liệu lịch sử, nhưng khi chuyển sang giao dịch thực tế, lại thất bại. Chia bộ dữ liệu kiểm tra giúp đảm bảo rằng mô hình của bạn đang 「học theo quy luật」, chứ không phải 「nhớ lịch sử」.

Cụ thể, quá trình thực hiện như sau:

Chia dữ liệu của bạn thành hai phần.

· Sử dụng 80% dữ liệu đầu để huấn luyện mô hình (tính toán trọng số),

· Sử dụng 20% dữ liệu còn lại để xác minh xem mô hình có thực sự hiệu quả hay không.

· Nếu mô hình cũng có thể kiếm tiền trên 20% dữ liệu còn lại, điều đó chứng tỏ nó đã học được quy luật thực sự.

Bước 6: Chuẩn Hóa Quy Mô Ngang (Cross-sectional Demeaning)

Tại mỗi thời điểm, trừ điểm tín hiệu của mỗi biến động đi trung bình của tất cả tín hiệu tại thời điểm đó.

Bước này rất quan trọng, và dưới đây là một ví dụ cụ thể để giải thích.

Giả sử hôm nay, Ngân hàng Dự trữ Liên bang Mỹ đột ngột công bố giảm lãi suất. Toàn bộ thị trường tăng mạnh. Có thể có đến 50 tín hiệu của bạn cùng xuất hiện tín hiệu 「mua」, và dường như mỗi tín hiệu đều kiếm tiền.

Nếu bạn không thực hiện Chuẩn Hóa Quy Mô Ngang, bạn sẽ nghĩ rằng 50 tín hiệu đó đều rất chính xác. Nhưng thực tế, đó chỉ là hiệu ứng「nước lên thuyền nổi」. Toàn bộ thị trường tăng, bất kể dự đoán của tín hiệu, đều có thể kiếm tiền. Điều này không phải là khả năng của tín hiệu, mà là ơn phúc từ thị trường.

Sau khi trừ đi hiệu suất trung bình của tất cả tín hiệu, bạn mới có thể nhìn thấy sự thật: trong những ngày mà mọi người đều kiếm tiền, tín hiệu nào thực sự kiếm được nhiều hơn người khác? Trái lại, trong những ngày mà mọi người đều mất tiền, tín hiệu nào thực sự mất ít hơn người khác? Điều này gọi là "hiệu suất tương đối," đó mới chính là khả năng thật sự của tín hiệu.

Nói cụ thể hơn: Λ(i,s) = Y(i,s) - (1/N) x Σ Y(j,s).

*Lưu ý, bước 2 "trừ đi giá trị trung bình" và bước 6 "trừ đi giá trị trung bình theo mặt cắt ngang" là khác nhau. Bước 2 là trừ đi giá trị trung bình của chuỗi thời gian riêng của mỗi tín hiệu (loại bỏ xu hướng dài hạn). Bước 6 là tại mỗi điểm thời gian, trừ đi giá trị trung bình giữa tất cả các tín hiệu (loại bỏ tác động toàn cầu của thị trường). Cả hai bước đều quan trọng.

Bước 7: Dọn dẹp dữ liệu cuối cùng

Đây là một bước dọn dẹp dữ liệu cuối cùng. Nó đảm bảo rằng không còn bất kỳ "thông tin nhìn trước" nào còn sót lại trong chuỗi dữ liệu của bạn.

Thông tin nhìn trước là gì? Đó chính là dữ liệu về tương lai mà bạn không thể biết tại thời điểm ra quyết định. Ví dụ, bạn không thể sử dụng giá đóng cửa của thứ Sáu để ra quyết định vào thứ Hai. Điều này có vẻ như là hiển nhiên, nhưng trong quy trình xử lý dữ liệu phức tạp, "sự rò rỉ dữ liệu" như vậy lại dễ xảy ra hơn bạn nghĩ.

Giai đoạn Ba: Trích xuất Ưu thế Độc lập

Giai đoạn này là linh hồn của toàn bộ hệ thống. Nhiệm vụ của nó là: từng tín hiệu, trích xuất khả năng dự báo duy nhất của nó, loại bỏ phần trùng lắp với các tín hiệu khác.

Bước 8: Tính toán Lợi nhuận Dự kiến

Sử dụng đường trung bình di động, tính toán lợi nhuận dự kiến của mỗi tín hiệu trong tương lai.

Cụ thể, đó là lấy lợi nhuận trung bình của tín hiệu trong d ngày gần đây nhất, làm dự báo cho hiệu suất tương lai. Sau đó chuẩn hóa giá trị dự báo này (chia cho biến độ), giúp so sánh trực tiếp lợi nhuận dự kiến của các tín hiệu khác nhau.

Trong lý thuyết, công thức như sau:

· E(i) = (1/d) x Σ R(i,s)

· E_norm(i) = E(i) / σ(i)。

Bước 9: Trích xuất Dư thừa Độc lập (Orthogonalization)

Đây là bước quan trọng nhất trong toàn bộ 11 bước.

Giả sử bạn có hai tín hiệu.

· Tín hiệu A là "Xem dự báo thời tiết"

· Tín hiệu B là "Xem người đi đường có mang ô không".

Cả hai tín hiệu này đều có thể dự đoán liệu hôm nay có mưa hay không.

Nhưng vấn đề là, việc người đi đường mang ô có thể hoàn toàn có thể do họ đã xem dự báo thời tiết. Do đó, có một lượng lớn sự trùng lặp thông tin giữa Tín hiệu A và Tín hiệu B. Nếu bạn sử dụng cả hai tín hiệu cùng một lúc, bạn có thể nghĩ rằng bạn có hai tín hiệu độc lập, nhưng thực tế bạn chỉ có một tín hiệu (dự báo thời tiết) được diễn đạt hai lần.

Điều mà Bước 9 thực hiện là loại bỏ sự trùng lặp thông tin này.

Làm thế nào? Đối với mỗi hiệu suất kỳ vọng E_norm(i) của mỗi tín hiệu, thực hiện một phân tích hồi quy bằng dữ liệu lịch sử Λ(i,s) của tất cả các tín hiệu khác. Ý nghĩa của hồi quy là: sử dụng các tín hiệu khác để "giải thích" tín hiệu hiện tại. Phần có thể được giải thích là phần bị trùng lặp, được loại bỏ. Phần không thể giải thích là đóng góp duy nhất và khác biệt của tín hiệu đó, được giữ lại.

Phần "không thể giải thích" này toán học gọi là phần dư (Residual), ký hiệu là ε(i).

Nếu bạn đã học tuyến tính, đây là một ứng dụng của phương pháp chuẩn hóa Gram-Schmidt. Nếu bạn chưa học, không sao, bạn chỉ cần nhớ một điều: Bước 9 đang tìm ra phần dự đoán duy nhất và không thể thay thế thực sự của mỗi tín hiệu.

Pha Tư: Gán Trọng Số Cuối Cùng

Bước 10: Thiết lập Trọng số Tối Ưu

Công thức tính trọng số là: w(i) = η x ε(i) / σ(i).

Công thức này nói rằng: trọng số của mỗi tín hiệu bằng phần đóng góp duy nhất τ(i) (tính được từ Bước 9), chia cho biến động σ(i) của nó (tính được từ Bước 3), nhân với một hệ số co giãn η.

Dựa vào điều đó, hệ thống sẽ tự động gán trọng số cao hơn cho các tín hiệu có "đóng góp duy nhất lớn" và "hiệu suất ổn định". Trong khi đó, các tín hiệu "nhiễu nhiều" hoặc "chỉ biết theo đuổi" sẽ bị tự động giảm trọng số.

Tất cả điều này đều được thực hiện tự động bằng toán học, không cần phán đoán chủ quan nào. Bạn không cần dựa vào cảm tính để quyết định "tín hiệu này nên chiếm tỷ lệ bao nhiêu phần trăm". Công thức sẽ cho bạn câu trả lời tối ưu.

Bước 11: Chuẩn hóa

Ở bước cuối cùng, điều chỉnh hệ số tỉ lệ η sao cho tổng trị tuyệt đối của các trọng số bằng 1.

Điều này đảm bảo phân bổ vốn của bạn là 100%, không cần phải tăng đòn bất ngờ. Nếu bỏ qua bước này, bạn có thể phát hiện tổng trọng số của mình là 150%, có nghĩa bạn đang giao dịch với đòn bẩy 1.5 lần, trong khi bạn hoàn toàn không nhận ra điều này.

Trong ngôn ngữ toán học: Thiết lập η sao cho Σ|w(i)| = 1.

Đầu ra cuối cùng của 11 bước này chính là trọng số tối ưu của mỗi tín hiệu trong N tín hiệu của bạn. Khi bạn kết hợp những tín hiệu yếu này theo trọng số, bạn sẽ nhận được một Alpha siêu cấp (Alpha Cực lớn). Một đầu ra đơn lẻ với tỷ lệ chiến thắng cao, niềm tin cao.

Bài Tập Nâng Cao 2:

Nếu bạn chạy chương trình này trên ngăn xếp tín hiệu hiện tại của mình, bạn có bất ngờ với những tín hiệu nào nhận được trọng số cao, những tín hiệu nào nhận được trọng số thấp không? Câu trả lời sẽ cho bạn biết mức độ hiểu biết của bạn về cấu trúc độc lập của điều bạn đang vận hành.

Nếu bạn muốn hiểu sâu hơn về logic sau các phép toán ma trận này, mạnh mẽ khuyên bạn nên xem Chương trình Linear Algebra của MIT dành cho công chúng về phần về chéo vuông (orthogonalization). Giảng viên Gilbert Strang giảng dạy rất rõ ràng.

Phần 4: Bẫy Độc Lập

Máy kết hợp giải quyết một vấn đề. Vấn đề này là ẩn hiện khi bạn chỉ xem xét một tín hiệu một lần, nhưng khi bạn hiểu toán học, nó trở nên khắp nơi.

Hãy quay trở lại Định lý Cơ bản của Quản lý Chủ Động mà chúng ta đã đề cập ở Phần 1:

IR = IC x √N

Bạn vẫn nhớ ba chữ cái này đại diện cho điều gì không? IR là "Lợi nhuận Điều chỉnh Rủi ro" của toàn bộ hệ thống của bạn (nghĩa là chiến lược của bạn có độ ổn định như thế nào). IC là độ chính xác trung bình của một tín hiệu đơn lẻ của bạn. N là số lượng tín hiệu độc lập trong kết hợp của bạn.

Bây giờ tôi muốn nhấn mạnh một từ khóa mà rất nhiều người bỏ qua: Độc lập.

Ở đây, N không phải là tổng số tín hiệu trong ngăn xếp tín hiệu của bạn. Đó là số lượng tín hiệu độc lập hợp lệ. Hai con số này có thể khác biệt rất nhiều.

Tại sao? Bởi vì các tín hiệu có thể âm thầm liên kết với nhau.

Một tín hiệu động lực và một tín hiệu hồi quy trung bình, về bản chất, hoàn toàn đối lập (một theo dõi xu hướng, một theo phản tán). Nhưng trong một số môi trường thị trường, cả hai có thể cùng phản ứng vào cùng một thời điểm, cùng một hướng đối với cùng một tin tức kinh tế macro.

· Ví dụ, Cục Dự trữ Liên bang Mỹ đột ngột tăng lãi suất, tín hiệu động lực nói "Xu hướng giảm, bán ra", tín hiệu hồi quy trung bình cũng nói "Đã sai khỏi trung bình quá xa, nhưng hướng cũng đang giảm".

· Lúc này, hai tín hiệu dường như độc lập nhau, thực ra đều thể hiện cùng một quan điểm.

Nếu bạn đặt cho họ cùng trọng số, bạn có thể nghĩ rằng bạn đang phân tán rủi ro giữa hai quan điểm độc lập. Nhưng thực tế, bạn đang tăng gấp đôi vị trí trên cùng một quan điểm.

Đó chính là lý do tại sao Bước 6 của Phần 3 (chuẩn hóa theo dữ liệu dạng cross-section, tức là trừ đi hiệu suất trung bình của tất cả các tín hiệu tại mỗi điểm thời gian, loại bỏ hiệu ứng "nước đập trèo") và Bước 9 (chiết xuất dư thừa độc lập, tức là loại bỏ sự chồng chéo thông tin giữa các tín hiệu thông qua phân tích hồi quy, chỉ giữ lại sự đóng góp độc nhất với mỗi tín hiệu) lại quan trọng như vậy. Chúng giúp xác định và loại bỏ thành phần chia sẻ được ẩn giấu giữa các tín hiệu.

Chạy 50 tín hiệu liên quan có thể chỉ mang lại hiệu quả phân tán từ 10 đến 15 tín hiệu độc lập.

Chỉ khi tín hiệu của bạn dựa trên nguồn thông tin thực sự độc lập và hệ thống kết hợp hoạt động đúng cách, bạn mới có thể nhận được toàn bộ lợi ích từ tất cả 50 tín hiệu.

Điều này trong hoạt động thực tế có nghĩa là gì?

· Giả sử một nhà giao dịch cho rằng anh ta đang chạy 20 tín hiệu độc lập. Anh ta tính kích thước vị trí dựa trên 20 tín hiệu độc lập. Nhưng thực tế, do tương quan ẩn giữa các tín hiệu, anh ta chỉ có 6 tín hiệu độc lập hợp lệ.

· Kích thước vị trí dựa trên 20 tín hiệu độc lập đó quá lớn đối với 6 tín hiệu. Lớn bao nhiêu? Lớn gấp 20/6 ≈ 3,3 lần. Đòn bẩy thực tế của anh ta là khoảng 3 lần so với anh ta nghĩ.

Đã vay quá mức chính là nguyên nhân thực sự đằng sau việc nổ Margin Call của hầu hết các chiến lược có hệ thống. Người giao dịch đã đoán đúng hướng thị trường, nhưng đã đoán sai quy mô. Anh ấy đoán thị trường sẽ tăng, nhưng mức cược của anh ấy quá lớn. Một sự điều chỉnh bình thường có thể làm cho anh ấy bị thanh lý sổ.

Máy tính kết hợp buộc phải thực hiện kiểm toán trung thực. Nó sẽ không cho phép bạn tự làm mình. Nó sẽ cho bạn biết cấu trúc độc lập thực sự của ngăn xếp tín hiệu của bạn là gì. Sau đó, phân bổ trọng số dựa trên tình hình thực tế, chứ không phải dựa trên suy nghĩ của bạn.

Những người giao dịch liên tục thua lỗ trên các giao dịch phân tích đúng luôn thua vì họ mất liên kết mà họ không đo lường được. Họ nghĩ rằng họ tự tin vì có ba lý do khác nhau. Trong thực tế, họ chỉ có một lý do được diễn giải ba lần. Nhưng vị thế được xác định dựa trên ba lý do.

Máy tính kết hợp loại bỏ mô hình thất bại này từ cấu trúc.

Bài Tập Nâng Cao 3:

Lấy tất cả các tín hiệu bạn đang sử dụng hiện tại, ghép đôi từng cặp, tính hệ số tương quan giữa chúng. Bạn có thể sử dụng hàm numpy.corrcoef() trong Python. Nếu hệ số tương quan của bất kỳ cặp tín hiệu nào vượt quá 0.5, thì chúng không độc lập toán học. Bạn cần xem xét lại ngăn xếp tín hiệu của mình.

Đề xuất đọc cuốn Advances in Financial Machine Learning của Marcos Lopez de Prado, đặc biệt là phần về tính quan trọng của đặc trưng và chất lượng chéo. Cuốn sách này là tác phẩm bắt buộc đối với các phương pháp lượng tử hiện đại.

Phần 5: Thực Thi trên Polymarket

Toàn bộ nội dung của bốn phần trước đã được xây dựng trong ngữ cảnh giao dịch hệ thống với cổ phiếu và nhiều tài sản. Tin vui là, mô hình toán học này có thể được chuyển thẳng sang thị trường dự đoán. Bạn chỉ cần thực hiện một sự thay thế: bạn không kết hợp tín hiệu về "Lợi nhuận dự kiến", mà là kết hợp tín hiệu về "Xác suất dự kiến".

Trong thị trường dự đoán, mỗi tín hiệu tạo ra không phải là một ước lượng lợi nhuận, mà là một ước lượng xác suất ẩn.

5.1 Năm Tín hiệu Xác suất

Thứ nhất, Tín hiệu Giá đặt trên Nhiều Nền tảng: Nếu giá YES của một hợp đồng trên Polymarket là $0.45, nhưng tỷ lệ cược trên sự kiện tương tự trên Betfair ngụ ý xác suất là 52%, thì chênh lệch 7 điểm phần trăm này chính là tín hiệu của bạn. Hai nền tảng đặt giá khác nhau cho cùng một sự kiện, ít nhất một trong số họ sai.

Thứ hai, Tín hiệu điều chuẩn: Một nghiên cứu về 4 tỷ giao dịch lịch sử trên Polymarket đã phát hiện ra một sai lệch hệ thống: Các hợp đồng có giá từ 5% đến 15%, và kết quả cuối cùng là YES chỉ chiếm 4% đến 9%. Điều này có nghĩa là thị trường một cách hệ thống đã đánh giá cao khả năng xảy ra của sự kiện có xác suất thấp. Sai lệch này là ổn định, có thể lặp lại, do đó đó là một tín hiệu hiệu quả.

Thứ ba, Tín hiệu cập nhật Bayes: Đây là công cụ linh hồn của giao dịch lượng tử. Điều quan trọng mà nó trả lời là: Khi bạn có dữ liệu mới, bạn nên cập nhật niềm tin cũ của mình như thế nào một cách chính xác?

Hãy để tôi giải thích việc cập nhật Bayes bằng một ví dụ cụ thể.

Giả sử bạn quan tâm đến một hợp đồng Polymarket: "Liệu một dự luật của quốc hội có thông qua trong tháng này không?". Hiện tại giá thị trường là $0.40, tức là thị trường đánh giá khả năng thông qua là 40%. Đây chính là xác suất tiên nghiệm của bạn (Prior).

Bất ngờ, một tin tức được công bố: Dự luật này đã nhận được sự ủng hộ công khai từ một thượng nghị sĩ quan trọng.

Bạn không thể chỉ đơn giản đặt xác suất thành 80%. Bạn cần sử dụng công thức Bayes để tính toán chính xác.

Công thức Bayes là:

P(Thông qua|Ủng hộ) = P(Ủng hộ|Thông qua) x P(Thông qua) / P(Ủng hộ)

Dịch sang ngôn ngữ đơn giản là:

"Trong trường hợp biết rằng thượng nghị sĩ này đã ủng hộ, xác suất để dự luật thông qua" = "Nếu dự luật thực sự sẽ thông qua, xác suất mà thượng nghị sĩ này ủng hộ" x "Xác suất tiên nghiệm của dự luật thông qua" / "Tổng xác suất mà thượng nghị sĩ này ủng hộ"

Giả sử bạn ước lượng:

· Nếu dự luật thực sự sẽ thông qua, xác suất mà thượng nghị sĩ này ủng hộ là 80% (vì anh ấy thường chỉ bày tỏ khi rất chắc chắn)

· Nếu dự luật không thông qua, xác suất mà thượng nghị sĩ này ủng hộ là 20% (đôi khi anh ấy cũng bị dựa vào sai)

· Xác suất tiên nghiệm của dự luật thông qua là 40%

Vậy thì:

· P(Hỗ trợ) = 0,80 x 0,40 + 0,20 x 0,60 = 0,32 + 0,12 = 0,44

· P(Thành công|Hỗ trợ) = 0,80 x 0,40 / 0,44 = 0,32 / 0,44 = 72,7%

Do đó, sau khi thấy tin tức này, bạn nên cập nhật xác suất thông qua luật từ 40% lên 72,7%. Nếu giá thị trường vẫn đứng ở $0,50, bạn sẽ có lợi thế 22,7%.

Điều cốt lõi của việc cập nhật Bayes là bạn không đoán xem xác suất mới là bao nhiêu mà bạn tính toán nó một cách chính xác từ toán học. Mỗi quyết định của bạn đều dựa trên cơ sở.

Thứ tư, Tín hiệu cấu trúc vi mô: Sử dụng VPIN (một chỉ số mà chúng ta đã thảo luận trong phần thứ hai về xác suất giao dịch có thông tin, nó dựa trên mức độ mất cân đối của khối lượng mua bán để xác định xem có những người có thông tin đang hành động hay không) và độ lệch giá hiệu quả, ám chỉ một xác suất dựa trên hướng của luồng lệnh thông tin.

Thứ năm, Tín hiệu đà tăng: Ám chỉ một xác suất dựa trên tốc độ và hướng thay đổi giá cả khi hợp đồng gần giải quyết.

5.2 Từ Tín hiệu đến Đặt cược: Quy trình đầy đủ

Kết hợp mỗi ước lượng xác suất ẩn này theo cách mà chúng tôi đã mô tả trong phần ba với quy trình 11 bước của bộ tối ưu hóa. Đầu ra là một ước lượng xác suất tổ hợp duy nhất. Ước lượng này phân bổ trọng số tối ưu toán học dựa trên đóng góp độc lập của mỗi tín hiệu (còn nhớ bước 9 về trực giao hóa không? Đó chính là loại bỏ sự trùng lặp thông tin giữa các tín hiệu, chỉ giữ lại phần duy nhất).

Sự khác biệt giữa ước lượng tổ hợp đó và giá hiện tại của Polymarket chính là lợi thế của bạn (Edge).

5.3 Công thức Kelly: Bạn nên đặt cược bao nhiêu?

Sau khi có lợi thế, câu hỏi quan trọng nhất đến: Bạn nên đặt cược bao nhiêu tiền?

Đặt cược quá ít, bạn lãng phí lợi thế và không kiếm đủ nhiều. Đặt cược quá nhiều, một lần đánh giá sai có thể khiến bạn trở về điểm xuất phát.

Các tổ chức sử dụng Công thức Kelly (Kelly Criterion). Công thức Kelly tiêu chuẩn như sau:

f_kelly = (p x b - q) / b

Trong đó p là tỉ lệ chiến thắng ước tính của bạn (xác suất tổ hợp của bạn), q = 1 - p là tỉ lệ thất bại, b là tỷ lệ cược.

Trên Polymarket, tỷ lệ cược b có thể được tính trực tiếp từ giá: b = (1 / giá thị trường) - 1. Ví dụ, nếu giá thị trường là $0.40, thì tỷ lệ cược b = (1/0.40) - 1 = 1.5.

Giả sử mô hình tổ hợp của bạn cho biết xác suất thật sự là 60% (tức là p = 0.60), trong khi giá thị trường là $0.40 (tỷ lệ cược b = 1.5). Kế hoạch cược Kelly tiêu chuẩn sẽ khuyến nghị bạn đặt cược:

f_kelly = (0.60 x 1.5 - 0.40) / 1.5 = (0.90 - 0.40) / 1.5 = 0.50 / 1.5 = 33.3% số vốn.

Nhưng Kế hoạch Kelly tiêu chuẩn có một giả định chết người: Nó giả định rằng ước lượng tỉ lệ chiến thắng của bạn là chính xác 100%. Trong thực tế, ước lượng của bạn luôn tồn tại sai số. Do đó, các tổ chức sử dụng Công thức Kelly kinh nghiệm, nó bao gồm một "hình phạt không chắc chắn"

f_empirical = f_kelly x (1 - CV_edge)

Trong đó CV_edge là hệ số biến thiên ước lượng ưu thế của bạn. Nó đo lường mức độ không chắc chắn của ước lượng của bạn. CV_edge càng lớn, tức là bạn càng không chắc chắn, công thức sẽ tự động giảm số tiền đặt cược của bạn.

Làm thế nào để tính toán CV_edge? Bạn có thể sử dụng mô phỏng Montecarlo. Đơn giản, đó là chạy mô phỏng hàng ngàn lượt với mô hình của bạn, xem ước lượng ưu thế của bạn sẽ thay đổi như thế nào trong các tình huống khác nhau. Đổi biến càng lớn, CV_edge càng cao, bạn nên đặt cược ít đi.

Tiếp tục ví dụ ở trên. Nếu CV_edge của bạn là 0.3 (tức là ước lượng của bạn có 30% không chắc chắn), thì Kế hoạch Kelly kinh nghiệm sẽ khuyến nghị bạn đặt cược:

f_empirical = 33.3% x (1 - 0.3) = 33.3% x 0.7 = 23.3% số vốn.

Trong thực tế, nhiều tổ chức thậm chí chỉ đặt cược "Nửa Kelly" (Half-Kelly), tức là chia cho 2, trở thành khoảng 12%. Vì trong dài hạn, kiếm ít hơn một chút luôn tốt hơn là mất hết.

5.4 Hoàn Chỉnh Quy Trình Giao Dịch Polymarket

Gộp tất cả mọi thứ lại với nhau, quy trình hoàn chỉnh như sau:

1. Năm hoặc nhiều hơn nguồn tín hiệu đầu vào, mỗi nguồn tạo ra một ước lượng xác suất tiềm ẩn

2. Được xử lý thông qua công cụ kết hợp trong 11 bước

3. Đầu ra là một xác suất tổ hợp được trọng số duy nhất

4. So sánh với giá thị trường hiện tại, tính toán Lợi thế của bạn (Edge)

5. Xác định kích thước cược bằng công thức Kelly dựa trên kinh nghiệm

6. Tối ưu hóa thực hiện bằng VWAP (Giá trung bình trọng số theo khối lượng giao dịch), giảm thiểu tác động của lệnh lớn của bạn đối với giá thị trường

7. Theo dõi thời gian thực sự biến đổi VPIN, điều chỉnh chiến lược kịp thời khi người giao dịch có thông tin bắt đầu hoạt động

Khung này đặc biệt có giá trị trong dự báo thị trường, lý do rất đơn giản: Hầu hết đối thủ của bạn, họ đều giao dịch bằng một mô hình duy nhất, một nguồn dữ liệu duy nhất, một ước lượng xác suất duy nhất. Nhưng bạn đã biết cách kết hợp nhiều tín hiệu yếu thành một tín hiệu mạnh. Đó chính là Lợi thế cấu trúc của bạn.

Bài Tập Nâng Cao 4:

Chọn một hợp đồng Polymarket mà bạn quan tâm. Thử ước lượng xác suất của nó từ ít nhất ba góc nhìn khác nhau (ví dụ: giá định giá chéo, hiệu chuẩn lịch sử, sự kiện tin tức gần đây). Sau đó, đơn giản là lấy trung bình có trọng số, xem xem có sự khác biệt nào giữa ước lượng tổ hợp của bạn và giá thị trường hiện tại không. Nếu có, chúc mừng bạn vừa hoàn thành một phiên bản đơn giản của Alpha kết hợp.

Đề xuất đọc cuốn sách của Edward Thorp về A Man for All Markets. Thorp là người tiên phong áp dụng công thức Kelly trong lĩnh vực đầu tư, cuốn sách này minh họa bằng ngôn ngữ rất dễ hiểu về cách anh ấy đã sử dụng toán học để kiếm tiền ở cả sòng bạc và Wall Street.

Phần Sáu: Hãy Triển Khai Hệ Thống Này với insiders.bot

Khi đọc đến đây, bạn có thể tự hỏi: Tôi hiểu logic của hệ thống này rồi, nhưng làm sao một mình tôi có thể xây dựng từ đầu?

Tin tốt là, bạn không cần bắt đầu từ đầu.

Trong quá trình làm insiders.bot (@insidersdotbot), bài viết này đã đề cập đến "Luật cơ bản của Quản lý Chủ Động" (hay còn gọi là IR = IC x √N, hiệu suất của toàn bộ hệ thống của bạn bằng tích của độ chính xác của một tín hiệu nhân với căn bậc hai của số lượng tín hiệu độc lập).

Dưới đây là ba bước bạn có thể bắt đầu ngay lập tức.

Bước Một: Sử dụng Trình duyệt Tiền Thông Minh để thu thập Nguyên Liệu Tín Hiệu của bạn

Mở trình duyệt Tiền Thông Minh của insiders.bot. Thông qua bảng lọc, bạn có thể tìm thấy các ví tiền tốt nhất trên Polymarket dựa trên tỷ lệ thắng, tổng lợi nhuận, tần suất giao dịch, v.v.

Mỗi lần xuất hiện của các ví tiền này là một "Tín hiệu Cấu trúc Tinh Thể" của bạn (bạn còn nhớ loại tín hiệu thứ năm trong năm loại tín hiệu lớn mà phần hai đã đề cập chứ?). Tín hiệu từng ví tiền có thể rất yếu (IC thấp), nhưng khi bạn theo dõi đồng thời hàng chục ví tiền, bạn đang tạo ra điều mà bài viết gọi là "Tổ hợp tín hiệu". Đây chính là kim chỉ nam của Luật Cơ bản của Quản lý Chủ Động: N càng lớn, IR càng cao.

Bước Hai: Tạo Alpha Portfolio thông qua Hệ thống Tín Hiệu Thông Minh

Hệ thống tín hiệu thông minh của chúng tôi (Trang SINALS) về bản chất là một bộ máy móc Tạo Hợp Alpha đơn giản. Khi các ví tiền chất lượng thực hiện giao dịch lớn, hệ thống sẽ tạo ra tín hiệu, và thông qua Điểm Thông Minh, tổng hợp lịch sử tỷ lệ thắng, tổng lợi nhuận, ổ định cược, hiệu suất phân loại, quy mô vị thế, v.v., hệ thống sẽ đánh giá mức độ mạnh hay yếu của tín hiệu đó.

THẤP: Đáp ứng tiêu chuẩn cơ bản, nhưng người giao dịch không có ưu thế. Tương ứng với tín hiệu IC thấp, cần nhiều tín hiệu hơn để tạo hợp.

TRUNG BÌNH: Lịch sử giao dịch tốt, thể hiện lòng tin vững chắc. Tương ứng với tín hiệu IC trung bình, có thể cấu hình một cách vừa phải.

CAO: Giao dịch quyết liệt từ các ví tiền thể hiện hiệu suất hàng đầu. Tương ứng với tín hiệu IC cao, bộ máy tạo hợp sẽ gán trọng số cao.

Hệ thống xếp hạng này làm việc tương tự như bước 10 trong bước 11 của bộ máy trong Phần Ba (Đặt Trọng số Tối Ưu, tức là phân bổ tỷ lệ vốn dựa trên đóng góp độc lập và ổn định của mỗi tín hiệu): dựa trên đánh giá tổng hợp từ nhiều chiều, gán trọng số khác nhau cho mỗi tín hiệu.

Bước 3: Thực hiện Công thức Kelly của bạn bằng Công cụ Theo Dõi Đơn hàng

Khi bạn nhận được một tín hiệu ĐÁNH GIÁ CAO, bạn có thể sử dụng công cụ tự động theo dõi đơn hàng của chúng tôi, thiết lập theo tỷ lệ hoặc số tiền cố định.

Hãy nhớ Công thức Kelly kinh nghiệm mà Phần 5 đã nói đến (f_empirical = f_kelly x (1 - CV_edge), nghĩa là tỷ lệ đặt cược của bạn sẽ được giảm giá dựa trên sự không chắc chắn của bạn): Độ không chắc chắn càng lớn, bạn nên đặt cược càng ít.

Đối với tín hiệu ĐÁNH GIÁ THẤP, hãy giảm vị thế.

Đối với tín hiệu ĐÁNH GIÁ CAO, bạn có thể tăng vị thế một cách điều độ. Hãy để toán học hỗ trợ quyết định của bạn, chứ không phải cảm xúc.

Kết luận

Hãy quay trở lại câu hỏi ban đầu.

Một tín hiệu đơn lẻ yếu ớt. Tìm kiếm tín hiệu hoàn hảo đó, hoàn toàn là tìm hướng sai.

Định lý Quản lý Chủ Động (IR = IC x √N) đã chứng minh toán học rằng: Kết hợp nhiều tín hiệu yếu ớt và độc lập lại tốt hơn việc tìm kiếm một tín hiệu mạnh. Tỷ lệ thông tin của bạn tăng theo căn bậc hai của số lượng tín hiệu thực sự độc lập bạn triển khai.

11 Bước Thiết lập Hệ thống Kết hợp Alpha cung cấp một phương pháp chính xác để tính toán trọng số tối ưu. Những trọng số này phản ánh đóng góp độc lập của mỗi tín hiệu, trừ phạt nhiễu, loại bỏ phương sai chia sẻ giữa các tín hiệu.

Áp dụng vào dự đoán thị trường, framework này chuyển đổi năm hoặc nhiều hơn nữa tín hiệu xác suất ẩn thành một ước lượng kết hợp duy nhất. Ước lượng này đã được chứng minh là chính xác hơn bất kỳ thành phần đơn lẻ nào.

Phối hợp Quản lý Vị thế với Công thức Kelly kinh nghiệm, vị thế mà nó tạo ra phản ánh chính xác mức độ tự tin thực sự của bạn, chứ không phải cảm giác tự tin của bạn.

Lợi thế của lãi kép kéo dài nhất, được xây dựng trên nền tảng của một mô hình trung thực nhất về những gì bạn thực sự biết.

Cuối cùng, tôi muốn bạn suy nghĩ về một câu hỏi:

Nếu một sàn giao dịch tổ hợp hơn hàng trăm tín hiệu vẫn chỉ có thể đạt được Hệ số Thông tin trong khoảng từ 0.05 đến 0.15, thì bất kỳ hệ thống nào tuyên bố có thể liên tục lựa chọn những người chiến thắng với độ tin cậy cao từ một mô hình đơn lẻ, cuối cùng đang nói về điều gì?

Đọc Thêm và Tài liệu Tham khảo Nâng Cao

Nếu bạn muốn tiếp tục nghiên cứu sâu hơn, dưới đây là một số tài liệu nâng cao:

Cơ bản:

Harvard Stat 110: Giới thiệu về Xác suất (Tài liệu trực tuyến miễn phí). Cơ bản về xác suất, đọc đến Chương 6 là đủ.

Edward Thorp, A Man for All Markets. Tự truyện của người tiên phong của Công thức Kelly, mô tả bằng ngôn ngữ dễ hiểu cách toán học giúp kiếm tiền ở sòng bạc và tại Wall Street.

Nâng cao:

Grinold & Kahn, Quản lý Danh mục Hoạt động. "Kinh Thánh" của lĩnh vực đầu tư lượng tử, phân tích chi tiết Những Định luật Cơ bản của quản lý tích cực.

MIT 18.06 Đại số Tuyến tính. Khóa học kinh điển của Giáo sư Gilbert Strang, nguồn tài nguyên tốt nhất để hiểu về việc làm cho các vectơ trực giao.

Cao cấp:

Marcos Lopez de Prado, Tiến bộ trong Học Máy Tài chính. Tác phẩm bắt buộc về các phương pháp lượng tử hiện đại, đặc biệt là phần về xác thực chéo, tính quan trọng của đặc trưng và việc làm cho các vectơ trực giao.

Easley, Lopez de Prado & O'Hara (2012), Dòng Độc Hại và Thanh khoản trong Một Thế giới Tần suất Cao, Đánh giá các Nghiên cứu Tài chính. Bài báo gốc về chỉ số VPIN.

Liên kết đến bài gốc

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia