Bối cảnh và vấn đề nghiên cứu
Thị trường tài chính nói chung và thị trường ngoại hối (Forex) nói riêng là môi trường có tính biến động cao, chịu sự chi phối liên tục của các yếu tố rủi ro và bất định. Trong hoạt động đầu tư truyền thống, các quyết định giao dịch chủ yếu dựa vào phân tích cơ bản (Fundamental Analysis) và phân tích kỹ thuật (Technical Analysis). Tuy nhiên, sự phát triển của công nghệ tính toán và trí tuệ nhân tạo đã mở ra hướng tiếp cận mới: ứng dụng các kỹ thuật học máy (Machine Learning - ML) và học sâu (Deep Learning - DL) nhằm xây dựng các mô hình dự báo chuỗi thời gian và hệ thống giao dịch tự động hóa. Thách thức cốt lõi đặt ra là dữ liệu tài chính có tỷ lệ nhiễu lớn, tính phi tuyến tính phức tạp và cấu trúc thay đổi liên tục theo thời gian, đòi hỏi quy trình xử lý dữ liệu và thiết kế kiến trúc mô hình phải có khả năng kiểm soát rủi ro nghiêm ngặt.
Theo đề tài, mục tiêu tổng thể là tìm ra chiến lược giao dịch tối ưu nhằm quản trị rủi ro và duy trì tỷ suất sinh lời ổn định trong môi trường biến động. Để đạt được mục tiêu này, nghiên cứu xác định 5 nhiệm vụ cụ thể:
- Tìm hiểu các phương pháp và công nghệ hiện đại: Phân tích, đánh giá các trường phái giao dịch hiện nay (bao gồm phương pháp truyền thống và các kỹ thuật ML/DL) cùng các nền tảng phần mềm phổ biến.
- Phát triển mô hình giao dịch đa dạng: Xây dựng và thử nghiệm các mô hình phân loại chuỗi thời gian dựa trên các cấu trúc thuật toán từ học máy cổ điển đến học sâu tiên tiến.
- Đánh giá hiệu suất và rủi ro: Thử nghiệm kiểm thử ngược (backtesting) các mô hình trên dữ liệu thị trường thực tế để đo lường tỷ suất sinh lời gắn liền với mức độ sụt giảm tài sản.
- Tối ưu hóa chiến lược giao dịch: Tinh chỉnh các siêu tham số và xác định ngưỡng kích hoạt vị thế mua/bán nhằm nâng cao chỉ số Sharpe và giảm thiểu mức độ rủi ro vốn.
- Phát triển hệ thống giao dịch tự động: Hiện thực hóa chiến lược tốt nhất thành một hệ thống phần mềm giao dịch tự động hoàn chỉnh, giảm thiểu sự can thiệp thủ công của con người.
Đối tượng nghiên cứu của khóa luận là các chiến lược giao dịch tỷ giá hối đoái được hỗ trợ bởi các thuật toán học máy và học sâu, tập trung duy nhất vào cặp tiền tệ EURUSD. Cặp tiền này được lựa chọn dựa trên hai ưu điểm kỹ thuật: tính thanh khoản cao hàng đầu thị trường giúp giảm thiểu rủi ro trượt giá và đảm bảo khả năng khớp lệnh, cùng mức chi phí giao dịch (spread/hoa hồng) thấp hơn đáng kể so với các cặp tiền chéo. Về phạm vi không gian và thời gian, do thị trường ngoại hối hoạt động liên tục 24/5 với đặc tính biên độ dao động khác biệt rõ rệt giữa các phiên (Sydney, Tokyo, London, New York), tác giả giới hạn phạm vi nghiên cứu vào phiên giao dịch Tokyo (phiên châu Á). Dữ liệu lịch sử được thu thập liên tục trong khoảng thời gian 14 năm, từ năm 2010 đến năm 2024.
Cơ sở lý thuyết và phương pháp
Khóa luận thiết lập hệ thống cơ sở lý thuyết bao gồm các chỉ số đo lường tài chính, các chỉ báo kỹ thuật làm nguồn tín hiệu và hệ thống thuật toán mô hình hóa:
1. Hệ thống chỉ số tài chính
- Sharpe Ratio: Chỉ số đo lường tỷ suất sinh lời điều chỉnh theo rủi ro, xác định bởi công thức:
$$\text{Sharpe Ratio} = \frac{E(R) - R_f}{\sigma}$$
Trong đó $E(R)$ là tỷ suất sinh lời kỳ vọng, $R_f$ là lãi suất phi rủi ro và $\sigma$ là độ lệch chuẩn của tỷ suất sinh lời.
- Tỷ suất sinh lời (Return): Phần trăm thay đổi giá trị danh mục giữa thời điểm cuối kỳ ($V_f$) và đầu kỳ ($V_i$):
$$\text{Return} = \frac{V_f - V_i}{V_i} \times 100%$$
- Lãi/Lỗ ròng (Profit and Loss - PnL): Chênh lệch giá trị tuyệt đối giữa cuối kỳ và đầu kỳ:
$$\text{PnL} = V_f - V_i$$
- Mức sụt giảm tối đa (Maximum Drawdown - MDD): Tỷ lệ phần trăm sụt giảm lớn nhất từ đỉnh tài sản ($T_{max}$) xuống đáy sâu nhất ($T_{min}$) xuất hiện sau đỉnh đó:
$$\text{MDD} = \frac{T_{max} - T_{min}}{T_{max}}$$
2. Các chỉ báo phân tích kỹ thuật
- Moving Average Convergence Divergence (MACD): Tính toán bằng hiệu số giữa đường trung bình động hàm mũ 12 phiên và 26 phiên ($\text{MACD} = \text{EMA}{12} - \text{EMA}{26}$), kết hợp cùng đường tín hiệu $\text{Signal Line} = \text{EMA}_9(\text{MACD})$.
- Relative Strength Index (RSI): Đo lường động lượng trên chu kỳ 14 phiên qua công thức:
$$\text{RSI} = 100 - \frac{100}{1 + RS}$$
với $RS$ là tỷ lệ trung bình lợi nhuận tích lũy trên trung bình tổn thất trong các phiên quan sát.
- Stochastic RSI: Chuẩn hóa chỉ số RSI trong biên độ dao động cực đại và cực tiểu của một chu kỳ:
$$\text{Stochastic RSI} = \frac{\text{RSI} - \text{RSI}{min}}{\text{RSI}{max} - \text{RSI}_{min}}$$
- Awesome Oscillator (AO): Đo lường động lượng thông qua chênh lệch giữa hai đường trung bình động đơn giản:
$$\text{AO} = \text{SMA}_{34} - \text{SMA}_5$$
3. Mô hình học máy và học sâu
Nghiên cứu khảo sát 7 thuật toán phân loại:
- Học máy truyền thống: Gaussian Naive Bayes (dựa trên định lý xác suất Bayes và giả định độc lập có điều kiện), Decision Tree (phân chia không gian dữ liệu theo Entropy và Information Gain), Random Forest (kỹ thuật Bagging kết hợp nhiều cây quyết định độc lập) và Gradient Boosting Trees / XGBoost (kỹ thuật Boosting huấn luyện tuần tự các cây để tối ưu gradient của hàm mất mát).
- Học sâu chuỗi thời gian: Recurrent Neural Network (RNN cơ bản cập nhật trạng thái ẩn theo thời gian), Long Short-Term Memory (LSTM khắc phục hiện tượng triệt tiêu đạo hàm - vanishing gradient thông qua cấu trúc cổng quên $f_t$, cổng vào $i_t$, trạng thái nhớ $C_t$ và cổng ra $o_t$), và Transformer (kiến trúc Attention is All You Need dựa hoàn toàn vào cơ chế Multi-Head Self-Attention và mạng truyền thẳng Feedforward để nắm bắt tương quan dài hạn).
4. Phương pháp thu thập và chuẩn bị dữ liệu
Nguồn dữ liệu gốc gồm các thanh nến 1 phút (M1) của cặp EURUSD giai đoạn 2010 - 2024, được trích xuất từ sàn môi giới ACCapital thông qua giao thức MetaTrader 5 (MT5). Dữ liệu được lọc riêng cho khung giờ hoạt động của phiên Tokyo, sau đó thực hiện kỹ thuật tái lấy mẫu (resample) thành khung thời gian 15 phút (M15) nhằm loại bỏ nhiễu ngắn hạn. Dữ liệu được phân chia thành 4 tập theo trục thời gian tuyến tính:
- Tập huấn luyện (Train): 2010 - 2017, dùng để khớp tham số mô hình.
- Tập kiểm định (Validation): 2017 - 2020, dùng để đánh giá quá trình hội tụ và tinh chỉnh siêu tham số.
- Tập kiểm tra 1 (Test 1): 2020 - 2023, dùng riêng cho quy trình quét lưới tối ưu hóa ngưỡng kích hoạt lệnh mua/bán.
- Tập kiểm tra 2 (Test 2): 2023 - 2024, đóng vai trò tập kiểm thử độc lập ngoài mẫu (out-of-sample) để đánh giá khả năng tổng quát hóa và tính ổn định của các chỉ số hiệu suất.
Thiết kế và triển khai
Hệ thống giao dịch tự động được xây dựng dưới dạng một pipeline phần mềm liên kết giữa mô hình dự báo và nền tảng giao dịch thực tế, bao gồm các công nghệ và thành phần kiến trúc:
| Thành phần hệ thống |
Công nghệ / Giao thức |
Chức năng kỹ thuật |
| Nền tảng giao dịch & Dữ liệu |
MetaTrader 5 (MT5) |
Cung cấp nguồn dữ liệu giá thị trường thời gian thực và tiếp nhận lệnh giao dịch |
| Giao tiếp nền tảng |
MT5 Python API |
Kết nối trực tiếp giữa ngôn ngữ lập trình Python và terminal MT5 |
| Mô-đun xử lý & Dự báo |
Python (DL/ML Engine) |
Thu nhận dữ liệu real-time, tính toán đặc trưng kỹ thuật, chạy mô hình dự đoán vị thế |
| Mô-đun thực thi lệnh |
MT5 API Execution |
Tự động tạo và gửi các cấu trúc lệnh mua (Buy), bán (Sell) lên máy chủ môi giới |
| Hệ thống thông báo |
Telegram Bot API |
Phát thông báo trạng thái đặt lệnh, thời gian và giá khớp vào nhóm Telegram chỉ định |
| Hệ thống lưu trữ dữ liệu |
Tệp định dạng CSV |
Ghi nhận chi tiết toàn bộ nhật ký giao dịch phục vụ công tác đối soát và phân tích |
Quy trình vận hành khép kín: Khi thị trường phiên Tokyo mở cửa, script Python liên tục kéo dữ liệu giá nến thời gian thực qua API của MT5. Dữ liệu được làm mịn và chuyển đổi thành 9 thuộc tính đầu vào chuẩn hóa. Bộ phân loại (chẳng hạn Transformer hoặc LSTM) tính toán xác suất đầu ra; nếu giá trị vượt qua ngưỡng tối ưu đã được thiết lập từ tập Test 1, hệ thống sẽ kích hoạt lệnh giao dịch tương ứng trên terminal MT5. Đồng thời, một payload thông báo được đẩy lên nhóm kiểm soát thông qua Telegram Bot và một bản ghi giao dịch mới được ghi nối tiếp vào tệp CSV lưu trữ cục bộ.
Nội dung chính theo từng chương
Chương 1: Tổng quan bài toán
Chương này phân tích bối cảnh áp dụng trí tuệ nhân tạo vào thị trường tài chính, trình bày tính cấp thiết của việc tự động hóa quản trị rủi ro. Tác giả tổng hợp các trường phái giao dịch phổ biến trên thị trường: giao dịch theo xu hướng (Trend Following), lướt sóng ngắn hạn (Scalping), giao dịch đảo chiều (Mean Reversion), giao dịch theo tin tức (News Trading), giao dịch kỹ thuật (Technical Trading), giao dịch tần số cao (High-Frequency Trading - HFT) và giao dịch bằng ML/DL. Về mặt công cụ, chương giới thiệu các nền tảng gồm MetaTrader 4/5, QuantConnect và thư viện Zipline. Đối tượng nghiên cứu được chốt là tỷ giá EURUSD phiên Tokyo do ưu thế về thanh khoản và chi phí spread thấp.
Chương 2: Cơ sở lý thuyết
Tác giả trình bày tường minh các công thức toán học và nguyên lý hoạt động của:
- Bốn chỉ số đo lường hiệu quả danh mục: Sharpe Ratio, Return, PnL, Maximum Drawdown (MDD).
- Bốn chỉ báo phân tích kỹ thuật: MACD, RSI, Stochastic RSI, Awesome Oscillator (AO).
- Các thuật toán học máy cổ điển: Định lý xác suất Bayes và mô hình Naive Bayes; cấu trúc phân nhánh, chỉ số Entropy và Information Gain của Decision Tree; nguyên lý Bagging của Random Forest; cơ chế Boosting và thuật toán hạ độ dốc (Gradient Descent) của Gradient Boosting Trees.
- Các kiến trúc học sâu: Cấu trúc hồi quy và hiện tượng triệt tiêu gradient của mạng RNN chuẩn; cơ chế 3 cổng điều khiển và tế bào nhớ của LSTM; kiến trúc Attention is All You Need, cơ chế Self-Attention và Multi-Head Attention của mạng Transformer.
Chương 3: Chuẩn Bị dữ liệu
Chương 3 tập trung vào kỹ thuật tiền xử lý và tạo lập thuộc tính (Feature Engineering). Bộ dữ liệu nến 1 phút từ MT5 (2010 - 2024) được chia thành 4 tập (Train, Validation, Test 1, Test 2) sau khi lọc phiên Tokyo và đổi khung nến thành 15 phút. Hệ thống thuộc tính đầu vào gồm 9 đặc trưng:
- 6 đặc trưng đường xu hướng: Tỷ lệ phần trăm biến động giá qua các khung thời gian
trend-1h, trend-4h, trend-8h, trend-day, trend-week, trend-month.
- 3 đặc trưng vị thế kỹ thuật: Vị thế Stochastic RSI (kết hợp tương quan đường trung bình động và vận tốc biến thiên 30 phút), Vị thế AO (kết hợp đồng thuận giữa biểu đồ AO ngắn hạn và dài hạn), Vị thế MACD (dựa trên tương quan với đường tín hiệu và vận tốc biến thiên trong 30 phút và 45 phút).
- Thuật toán gán nhãn: Nhằm khắc phục độ trễ pha của đường trung bình động (MA), tác giả đề xuất dịch chuyển chuỗi nhãn về trước một số mẫu (sử dụng thông tin tương lai của tập quá khứ để phục vụ việc gán nhãn). Nhãn đầu ra gồm 3 trạng thái: 1 (Mua), -1 (Bán), 0 (Đứng ngoài). Kết quả kiểm tra lý thuyết trên nhãn tối ưu tuyệt đối đạt chỉ số Sharpe 21.5, tỷ suất sinh lời hàng năm 71% và tỷ lệ dự đoán chính xác khi đặt lệnh là 81%.
Chương 4: Xây dựng mô hình
Tác giả thiết lập quy trình lựa chọn mô hình và tối ưu hóa ngưỡng thực thi trên tập Test 1 (2020 - 2023). Thuật toán tìm kiếm toàn diện thực hiện quét độc lập: ngưỡng vị thế mua trong khoảng $[0, 1]$ với bước nhảy 0.05; ngưỡng vị thế bán trong khoảng $[-1, 0]$ với bước nhảy 0.05. Mục tiêu tối ưu hàm mục tiêu kép: cực đại hóa chỉ số Sharpe và cực tiểu hóa MDD. Các tiêu chí nghiệm thu trên tập kiểm tra độc lập Test 2 (2023 - 2024) bao gồm: Sharpe Ratio, MDD, PnL và tỷ suất lợi nhuận tổng thể.
Chương 5: Kết quả xây dựng mô hình
Chương 5 công bố toàn bộ tham số kỹ thuật tối ưu và kết quả backtesting đối chiếu giữa 7 mô hình. Tác giả phân tích chi tiết động thái giao dịch, tần suất vào lệnh hàng ngày, mối tương quan giữa tỷ lệ trúng (Hit Rate) và mức sụt giảm tài sản tối đa của từng trường phái thuật toán trên dữ liệu kiểm thử thực tế.
Chương 6: Hệ thống giao dịch tự động
Chương cuối trình bày chi tiết kiến trúc phần mềm tích hợp thực tế: cấu hình kết nối API giữa MetaTrader 5 và Python, lập trình logic kích hoạt lệnh tự động dựa trên tín hiệu mô hình, thiết lập bot Telegram gửi cảnh báo tức thời cho quản trị viên và cấu trúc hóa cơ sở dữ liệu nhật ký giao dịch dạng tệp CSV.
Kết quả và đóng góp
1. Tham số cấu hình tối ưu của các mô hình
Quá trình huấn luyện trên dữ liệu lịch sử xác định được bộ tham số tối ưu cho từng thuật toán:
| Nhóm mô hình |
Tên mô hình |
Siêu tham số tối ưu được ghi nhận trong văn bản |
| Cây quyết định |
Decision Tree (DT) |
n_estimators: 1, max_depth: 9, min_samples_split: 6, min_samples_leaf: 9 |
| Rừng ngẫu nhiên |
Random Forest (RF) |
n_estimators: 20, max_depth: 12, min_samples_split: 17, min_samples_leaf: 8 |
| Tăng cường độ dốc |
XGBoost (XGB) |
n_estimators: 21, max_depth: 11, min_samples_split: 20, min_samples_leaf: 10 |
| Học sâu |
RNN Model |
Input size: 9, Hidden size: 50, Layers: 3, Output size: 1, Batch First: True |
| Học sâu |
LSTM Model |
Input size: 9, Hidden size: 100, Layers: 2, Dropout: 0.3, Output size: 1, Batch First: True |
| Học sâu |
Transformer Model |
Input size: 9, Hidden size: 120, Layers: 3, Heads: 4, Output size: 1, Encoder Architecture |
Về độ chính xác phân loại cơ bản trên tập kiểm tra Test 1 ghi nhận tại Bảng 5.2: Decision Tree đạt 0.61 (độ chính xác Train/Validation đạt 0.65), Naive Bayes đạt 0.64 và Random Forest đạt 0.63.
2. Số liệu đánh giá chiến lược giao dịch thực tế
Kết quả kiểm thử chiến lược trên tập dữ liệu kiểm tra độc lập (Bảng 5.13 và nội dung phân tích Chương 5) thể hiện sự phân hóa rõ nét giữa học máy truyền thống và học sâu:
| Mô hình |
Sharpe Ratio |
Lợi nhuận năm (%) |
Tỷ lệ trúng - Hit Rate (%) |
MDD (%) |
Số giao dịch/ngày |
| Transformer |
3.09 |
11.93 |
55.40 |
1.40 |
— |
| LSTM |
2.64 |
5.85 |
52.27 |
0.68 |
— |
| RNN |
2.16 |
8.72 |
31.51 |
0.80 |
— |
| Random Forest |
0.92 |
0.11 |
70.00 |
0.06 |
0.02 |
| Decision Tree |
0.76 |
0.89 |
50.79 |
0.00 |
0.44 |
| Gaussian Naive Bayes |
0.48 |
1.45 |
36.00 |
1.87 |
— |
| XGBoost |
0.06 |
0.02 |
38.10 |
0.38 |
— |
Ghi chú: Giá trị MDD của Decision Tree trong bảng số liệu gốc được ghi nhận là 0.
3. Phân tích kết quả và đóng góp nghiên cứu
- Về hiệu suất mô hình: Kiến trúc Transformer dẫn đầu về hiệu quả tổng thể với Sharpe Ratio đạt 3.09 và lợi nhuận hàng năm đạt 11.93%, vượt trội so với LSTM (Sharpe 2.64, lợi nhuận 5.85%) và RNN (Sharpe 2.16, lợi nhuận 8.72%). Tuy nhiên, Transformer có MDD ở mức 1.40%, phản ánh biên độ biến động vốn cao hơn LSTM (MDD 0.68%).
- Về tính ổn định và tần suất: Các mô hình học máy truyền thống thể hiện mức sinh lời rất khiêm tốn (đều dưới 1.5%/năm). Đáng chú ý, mô hình Random Forest đạt tỷ lệ trúng lên tới 70.00% và mức sụt giảm tài sản cực thấp (MDD chỉ 0.06%), nhưng tần suất giao dịch quá thưa thớt (trung bình chỉ 0.02 lệnh/ngày), dẫn tới lợi nhuận hàng năm chỉ đạt 0.11%. Ngược lại, RNN có tỷ lệ trúng thấp nhất (31.51%), cho thấy chiến lược này phụ thuộc vào các phiên thắng lớn để bù đắp các vị thế thua lỗ nhỏ.
- Đóng góp so với nghiên cứu trước: Khóa luận đã đề xuất quy trình trích xuất đặc trưng kết hợp giữa các cửa sổ thời gian đa cấp bậc (
trend-1h đến trend-month) với vận tốc biến thiên của các chỉ báo động lượng (MACD, AO, Stochastic RSI). Đồng thời, tác giả thiết lập kỹ thuật gán nhãn dịch chuyển mẫu giúp giải quyết độ trễ tín hiệu vào lệnh của đường trung bình động, kết hợp thuật toán tối ưu hóa ngưỡng phân loại hai chiều độc lập trên tập Test 1 trước khi kiểm chứng tính ổn định trên tập dữ liệu mới Test 2.
Hạn chế và hướng nghiên cứu tiếp
Khóa luận chỉ ra các hạn chế kỹ thuật và định hướng mở rộng:
- Phạm vi dữ liệu hẹp: Nghiên cứu mới chỉ tập trung thử nghiệm bot giao dịch cho duy nhất phiên Tokyo và trên một cặp tỷ giá hối đoái là EURUSD, chưa kiểm chứng tính thích ứng trên các phiên có độ biến động và khối lượng giao dịch lớn hơn như London hay New York.
- Hạn chế cấu trúc mô hình: Mạng RNN cơ bản gặp hiện tượng suy giảm hiệu quả huấn luyện do triệt tiêu đạo hàm khi chuỗi thời gian kéo dài, dẫn đến tỷ lệ vào lệnh thành công thấp (chỉ đạt 31.51%). Mô hình Transformer tuy cho tỷ suất sinh lời vượt trội nhưng mức sụt giảm vốn tối đa (MDD 1.40%) cao hơn đáng kể so với LSTM, tiềm ẩn rủi ro khi thị trường biến động giật cục.
- Tần suất giao dịch của học máy truyền thống: Các mô hình như Random Forest và XGBoost tạo ra quá ít tín hiệu giao dịch thực tế (RF chỉ đạt 0.02 giao dịch/ngày), khiến hiệu suất sử dụng vốn bị đình trệ.
- Hướng nghiên cứu tiếp theo: Tác giả định hướng mở rộng triển khai hệ thống bot cho các khung giờ giao dịch khác (Sydney, London, New York) và đề xuất giải pháp lai (hybrid), kết hợp khả năng tối ưu hóa lợi nhuận của học sâu (Transformer/LSTM) với năng lực kiểm soát rủi ro và tỷ lệ trúng cao của học máy truyền thống (Random Forest).
Giá trị tham khảo
Báo cáo khóa luận cung cấp tài liệu tham khảo chuyên môn cho sinh viên, giảng viên và các nhà nghiên cứu thuộc các chuyên ngành Công nghệ thông tin, Khoa học dữ liệu, Hệ thống thông tin và Công nghệ tài chính (FinTech):
- Quy trình chuẩn bị dữ liệu chuỗi thời gian: Phương pháp trích xuất dữ liệu nến M1 qua giao thức MT5, kỹ thuật resample về nến M15 và cấu trúc phân chia 4 tập dữ liệu độc lập (Train, Validation, Test 1, Test 2) nhằm ngăn chặn rò rỉ dữ liệu (data leakage) trong bài toán tài chính.
- Kỹ thuật trích xuất đặc trưng và gán nhãn: Cách thức chuyển hóa các chỉ báo kỹ thuật cổ điển (MACD, RSI, AO) thành các đại lượng vector vận tốc kết hợp đường xu hướng đa chu kỳ; thuật toán dịch chuyển mẫu trung bình động để phát hiện sớm các vùng đảo chiều cục bộ.
- Quy trình tối ưu ngưỡng quyết định: Phương pháp quét lưới hai chiều để phân tách ngưỡng kích hoạt vị thế mua/bán thay vì sử dụng mức xác suất 0.5 mặc định.
- Mã nguồn và kiến trúc tích hợp hệ thống: Thiết kế kết nối hoàn chỉnh giữa môi trường tính toán khoa học Python với terminal giao dịch thực tế MetaTrader 5 và kênh kiểm soát Telegram Bot.
Câu hỏi thường gặp
1. Tại sao nghiên cứu lại chọn cặp tiền tệ EURUSD và chỉ tập trung vào phiên giao dịch Tokyo?
Cặp tiền EURUSD được lựa chọn do sở hữu tính thanh khoản cao nhất trên thị trường ngoại hối, giúp giảm thiểu rủi ro trượt giá khi khớp lệnh và có chi phí giao dịch (spread) thấp hơn nhiều so với các cặp tiền tệ chéo. Tác giả chọn thử nghiệm trước trên phiên Tokyo vì thị trường hoạt động 24/5 có biên độ biến động rất khác nhau giữa các khung giờ; việc giới hạn trong phiên Tokyo nhằm kiểm soát tính đồng nhất của biên độ dao động trước khi mở rộng sang các phiên khác như London hay New York.
2. Thuật toán gán nhãn dữ liệu của tác giả hoạt động như thế nào và đạt hiệu suất lý thuyết ra sao?
Thuật toán sử dụng đường trung bình động (MA) của giá kết hợp vận tốc biến thiên: gán nhãn mua (1) khi giá cao hơn MA với vận tốc dương, gán nhãn bán (-1) khi giá thấp hơn MA với vận tốc âm, và đứng ngoài (0) cho các vị trí còn lại. Để khắc phục độ trễ pha của đường MA, thuật toán dịch chuyển vị trí về trước một vài mẫu nhằm xác định điểm vào lệnh sớm gần các đỉnh/đáy cục bộ. Khi kiểm tra lại trên nhãn với giả định độ chính xác 100%, chiến lược gán nhãn đạt Sharpe Ratio 21.5, lợi nhuận hàng năm 71% và tỷ lệ đặt lệnh chính xác đạt 81%.
3. Mô hình nào đạt hiệu suất giao dịch tốt nhất trong nghiên cứu?
Mô hình Transformer đạt hiệu suất giao dịch tổng thể cao nhất, ghi nhận Sharpe Ratio đạt 3.09, tỷ suất sinh lời hàng năm đạt 11.93% và tỷ lệ trúng đạt 55.40%, vượt trội so với toàn bộ các mô hình học sâu và học máy truyền thống còn lại. Tuy nhiên, mức sụt giảm tài sản tối đa (MDD) của Transformer là 1.40%, cao hơn so với mô hình LSTM (0.68%) và Random Forest (0.06%).
4. Tập kiểm tra Test 1 và Test 2 có vai trò khác nhau như thế nào trong quy trình xây dựng mô hình?
Tập Test 1 (dữ liệu 2020 - 2023) được sử dụng chuyên biệt cho thuật toán tìm kiếm toàn diện (grid search) nhằm quét các tổ hợp ngưỡng kích hoạt vị thế mua (từ 0 đến 1) và bán (từ -1 đến 0) với bước nhảy 0.05 để tối đa hóa Sharpe Ratio và tối thiểu hóa MDD. Sau khi cố định được ngưỡng tối ưu, tập Test 2 (dữ liệu 2023 - 2024) đóng vai trò tập kiểm thử độc lập ngoài mẫu để đánh giá tính ổn định, tỷ suất sinh lời và mức độ rủi ro thực tế trên dữ liệu thị trường gần nhất.
5. Hệ thống giao dịch tự động ở Chương 6 được thiết kế với những thành phần nào?
Hệ thống gồm 5 thành phần chính: (1) Nền tảng MT5 và API kết nối để trích xuất dữ liệu giá thời gian thực; (2) Chương trình xử lý và dự báo vị thế viết bằng ngôn ngữ Python; (3) Mô-đun gửi lệnh giao dịch tự động lên sàn MT5 thông qua API; (4) Bot Telegram thực hiện gửi thông báo chi tiết về các lệnh được kích hoạt lên nhóm trao đổi; (5) Tệp lưu trữ định dạng CSV ghi nhận toàn bộ lịch sử giao dịch phục vụ công tác phân tích hiệu suất sau giao dịch.
Kết luận
Khóa luận của sinh viên Nguyễn Huy Mạnh đã giải quyết trọn vẹn bài toán thiết kế chiến lược giao dịch tỷ giá hối đoái tự động cho cặp EURUSD phiên Tokyo thông qua việc ứng dụng các mô hình chuỗi thời gian học máy và học sâu. Nghiên cứu chứng minh tính ưu việt của kiến trúc Transformer và LSTM trong việc tối ưu hóa tỷ suất sinh lời và chỉ số Sharpe so với các mô hình cây quyết định truyền thống. Đồng thời, tác giả đã hiện thực hóa thành công mô hình lý thuyết thành một hệ thống giao dịch tự động khép kín, tích hợp hiệu quả giữa MetaTrader 5, Python và giao diện thông báo Telegram.
