Bộ thông số được dân chuyên sử dụng để đánh giá HIỆU SUẤT của một chiến lược giao dịch!

Sau khi sử dụng một chiến lược giao dịch, một câu hỏi mà trader thường đặt ra, đó là: Nó tốt như thế nào? Chỉ số đo độ "xịn" của một chiến lược được phản ánh thông qua 3 đặc điểm:

• Lợi nhuận ổn định, ít biến động;
• Độ chính xác ổn định theo thời gian;
• Giải thích trực quan về mặt kinh tế.

Chúng ta sẽ thảo luận về 3 đặc điểm này và cùng đi qua một số số liệu đánh giá và hiệu suất. Rốt cuộc, chẳng ai muốn sử dụng một chiến lược hoạt động hiệu quả trong một khoảng thời gian nhất định do may rủi cả. Chúng ta phải đảm bảo rằng nó có hiệu lực trong các khoảng thời gian khác nhau.

Lợi nhuận ổn định với độ biến động thấp

Một chiến lược tạo ra kết quả không ổn định không phải là chiến lược được mong muốn. Chiến lược được ưu tiên lựa chọn hẳn sẽ là chiến lược có thể xử lý được các dao động thị trường khác nhau, và không mang lại 24% lợi nhuận trong một khoảng thời gian để rồi phải lỗ 54% cho giai đoạn tiếp theo.

Khó khăn ở đây là, việc đánh giá mức độ nhất quán trong tương lai cần phải thông qua cross validation (một kỹ thuật mạnh mẽ trong việc ước lượng kỹ thuật thực hiện mô hình) theo dữ liệu chuỗi thời gian và tính toán độ lệch chuẩn của các kết quả này.

Độ chính xác ổn định theo thời gian

Khái niệm này cực kỳ quan trọng vì nó cho thấy trung bình chiến lược đang hoạt động tốt như thế nào. Bạn có thể có độ chính xác tuyệt vời là 64%, nhưng trong một lần backtest khác, bạn chỉ có độ chính xác 31%.

Với chuỗi thời gian ngẫu nhiên, chúng ta quan tâm đến độ chính xác trung bình ổn định từ 52-54% với tỷ lệ R:R ít nhất là khoảng 1.8:2.0, vì điều đó sẽ cung cấp cho chúng ta lợi nhuận khi chi phí giao dịch và các khoản phí khác được xử lý. Kỹ thuật cross-validation cũng có thể được thực hiện để đo độ chính xác mỗi khi chạy mô hình.

Giải thích trực quan về mặt kinh tế

Giả sử, nếu bạn muốn dự đoán giá nhà ở, bạn sẽ trực quan nghĩ đến diện tích, số phòng ngủ, chỗ đậu xe, vị trí địa lý,... Những biến số này có tác động đến giá nhà ở, chẳng hạn nhiều phòng ngủ hơn sẽ làm tăng giá của một ngôi nhà, nếu tất cả những biến số khác bằng nhau.

Do đó, khi tạo một mô hình không phải là thuật toán tự động hồi quy, thì các biến nên được chọn để giải thích sự thay đổi trong biến phụ thuộc. Nói cách khác, khi phát triển một chiến lược cơ bản, chúng ta phải đảm bảo rằng các biến giải thích là hợp lý về mặt kinh tế.


Mục tiêu cuối cùng của giao dịch đầu cơ là mang lại lợi nhuận ròng dương sau khi trừ đi các chi phí giao dịch và các khoản phí khác nhau.

1. Lợi nhuận gộp vs. Lợi nhuận ròng

Phép đo lường đầu tiên chắc chắn là một thước đo phổ biến và quan trọng nhất.

Lợi nhuận gộp và lợi nhuận ròng là những gì các nhà đầu tư và trader đang tìm kiếm.

Lợi suất 5% cho khoản đầu tư $100.000 sẽ tương đương với lợi nhuận $5.000.

Lợi nhuận gộp (gross profit) được tính bằng giá trị hoàn vốn của sự tăng giá hoặc khấu hao của tài sản. Trong khi đó, lợi nhuận ròng (net profit) là lợi nhuận gộp (gross profit) trừ đi chi phí giao dịch, thuế và các khoản phí khác. Nó là số tiền còn lại sau khi bạn đã trả hết mọi thứ.



Với r0 là giá khởi điểm của tài sản và rt là giá cuối cùng của tài sản. Chúng ta có thể giả định rằng rt là giá trị danh mục đầu tư hiện tại và r0 là giá trị danh mục đầu tư ban đầu.

2. Tỷ lệ Sharpe, Sortino và Calmar

Tỷ lệ Sharpe là tỷ lệ lợi nhuận điều chỉnh theo rủi ro được sử dụng phổ biến nhất. Nó rất hữu ích trong việc so sánh các chiến lược khác nhau. Tất nhiên, tỷ lệ Sharpe càng cao thì chiến lược đó càng tốt. Công thức là:



Tỷ lệ Sharpe mong muốn là cao hơn 1, nếu Sharpe nhỏ hơn hoặc lớn hơn 0 thì nó cho thấy rủi ro được chấp nhận có thể là quá mức đối với mức lợi nhuận đó.

Tỷ lệ Sharpe âm có nghĩa là lợi nhuận được tạo ra thấp hơn lợi suất của tài sản phi rui ro (risk-free), do đó, đầu tư vào tài sản phi rủi ro mang lại kết quả tốt hơn.

Mặc dù có những ưu điểm, nhưng tỷ lệ Sharpe có những hạn chế như:

• Bị phụ thuộc vào thời gian.
• Không thích hợp cho các khoản lợi nhuận bất thường (non-normal return), tức là bị lệch.
• Không xem xét mối tương quan giữa các tài sản.

Tỷ lệ Sortino có cùng "trực giác" với tỷ lệ Sharpe và được tính theo cách tương tự, ngoại trừ việc chúng ta sẽ chia cho độ lệch chuẩn của lợi nhuận âm (nó được gọi là độ lệch giảm) - trái ngược với tỷ lệ Sharpe sử dụng độ lệch chuẩn của lợi nhuận bao gồm cả những lợi nhuận dương.

Tỷ lệ Sortino bằng 2 được coi là phù hợp và một nguyên tắc chung là:

• Sử dụng tỷ lệ Sharpe khi đánh giá các khoản đầu tư có độ biến động thấp.
• Sử dụng tỷ lệ Sortino cho các khoản đầu tư có độ biến động cao.

Trong khi đó, tỷ lệ Calmar sẽ lấy lợi nhuận của danh mục đầu tư và chia nó cho mức drawdown (sụt giảm tài khoản) tối đa. Nói chung, nó được sử dụng để đánh giá hiệu suất của quỹ đầu cơ và CTA.

3. Tỷ lệ thông tin (IR)

Trước khi thảo luận về IR, chúng ta cần hiểu 2 khái niệm, lợi nhuận chủ động (active return) và rủi ro chủ động (active risk).

Lợi nhuận chủ động còn được gọi là khoản lãi hoặc lỗ khi so sánh với một điểm chuẩn (benchmark) - đôi khi là một chứng khoán phi rủi ro. Chúng ta cũng có thể sử dụng một điểm chuẩn chứng khoán nếu đang quản lý một danh mục đầu tư cổ phiếu.

Rủi ro chủ động còn được gọi là lỗi theo dõi (tracking error) và nó là độ lệch chuẩn của lợi nhuận chủ động.

Do đó, tỷ lệ thông tin sẽ bằng lợi nhuận chủ động chia cho rủi ro chủ động.

4. Hệ số lợi nhuận

Đây là một phương pháp tương đối nhanh chóng và đơn giản để tính toán lợi nhuận của một chiến lược. Nó được tính bằng tổng lợi nhuận gộp chia cho tổng lỗ gộp tính theo giá trị tuyệt đối.

Do đó, việc giải thích hệ số lợi nhuận (còn được gọi là chỉ số sinh lời trong thuật ngữ tài chính doanh nghiệp) là bao nhiêu lợi nhuận được tạo ra trên một đô la lỗ. Công thức cho hệ số lợi nhuận là:


Bây giờ, chúng ta sẽ cùng khám phá rủi ro và các số liệu khác nhau có thể cung cấp cho chúng ta cái nhìn sâu sắc hơn về chiến lược của mình, từ đó giúp trader tối ưu hoá nó thật hiệu quả nhé!

1. Tỷ lệ Hit

Tỷ lệ Hit cực kỳ dễ sử dụng. Nó chỉ đơn giản là số lượng giao dịch chiến thắng trên tổng số giao dịch được thực hiện.

Ví dụ, nếu chúng ta có 1359 giao dịch trong vòng 5 năm và chúng ta đã có lãi trong 711 giao dịch trong số đó, thì tỷ lệ Hit (độ chính xác) của chúng ta là: 711/1359 = 52,31%.

2. Tỷ lệ Risk:Reward

Tỷ lệ Risk:Reward (hay gọi tắt là R:R) đo lường mức phần thưởng trung bình bạn kỳ vọng cho mỗi rủi ro bạn sẵn lòng chấp nhận.

Ví dụ, bạn muốn mua một cổ phiếu với giá $100, bạn có mục tiêu là $110 và bạn đặt lệnh dừng lỗ ở mức $95. Vậy tỷ lệ R:R của bạn là bao nhiêu?

Rõ ràng, bạn đang mạo hiểm $5 để kiếm được $10, nên tỷ lệ R:R là 10/5=2,0.

Thông thường, bạn nên luôn có một tỷ lệ cao hơn 1,0 và 2,0 là tối ưu. Trong trường hợp này, nếu bạn giao dịch với số lượng (quy mô) bằng nhau và mạo hiểm một nửa số tiền bạn mong đợi kiếm được, bạn sẽ chỉ cần tỷ lệ Hit là 33,33% để hoà vốn.

Tỷ lệ R:R tốt sẽ giúp bạn bớt căng thẳng khi phải theo đuổi một tỷ lệ Hit cao.

3. Sai số toàn phương trung bình (RMSE)

Sai số toàn phương trung bình đo lường mức độ hoạt động của mô hình bằng cách tính toán sự khác biệt giữa các dự đoán và các giá trị thực tế. Nói cách khác, nó là độ lệch chuẩn của các sai số (phần dư).

Được sử dụng nhiều trong các mô hình hồi quy, chúng ta có thể thấy rằng nó rất trực quan. RMSE càng lớn, mô hình của chúng ta càng hoạt động kém hơn do khoảng cách lớn giữa dự đoán và các giá trị thực tế.

Công thức tính RMSE gồm 3 bước:

1. Tìm phần dư (dự báo từ đi giá trị thực tế);
2. Bình phương phần dư;
3. Tính giá trị trung bình của chúng và lấy căn bậc hai.

Cũng giống như trong quá trình tính toán độ lệch chuẩn vậy.



Một thước đo khác đáng được đề cập trong mô hình tuyến tính là R bình phương (R2). Đây là hệ số rất phổ biến trong kinh tế lượng. Đó là tỷ lệ phần trăm của biến phụ thuộc được giải thích bởi (các) biến độc lập.

Trước khi giới thiệu công thức tính R2, mình xin phép đề cập đến 2 phép tính: SEE (tổng sai số bình phương) là phần mô hình không giải thích được; và SST (tổng các độ lệch bình phương toàn bộ) là phần không giải thích được cộng với phần giải thích được bởi mô hình. Trực quan, từ công thức dưới đây, chúng ta có thể thấy rằng R2 đo lường phần trăm được giải thích bởi mô hình.



Rõ ràng, số liệu này phù hợp hơn cho các chiến lược có hệ thống dựa trên các dự báo.

4. Mức drawdown tối đa

Thước đo này cùng với tỷ lệ Calmar được sử dụng nhiều trong việc đánh giá hiệu suất và rủi ro của các quỹ đầu cơ. Mức drawdown tối đa là khoảng cách từ đỉnh đến đáy của danh mục đầu tư với điều kiện đỉnh mới chưa được hình thành.

Drawdown tối đa càng gần 0 càng tốt và bằng 0 có nghĩa là giá trị của danh mục đầu tư không bao giờ thấp hơn giá trị ban đầu của nó.

5. Giá trị kỳ vọng

Giá trị kỳ vọng là một thước đo linh hoạt bao gồm tỷ lệ thắng/thua trung bình và tỷ lệ Hit. Nó cung cấp mức lời/lỗ dự kiến trên một con số đo la được tính theo tỷ lệ Hit.

Winrate (tỷ lệ thắng) là những gì chúng ta xem là tỷ lệ Hit trong công thức dưới đây, và thông qua đó, Loss ratio (tỷ lệ thua) là 1- tỷ lệ Hit.

6. Thắng và thua trung bình

Một tỷ lệ chính xác cao không đồng nghĩa với một chiến lược có lợi nhuận, mà đúng hơn là một hệ thống có khả năng dự đoán tốt. Cho nên, mục tiêu chính của hệ thống bây giờ sẽ chuyển qua việc quản lý rủi ro - bảo toàn vốn.

Điều tối quan trọng là phải có một hệ thống hiệu quả cho phép chúng ta cấu trúc giao dịch theo cách giảm thiểu rủi ro mà không cắt giảm quá nhiều kỳ vọng về lợi nhuận. Cắt lỗ là điều cần thiết để giao dịch, nếu không, khoản lỗ có thể trở nên rất lớn trong một khoảng thời gian ngắn như vậy.

Một cách để ước tính lãi và lỗ dự kiến trong tương lai là thông qua việc tính toán các giá trị lịch sử. Tất nhiên, nó không có nghĩa là những kết quả tiếp theo sẽ giống như vậy, nhưng đó là ước tính tốt nhất cho sự mong đợi của chúng ta.



Tỷ lệ phần trăm thắng trung bình được tính bằng công thức: lấy các trade thắng trước đó chia cho số lượng trade thắng. Trong khi tỷ lệ phần trăm thua trung bình được tính bằng cách lấy các trade thua trước đó chia cho số giao dịch thua.

Một dấu hiệu cho thấy khả năng sinh lời với một hệ thống có rủi ro thích hợp là khi mức lãi trung bình lớn hơn mức lỗ trung bình, càng lớn càng tốt, mặc dù khoảng cách rất lớn giữa hai tỷ lệ này có thể cho thấy lợi nhuận rất biến động.

Ví dụ, trong 5 trade thăng $100, $200, $100, $950, $50, chúng ta thấy rằng dường như trade thứ 4 là một outlier (dữ liệu ngoại lai) và có thể làm chệch mức trung bình. Đó là lý do tại sao, một hệ thống tốt sẽ có độ chính xác ổn, chiến thắng trung bình ổn và lợi nhuận ít biến động.

Vì thế, một kết luận quan trọng cần phải được nhấn mạnh ở đây. Việc độ chính xác phải trên 50% không phải là điều tối quan trọng nếu tỷ lệ lãi trung bình lớn hơn tỷ lệ lỗ trung bình. Đó là sức mạnh của quản lý rủi ro trong việc tạo ra và duy trì lợi nhuận.

7. Ước tính chi phí giao dịch

Một điều bạn luôn cần lưu ý là kết quả backtesting là SAI. Rất có thể bạn sẽ không bao giờ có được ước tính chính xác về kết quả trong tương lai, ngoại trừ có lẽ là do may mắn.

Bạn không thể ước tính chính xác phí thực tế, spread, trượt giá (slippage), và bất kỳ sự kiện bất ngờ nào khác xảy ra trong quá trình giao dịch live. Do đó, bạn nên bao gồm proxy của những chi phí này vào trong backtest của mình.

Ví dụ, hãy xem xét mức spread giá bid-ask trung bình trong lịch sử trên cặp USDCAD do broker của bạn đưa ra là 0,6 pips, điều tốt nhất bạn cần làm là giả sử rằng mức spread thực tế ít nhất bằng mức trung bình lịch sử cộng với một khoản margin cho tất cả các chi phí không mong muốn.

Bảng sau là một ví dụ chi tiết hơn cho bạn dễ hình dung:



Lập luận tốt nhất để giảm chi phí tăng lên là tránh khỏi những bất ngờ khó chịu trong quá trình trade live cũng như kiểm tra độ mạnh mẽ của mô hình khi gặp phải một môi trường biến động. Tuy nhiên, nhược điểm của việc làm như vậy là nhiều mô hình trong ngắn hạn sẽ bị lọc ra, ví dụ: các mô hình chạy trên khung M5 sẽ nhạy cảm với chi phí hơn so với các mô hình chạy trên khung H1, và do đó, việc quản lý chi phí là bắt buộc đối với mô hình để có thể cung cấp kết quả nhất quán.

Nếu mô hình của bạn phụ thuộc vào việc tối đa hoá độ chính xác của chi phí giao dịch dự kiến, thì sẽ hữu ích khi biết rằng chúng đã được chứng minh là có tương quan phi tuyến tính với một số biến nhất định như độ biến động thực tế (actual volatility). Tuy nhiên, để đơn giản hơn, bạn có thể thử hồi quy mô hình sử dụng các biến trong quá khứ để giải thích các chi phí lịch sử và giả định rằng mối quan hệ sẽ duy trì trong khung thời gian ngắn. Các đợt backtest sẽ chỉ sử dụng số lượng nhỏ các chỉ số hiệu suất này và chi phí giao dịch sẽ là tuỳ ý.

Đừng quên THẢ TIM, SHARE VÀ COMMENT để ủng hộ mình nhiều hơn nữa nhé!! Nice day cả nhà