Học trading cùng trader chuyên nghiệp Brent Donnelly – Bài học số 25: Bí quyết để nhận diện các mẫu hình giao dịch tốt hơn

Nội dung tôi muốn đề cập trong tuần này rất thú vị, nó liên quan mật thiết đến công việc hàng ngày của các trader, đó là việc nhận diện các mẫu hình. Và để mở đầu bài, tôi xin trích dẫn một câu nói nổi tiếng của Max Gunther:


Các nhà giao dịch vĩ đại là bậc thầy về nhận dạng mẫu. Họ sẽ thấy một thiết lập và nhận ra nó một cách có ý thức hoặc vô thức. Tôi nhớ lại nhiều lần sau các cú trade tuyệt vời của mình, tôi cảm thấy như mình biết điều gì sẽ xảy ra trước khi nó xảy ra. Khả năng này đến từ sức mạnh đáng kinh ngạc của việc nhận dạng khuôn mẫu của con người. Vấn đề là:

Bộ não con người được thiết lập để nhận diện các mẫu hình, ngay cả khi nó không tồn tại!

Apophenia và patternicity là những thuật ngữ mà các nhà tâm lý học sử dụng để mô tả khuynh hướng của con người trong việc nhìn thấy các khuôn mẫu hoặc mối liên hệ, ngay cả khi không tồn tại. Apophenia dẫn đến nhiều sai sót trong suy nghĩ của con người và giải thích tại sao mọi người nhìn thấy Chúa Giê-su trên bánh mì nướng, UFO trên bầu trời, dấu chân to trong rừng, v.v. Sự thiên vị của con người đối với việc nhận dạng khuôn mẫu cũng khiến những người đánh bạc đang trên đà thắng tin rằng họ sẽ tiếp tục thắng. Ngay cả những người thông minh, logic cũng thường cảm thấy như họ đang “nóng lên” sau một loạt ván bài may mắn trên bàn poker.


Điều này còn được gọi là ảo ảnh phân cụm. Mọi người khó có thể tin rằng các chuỗi kết quả thường là sự ngẫu nhiên.

Chúng tôi có manh mối để tìm ý nghĩa và tầm quan trọng trong dữ liệu ngẫu nhiên và vô nghĩa. Apophenia là cách để giải thích lý do tại sao con người tin vào các thuyết âm mưu, mắc chứng hoang tưởng và chấp nhận phản khoa học. Khi bạn nhìn thấy các mẫu hình ở khắp mọi nơi, bạn cũng sẽ thấy ý nghĩa và các kết nối. Và cần hiểu rằng bạn không phải là ngoại lệ, bạn cũng sẽ như bao người khác, có xu hướng nhìn thấy các mẫu hình cả khi nó không tồn tại.

Khả năng nhìn thấy các mẫu của con người là một phần quan trọng trong quá trình tiến hóa của chúng ta và cho phép chúng ta hiểu thế giới mà không cần phải phân tích từng mẩu thông tin mới. Ví dụ, chúng ta có thể dễ dàng suy luận một cách chính xác rằng sự hiện diện của các đám mây đen trên bầu trời có nghĩa là xác xuất mưa sẽ tăng lên trong vài giờ tới.

Sự tiến hóa ủng hộ dương tính giả (false positives) hơn âm tính giả (false negatives) vì chi phí cho dương tính giả trong tự nhiên thấp hơn nhiều so với âm tính giả. Ví dụ, có một tiếng sột soạt lớn trong bụi rậm mà Caveman Kror không thể xác định rõ ràng:




Nhìn thấy các mẫu hình không tồn tại có thể là hành vi tiến hoá vượt trội, nhưng nó không hữu ích trong giao dịch. Với bản năng rất mạnh mẽ của con người là nhìn thấy các mẫu, bạn nghĩ việc xem biểu đồ đơn giản bằng nhãn cầu, các đường xu hướng cơ bản và các mô hình phá vỡ có thể hữu ích như thế nào? Khả năng phá vỡ biểu đồ chỉ là một dương tính giả tiêu chuẩn—giống như tiếng ồn lớn trong bụi rậm là bao nhiêu? Bây giờ hãy thêm thành kiến xác nhận của con người... Có phải bạn chỉ nhìn thấy những gì bạn muốn thấy? Có lẽ thế!

Điều này không có nghĩa là không có khuôn mẫu nào trên thế giới. Nếu bạn gặp phải tình trạng giao thông đông đúc bốn ngày liên tiếp tại một nút giao thông cụ thể, bạn nên xem xét liệu có nguyên nhân nào không. Điều tra thêm hoặc tạm thời thay đổi lộ trình của bạn có thể là tối ưu. Nhưng bạn cần lưu ý rằng cách con người nhìn thấy các mẫu thiên về lỗi dương tính giả. Bạn cần phân biệt và sử dụng bộ lọc một cách khắt khe nhất để tìm kiếm các mẫu. Bạn cần xem xét rằng những gì bạn đang xem có thể là ngẫu nhiên.

Giả sử bạn nhìn thấy dòng tiêu đề trên Bloomberg: “Death Cross trong hợp đồng tương lai bạc kích hoạt tín hiệu giảm giá”. Bạn kéo câu chuyện lên và thấy một biểu đồ mơ hồ trong đó đường trung bình động 50 ngày vừa cắt xuống dưới đường trung bình động 200 ngày. Bản năng đầu tiên của bạn là mở vị thế bán? Hay sẽ tìm hiểu sâu hơn? Các mẫu như thế này không nên được coi điều quyết định. Hầu hết chúng đều vô nghĩa và không có cơ sở thực nghiệm.

Khi tôi nói “các mẫu” không chỉ có nghĩa giới hạn trong phân tích kỹ thuật. Đó là bất kỳ mối quan hệ nhân quả nào xuất hiện trên thị trường.


Các mẫu hình như ví dụ sau có thể có ý nghĩa, liên tục và có thể dự báo được:

• Vàng có xu hướng giảm giá từ 9 giờ sáng đến 10 giờ sáng (có lẽ các nhà sản xuất vàng bán vào thời điểm này?)
• Bất cứ khi nào lãi suất của Mỹ giảm xuống, USDJPY sẽ giảm xuống (các nhà đầu tư Nhật Bản thích lãi suất cao hơn?)
• AAPL có xu hướng dẫn đầu các QQQ (chỉ số dẫn đầu vốn hóa lớn?)
• Mức đáy có nhiều khả năng xảy ra ở vùng số tròn hơn là không (con người thường thể hiện sự thiên vị số tròn)
• Hai ngày trước ngày cuối cùng của tháng, USD có xu hướng tăng giá (đây là ngày nhiều tập đoàn mua USD để phòng hộ doanh thu từ nước ngoài)

…

Và như thế. Nhận dạng mẫu tinh vi có thể là một nguồn lợi thế đáng kể khi nó không bị sai lệch.

Tìm và phân tích các mẫu

Tôi dành phần lớn thời gian của mình để phân tích dữ liệu nhằm xác định xem các mẫu có giá trị dự đoán hay không. Thông thường, câu trả lời là "không". Dành thời gian để phân tích các mẫu và xác định xem chúng có hữu ích cho việc dự báo hay không là một cách tốt để vượt qua chứng apophenia kể trên và tìm kiếm các công cụ để đánh bại thị trường.

Đây là phương pháp bốn bước đơn giản của tôi để chấp nhận hoặc từ chối các mẫu:

• Xác định một mô hình hoặc mối quan hệ.

• Tạo ra một giả thuyết. Các mẫu tốt nhất có một số loại logic cơ bản. Nếu vàng giảm mỗi ngày từ 9 giờ sáng đến 10 giờ sáng, có thể đó là thời điểm các nhà sản xuất vàng bán ra. Nếu bạn có thể giải thích một cách hợp lý lý do tại sao một mẫu hoạt động, thì nhiều khả năng mẫu đó không ngẫu nhiên và nó sẽ có tính bền bỉ.

• Phân tích dữ liệu.

• Chấp nhận hoặc loại bỏ mô hình.

Đây là một phiên bản rút gọn của phương pháp khoa học. Hầu hết các mẫu bạn phân tích sẽ vô giá trị. Bạn sẽ gạt bỏ chúng và tiếp tục. Mặt khác, một số mẫu bạn thấy không ngẫu nhiên có thể cực kỳ có giá trị đối với giao dịch trong tương lai của bạn.


Mỗi khi bạn nhận thấy một khuôn mẫu, hãy rút gọn nó thành thứ gì đó mà bạn có thể kiểm tra và sau đó bắt tay vào thực hiện. Bạn không cần các kỹ năng định lượng phức tạp để thực hiện việc kiểm tra lại cơ bản các lý thuyết đơn giản. Khi bạn kiểm tra lại một mẫu, bạn sẽ hiểu sâu hơn nhiều về việc liệu nó có phải là ngẫu nhiên hay không và bạn biết liệu có nên đưa nó vào các quyết định giao dịch của mình hay không.

Mẹo backtest

Backtesting là toàn bộ lĩnh vực nghiên cứu định lượng và có sự phức tạp đáng kể liên quan. Tôi không phải là chuyên gia tài chính máy tính hay toán ứng dụng, vì vậy tôi muốn giữ mọi thứ đơn giản nhất có thể. Tôi đưa ra một lý thuyết, và sau đó tôi kiểm tra nó. Tôi không chỉnh sửa các thông số cho đến khi tôi tìm thấy thứ gì đó hữu ích.

Khi kiểm tra giả thuyết của bạn, hãy lưu ý một số điều:

• Luật số nhỏ. Bạn cần một mẫu quan sát phù hợp để phân tích của bạn có ý nghĩa. Nếu bạn thấy rằng cổ phiếu TSLA đã giảm liên tiếp trong bốn tháng Tư vừa qua, thì điều đó thật vô nghĩa. Nếu nó giảm 33 trong số 41 ngày thứ Sáu vừa qua, điều đó có thể có ý nghĩa gì đó. Mặc dù không có quy tắc cứng nhắc nào về qui mô cỡ mẫu hợp lệ, nhưng bất kỳ nghiên cứu nào sử dụng ít hơn 30 quan sát đều có rủi ro và có thể kém tin cậy hơn.

• Bạn càng xem xét cẩn thận, thì càng có nhiều khả năng bất cứ điều gì bạn tìm thấy là không có thật hoặc sai lệch. Giả sử bạn muốn xem thị trường chứng khoán hoạt động như thế nào vào thứ Hai sau khi giảm 3% vào thứ Sáu. Bạn thấy không có gì thú vị. Vì vậy, sau đó bạn kiểm tra xem nó hoạt động như thế nào sau khi giảm 4% vào thứ Sáu. Vẫn không có gì. Sau đó, bạn tăng ngưỡng lên 5% và nhận thấy mức trung bình vào thứ Hai tiếp theo sẽ giảm thêm 2%. Sau đó, bạn kiểm tra, “Điều gì sẽ xảy ra nếu cổ phiếu giảm 2% trở lên vào thứ Năm VÀ 5% trở lên vào thứ Sáu”… Bạn càng loay hoay với các thông số của mình, bạn càng có nhiều khả năng tìm thấy kết quả “thú vị. Tuy nhiên đừng “tra tấn” dữ liệu của bạn trong nỗ lực khiến nó trở nên có ý nghĩa.

• Hãy nhận biết xu hướng trong dữ liệu của bạn. Nếu bạn thực hiện bất kỳ nghiên cứu nào về dữ liệu S&P 500 kể từ năm 1930, nhìn chung bạn sẽ thấy rằng các chiến lược tăng giá hoạt động tốt và các chiến lược giảm giá hoạt động kém! Điều này có ý nghĩa vì cổ phiếu đã tăng rất nhiều trong khoảng thời gian đó. Xu hướng trường tồn trong dữ liệu là động lực quan trọng đối với đầu ra của bất kỳ chiến lược nào bạn phân tích.

• Bất kể điều gì đó hoạt động tốt như thế nào trong quá khứ, không có gì đảm bảo rằng nó sẽ hoạt động trong tương lai. Trong một thế giới với vô số dữ liệu, nhiều mối quan hệ và một số lượng lớn các nhà phân tích tinh vi, mọi người sẽ tìm ra các chiến lược đã hoạt động trong quá khứ. Nếu bạn có ý kiến mạnh mẽ về lý do tại sao chiến lược này có khả năng hoạt động trong tương lai, giá trị phân tích của bạn sẽ cao hơn.

• Đừng xây dựng các mô hình hồi quy trừ khi bạn biết mình đang làm gì. Các mô hình hồi quy có thể hữu ích nhưng thường đòi hỏi kiến thức phức tạp để tránh khai thác dữ liệu, trang bị quá mức và các lỗi khác.

Cuối cùng, cần nhắc bạn rằng hầu hết các mô hình trong tài chính là mang tính ngẫu nhiên, bạn cần phải tìm ra bằng chứng và sử dụng các logic trước khi chấp nhận một mẫu là có ý nghĩa.

Phần kết luận

Backtesting nghe có vẻ khó khăn nếu bạn không phải là một nhà định lượng, nhưng tin tôi đi, nó rất dễ dàng. Đừng sợ Excel - nếu bạn dành vài tuần để thử mọi thứ và tra Google, Excel làm được điều gì đó… Trước khi bạn biết điều đó, bạn sẽ có nhiều khả năng nhanh chóng kiểm tra các lý thuyết dựa trên giá cả và dữ liệu. Bạn không cần những kỹ năng toán học điên rồ để backtest đâu.

Sử dụng phương pháp khoa học để kiểm tra các mẫu. Không tối ưu hóa các tham số. Đừng trông đợi một kết quả ý nghĩa nếu ý tưởng ban đầu của bạn không có gì. Hãy trung thực với phân tích của bạn và nhớ rằng con người được tạo ra để nhìn thấy các khuôn mẫu, ngay cả khi không tồn tại.

Cảm ơn bạn đã đọc bài của tuần này, hẹn gặp lại.
Brent Donnelly,

Nguồn: 50in50