Các mô hình ngôn ngữ lớn ban đầu tỏ ra hiệu quả trong việc canh thời điểm thị trường chứng khoán nhưng không thể vượt trội so với các chuẩn mực trong giai đoạn kéo dài và khi điều kiện thị trường thay đổi, theo một nghiên cứu được công bố ngày 25/6.
Quay lại
Nghiên cứu mới phát hiện AI không thể canh thời điểm thị trường chứng khoán trong dài hạn
Các mô hình ngôn ngữ lớn được ca ngợi về khả năng canh thời điểm thị trường chứng khoán đã mất đi lợi thế trong các giai đoạn kéo dài và không thể thích ứng khi điều kiện thị trường thay đổi, theo một nghiên cứu được công bố ngày 25/6, thách thức tiền đề về các chiến lược giao dịch dựa trên AI.
"Các LLM cho thấy hiệu suất ban đầu mạnh mẽ trong các nhiệm vụ canh thời điểm thị trường, nhưng lợi thế đó suy giảm khi khung thời gian đánh giá kéo dài và chế độ thị trường thay đổi", tác giả chính của nghiên cứu cho biết, người đã thử nghiệm nhiều mô hình tiên tiến so với các chuẩn mực mua-và-nắm giữ qua các khung thời gian khác nhau. Bài báo chưa được bình duyệt đồng cấp.
Nghiên cứu đã thử nghiệm các mô hình bao gồm GPT-4 của OpenAI và Claude của Anthropic trong các nhiệm vụ như dự đoán biến động hướng đi của chỉ số S&P 500 và tín hiệu luân chuyển ngành. Trong khi các mô hình đạt tỷ lệ chính xác trên 55% trong ba tháng đầu giao dịch mô phỏng — vượt qua xác suất ngẫu nhiên và các chiến lược động lượng đơn giản — hiệu suất đã giảm xuống mức gần cơ bản trong các giai đoạn 12 tháng. Sự suy giảm rõ rệt nhất xảy ra trong các đợt biến động tăng vọt và đảo chiều xu hướng, nơi các mô hình không thể điều chỉnh việc tạo tín hiệu.
Những phát hiện này được đưa ra khi thị trường các công cụ đầu tư hỗ trợ bởi AI đang mở rộng. Tài sản đang được quản lý trong các quỹ định lượng dựa trên AI đã tăng lên ước tính khoảng 450 tỷ USD trên toàn cầu, theo dữ liệu từ Preqin, với các công ty như Two Sigma, Renaissance Technologies và Bridgewater Associates đang đầu tư mạnh vào các hệ thống giao dịch dựa trên LLM. Nghiên cứu cho thấy rằng các mô hình được đào tạo trên dữ liệu lịch sử có thể mã hóa các mô hình bị phá vỡ khi cấu trúc vi mô thị trường thay đổi — một vấn đề được gọi là phân phối lệch (distribution shift) vốn đã gây khó khăn cho các chiến lược định lượng từ lâu.
Tại Sao Các Mô Hình Đa Năng Gặp Khó Khăn Với Thị Trường
Hạn chế cốt lõi bắt nguồn từ cách các LLM được xây dựng. Các mô hình này tối ưu hóa cho khả năng hiểu ngôn ngữ rộng trên hàng triệu ví dụ đào tạo, không phải cho các mô hình hẹp, phụ thuộc vào chế độ vận hành chi phối thị trường tài chính. Một mô hình được đào tạo trên văn bản từ 2020 đến 2024 có thể học các mối tương quan — chẳng hạn như lợi suất trái phiếu kho bạc giảm thúc đẩy cổ phiếu công nghệ tăng — mà có thể đảo ngược khi môi trường vĩ mô thay đổi, như đã xảy ra khi Cục Dự trữ Liên bang Mỹ (Fed) bắt đầu chu kỳ thắt chặt vào năm 2022.
Điều này phản ánh một xu hướng rộng hơn được xác định bởi ScaleDown AI, một công ty đánh giá chuẩn mực gần đây phát hiện rằng các mô hình ngôn ngữ nhỏ chuyên biệt vượt trội hơn các LLM tiên tiến trong các công việc phân loại hẹp tới 8% trong khi chi phí vận hành rẻ hơn 161 lần. Nguyên tắc tương tự áp dụng cho việc canh thời điểm thị trường: một mô hình đa năng được yêu cầu dự đoán hướng đi của cổ phiếu mang theo chi phí của hàng tỷ tham số được đào tạo cho các nhiệm vụ không liên quan, trong khi một mô hình được xây dựng có mục đích có thể tập trung năng lực vào các tín hiệu đặc thù thị trường.
Điều Này Có Ý Nghĩa Gì Đối Với Chiến Lược Giao Dịch AI
Đối với các nhà đầu tư, nghiên cứu đặt ra câu hỏi về độ bền của lợi nhuận siêu ngạch (alpha) do AI tạo ra. Nếu các chiến lược canh thời điểm dựa trên LLM suy giảm theo thời gian, 450 tỷ USD đang chảy vào các quỹ tăng cường AI có thể phải đối mặt với một cuộc thanh lọc hiệu suất khi điều kiện thị trường chắc chắn thay đổi. Nghiên cứu cho thấy các công ty dựa vào các mô hình tiên tiến có sẵn cho tín hiệu giao dịch có thể thấy lợi thế của họ bị xói mòn nếu không có khả năng phát hiện chế độ thị trường liên tục và đào tạo lại mô hình — những năng lực vẫn còn đắt đỏ và khó triển khai ở quy mô lớn.
Các quỹ phòng hộ định lượng xây dựng các mô hình độc quyền, đặc thù thị trường có thể hoạt động tốt hơn so với các quỹ sử dụng LLM đa năng, nhưng các phát hiện của nghiên cứu áp dụng rộng rãi cho bất kỳ hệ thống nào được đào tạo trên các mô hình giá lịch sử mà không có cơ chế xử lý thay đổi chế độ rõ ràng. Bài báo khuyến nghị các hệ thống giao dịch AI nên kết hợp các cơ chế chặn dựa trên biến động nhằm giảm ảnh hưởng của mô hình trong các thay đổi chế độ — một tính năng hiện đang thiếu trong hầu hết các triển khai hiện tại.
Bài viết này chỉ nhằm mục đích cung cấp thông tin và không cấu thành lời khuyên đầu tư.
