AQuA: Nâng cấp Agent nghiên cứu định lượng, đảm bảo kết quả backtest chuẩn xác

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

31/08/2026 11:01:29 Nguồn: QbitAI

Giới hạn của một hệ thống nghiên cứu tự chủ không chỉ phụ thuộc vào việc mô hình thông minh đến mức nào, mà còn phụ thuộc vào khả năng phân biệt đâu là bằng chứng mới và đâu chỉ là một kết quả cao ngẫu nhiên của hệ thống.

Các nhà nghiên cứu định lượng (quantitative researcher) khi nhìn thấy một đường cong backtest đẹp bất thường thường sẽ không ăn mừng ngay lập tức. Họ có xu hướng đặt câu hỏi trước: Liệu có sử dụng dữ liệu tương lai ở đâu đó không? Tập kiểm thử (test set) có bị xem đi xem lại nhiều lần không? Lợi nhuận này liệu có chỉ đến từ một giai đoạn thị trường đặc biệt nào đó?

Đằng sau thói quen nghề nghiệp này là một kinh nghiệm đơn giản nhất trong nghiên cứu định lượng: Tạo ra một kết quả tốt thì không khó, nhưng chứng minh nó đáng tin cậy mới là điều khó khăn.

Khi Agent bắt đầu tự đưa ra giả thuyết, chạy thử nghiệm và quyết định bước tiếp theo dựa trên kết quả, vấn đề này trở nên nan giải hơn. Một sự rò rỉ dữ liệu không bị phát hiện có thể được hệ thống lưu lại như một kinh nghiệm thành công; kể từ đó, Agent không còn tiến bộ liên tục mà đang đi chệch hướng ngày càng xa dựa trên một kết luận sai lầm.

Nhóm nghiên cứu từ Đại học Princeton, Ant Group và Đại học Stanford đã tập trung vào vấn đề này trong bài báo khoa học có tiêu đề "AQuA: Recursively Self-Improving Quantitative Trading Research Agents".

AQuA bao gồm hai hệ thống độc lập: Phần I nghiên cứu các nhân tố ký hiệu (symbolic factors), Phần II nghiên cứu các mô hình có thể huấn luyện (trainable models). Chúng sử dụng các Agent, bộ nhớ và không gian ứng viên khác nhau nhưng tuân thủ cùng một nguyên tắc nghiên cứu: Chỉ cho phép các thử nghiệm đã qua kiểm chứng đi vào vòng quyết định tiếp theo, đồng thời giữ các đường dẫn dữ liệu và quy tắc đánh giá nằm ngoài vòng lặp.

Trong các thử nghiệm, Phần I đạt được Spearman IC trên tập kiểm chứng tổ hợp khoảng 0,190 trên dữ liệu tài sản mã hóa khung 5 phút; Phần II đạt được IC theo từng cổ phiếu là +0,0843 trong dự báo lợi nhuận 30 phút tương lai của cổ phiếu Mỹ. Chiến lược long-short sau khi chuyển đổi, sau khi tính đến chi phí giao dịch hai chiều, đạt Sharpe ngoài mẫu (out-of-sample) cao nhất là +2,50. Trong giai đoạn 2021–2025, Sharpe hàng năm của chiến lược đều dương.

Hình 1: Khung tổng thể của AQuA. Việc khám phá nhân tố và phát triển mô hình đều hoàn thành vòng lặp "đưa ra giả thuyết — xây dựng — đánh giá — kiểm chứng — lựa chọn" và cập nhật bộ nhớ nghiên cứu một cách độc lập.

Bài báo: AQuA: Recursively Self-Improving Quantitative Trading Research Agents

Tác giả: Jiacheng Guo, Suozhi Huang, Yunlong Gao, Zihao Li, Jason Ge, Xu Kuang, Mengdi Wang

Tổ chức: Đại học Princeton, Ant Group, Đại học Stanford

Liên kết: https://arxiv.org/abs/2608.12841

01 Biến thử nghiệm thành cơ sở cho nghiên cứu tiếp theo

Khái niệm "recursive self-improvement" (tự cải thiện đệ quy) của AQuA không liên quan đến trọng số mô hình ở tầng dưới, mà sự thay đổi diễn ra trong quá trình nghiên cứu.

Trước khi bắt đầu một thử nghiệm, hệ thống hình thành các giả thuyết có thể kiểm chứng. Nghiên cứu nhân tố cần viết rõ cơ chế kinh tế, hướng dự báo và điều kiện bác bỏ; nghiên cứu mô hình thì cụ thể hóa ý tưởng thành một thay đổi cấu hình. Sau khi thử nghiệm kết thúc, những gì hệ thống lưu lại không chỉ là IC hay Sharpe, mà còn bao gồm lý do tại sao ứng viên được đề xuất, nó đúng trong trạng thái thị trường nào, trùng lặp với các đường cơ sở (baseline) đơn giản nào và bằng chứng nào đã bác bỏ nhận định ban đầu.

Vòng nghiên cứu tiếp theo bắt đầu từ những ghi chép này. Các cơ chế đã thất bại nhiều lần sẽ không xuất hiện trở lại chỉ bằng cách thay đổi cách diễn đạt; các tín hiệu có hướng phán đoán sai nhưng vẫn có khả năng dự báo có thể được giữ lại sau khi hiệu chỉnh; các kết quả chỉ hiệu quả trong những sự kiện cá biệt cũng sẽ đi vào bộ nhớ kèm theo các điều kiện áp dụng.

Điều này khác biệt rõ rệt với việc thêm một mô-đun bộ nhớ dài hạn cho Agent. Việc bộ nhớ có nâng cao chất lượng nghiên cứu hay không phụ thuộc vào độ tin cậy của các bằng chứng được lưu trữ trong đó. Nếu một thử nghiệm bị rò rỉ dữ liệu được ghi lại là "hiệu quả", bộ nhớ càng dài chỉ khiến sai lầm lan rộng hơn.

Do đó, AQuA tách biệt hai vấn đề thường bị trộn lẫn: Agent có thể thay đổi hướng nghiên cứu dựa trên kết quả quá khứ, nhưng nó không được phép thay đổi dữ liệu và phương pháp chấm điểm tạo ra các kết quả đó. Nghiên cứu có thể liên tục thích nghi, nhưng căn cứ để đánh giá sự thành bại của nghiên cứu phải giữ nguyên ổn định.

Do đó, năng lực của Agent không chỉ thể hiện ở việc nó có thể đề xuất bao nhiêu ứng viên, mà còn ở việc nó có thể biến thử nghiệm trước đó thành bằng chứng thực sự hữu dụng cho nghiên cứu tiếp theo hay không.

02 Một sai lầm đẹp đẽ đã thay đổi thiết kế của hệ thống

AQuA không áp dụng kiến trúc bị hạn chế như hiện tại ngay từ đầu. Phụ lục của bài báo ghi lại một thất bại sớm: khi đó, Agent có thể trực tiếp viết mã đặc trưng (feature code), và một Agent khác chịu trách nhiệm kiểm tra độ lệch nhìn trước (look-ahead bias).

Đặc trưng ứng viên trong thử nghiệm là "tỷ lệ tham gia khối lượng trong phiên", tức là tỷ lệ giữa khối lượng tích lũy từ lúc mở cửa đến thời điểm hiện tại so với khối lượng giao dịch trong ngày. Theo mô tả bằng văn bản, nó dường như chỉ phụ thuộc vào các giao dịch đã xảy ra, và Agent kiểm duyệt cũng đã thông qua dựa trên điều đó.

Tuy nhiên, mẫu số trong mã không phải là ước tính lịch sử tính đến thời điểm hiện tại, mà là tổng khối lượng từ lúc mở cửa đến khi đóng cửa trong ngày. Khi tính toán đặc trưng vào buổi trưa, khối lượng chưa xảy ra vào buổi chiều đã lọt vào mẫu số. Một phiên bản đa khung thời gian khác cũng gặp vấn đề tương tự: nhánh dữ liệu ngày tổng hợp tất cả dữ liệu phút trong ngày, nhưng lại bị đọc trực tiếp bởi các thời điểm trong phiên.

Sự rò rỉ này mang lại held-out IC cao hơn nhiều so với các đặc trưng giá-khối lượng thông thường. Sau khi phân chia lại cửa sổ đánh giá, hiệu quả không còn được duy trì, các nhà nghiên cứu phải kiểm tra từng mục dựa trên sự phụ thuộc dữ liệu của đặc trưng mới xác định được mẫu số khối lượng cả ngày này.

Điều đáng chú ý ở đây không phải là Agent đã phạm lỗi lập trình, mà là cả hai Agent đều không phát hiện ra nó. Agent tác giả và Agent kiểm duyệt đều hiểu thống nhất về ý nghĩa kinh tế của đặc trưng và đều cho rằng nó chỉ sử dụng thông tin lịch sử; vấn đề ẩn giấu trong dấu thời gian (timestamp) mà chương trình thực sự truy cập.

Thất bại này khiến nhóm nghiên cứu từ bỏ ý tưởng "thêm một lớp kiểm duyệt mô hình". Giải thích hợp lý về mặt ngữ nghĩa không thể thay thế cho việc ràng buộc đường dẫn dữ liệu. Nếu độ tin cậy phụ thuộc vào việc Agent luôn đưa ra phán đoán đúng, thì hệ thống càng chạy lâu, việc xảy ra sơ suất chỉ là vấn đề thời gian.

AQuA hiện tại không còn cho phép Agent tùy ý viết mã đặc trưng và thử nghiệm. Hệ thống đăng ký trước các toán tử nhân quả và thành phần mô hình có thể sử dụng, Agent chỉ có thể kết hợp các biểu thức hoặc gửi các thay đổi cấu hình trong phạm vi này. Khối lượng giao dịch cuối ngày không nằm trong các trường khả dụng, vì vậy đặc trưng nêu trên không có cơ hội đi vào thử nghiệm.

Việc bài báo chọn công khai toàn bộ thất bại này cũng giúp logic thiết kế của AQuA dễ hiểu hơn: Kiến trúc nhìn thấy ngày hôm nay không phải là các mô-đun được thêm vào để tạo sự hoàn chỉnh về hình thức, mà là kết quả được suy ngược từ một sự cố nghiên cứu thực tế.

03 Nghiên cứu tự chủ cần hai loại cách ly

Sự rò rỉ trong nghiên cứu định lượng không chỉ xảy ra ở giai đoạn tạo đặc trưng. Ngay cả khi mỗi thử nghiệm tuân thủ nghiêm ngặt tính nhân quả thời gian, chỉ cần Agent có thể xem đi xem lại tập kiểm thử cuối cùng, nó vẫn sẽ dần thích nghi với đoạn dữ liệu này sau nhiều lần thử nghiệm.

Vì vậy, AQuA phân biệt hai cổng vào.

Cổng vào thứ nhất đến từ quá trình tạo đặc trưng. Một khi đặc trưng, nhãn, chuẩn hóa hoặc biến đổi dữ liệu có thể truy cập thông tin sau thời điểm dự báo, thử nghiệm đã mất đi ý nghĩa ngay từ đầu. AQuA cố định việc phân chia dữ liệu, đặc trưng, nhãn và bộ đánh giá trước khi vòng lặp tự chủ bắt đầu. Phần I chỉ có thể kết hợp các chuỗi thời gian và toán tử cắt ngang đã đăng ký; Phần II chỉ có thể sửa đổi các cấu hình như cấu trúc mô hình, hàm mất mát, bộ lấy mẫu và bộ tối ưu hóa. Mô hình có thể chọn phương án nghiên cứu nhưng không thể sửa đổi bộ tải dữ liệu và logic đánh giá.

Cổng vào thứ hai đến từ quá trình lựa chọn. Giai đoạn tìm kiếm chỉ trả về cho Agent điểm số của tập kiểm chứng đã xác định trước để sắp xếp ứng viên, dừng sớm (early stopping) và chọn checkpoint. Cửa sổ kiểm thử cuối cùng chỉ chạy sau khi cấu hình đã được xác định, và kết quả sẽ không được trả về cho Agent để tiếp tục điều chỉnh tham số. Trong Phần II, giai đoạn 2010–2019 được dùng để huấn luyện, năm 2020 được để lại làm vùng cách ly, và 2021–2025 mới là cửa sổ kiểm thử cuối cùng.

Loại cách ly thứ nhất tập trung vào "đặc trưng được tạo ra như thế nào", loại cách ly thứ hai tập trung vào "ứng viên được chọn như thế nào". Cả hai đều không thể thiếu. Một mô hình hoàn toàn nhân quả vẫn có thể bị quá khớp (overfitting) vì đã xem kết quả kiểm thử quá nhiều lần; một Agent chưa bao giờ thấy tập kiểm thử cũng có thể vô tình đọc được tương lai khi xây dựng đặc trưng.

Thiết kế này đặt độ tin cậy vào chính môi trường nghiên cứu thay vì khả năng giải thích suy luận của Agent. Đối với một hệ thống nghiên cứu vận hành liên tục, điều sau rất khó kiểm chứng từng bước, trong khi điều trước có thể được kiểm toán thông qua quyền hạn, nguồn gốc dữ liệu và nhật ký vận hành.

04 Hai hệ thống, kiểm chứng cùng một năng lực nghiên cứu

AQuA không đóng gói việc khám phá nhân tố và phát triển mô hình thành một hệ thống "thống nhất" chia sẻ trạng thái. Hai phần vận hành độc lập, cung cấp hai kịch bản kiểm chứng rất khác biệt: một bên xử lý các giả thuyết ký hiệu mang ý nghĩa kinh tế, một bên xử lý cấu trúc và cấu hình huấn luyện của các mô hình sâu.