Lịch Sử Khủng Hoảng, Sự Thích Nghi Và Thành Công Của Giao Dịch Định Lượng

1.
Tháng 8/2007 – Quant Quake:
Bài Học Về Đám Đông Thuật Toán

Trong tuần bắt đầu từ ngày 6 tháng 8 năm 2007, nhiều chiến lược
quantitative long/short equity ghi nhận các khoản lỗ bất thường.
Điều đáng chú ý là mức thua lỗ xảy ra ngay cả khi biến động của
thị trường cổ phiếu chung chưa phản ánh đầy đủ mức độ căng thẳng
trong các danh mục định lượng.

Sự kiện này thường được gọi là
Quant Quake hoặc
Quant Meltdown.

Nghiên cứu của Khandani và Lo cho thấy diễn biến này phù hợp với
giả thuyết nhiều danh mục có cấu trúc tương tự bị giải đòn bẩy
đồng thời, tạo thành một quá trình bán tháo cưỡng bức trên diện
rộng [1].

Crowded Trades – Khi nhiều mô hình nhìn thấy cùng một Alpha

Nhiều quỹ long/short equity thời điểm đó sử dụng những biến số
tương đối giống nhau để xếp hạng cổ phiếu, chẳng hạn như:

• Định giá tương đối.
• Động lượng giá.
• Khả năng sinh lời và chất lượng doanh nghiệp.
• Mean reversion ngắn hạn.
• Tín hiệu thanh khoản và khối lượng.

Khi nhiều mô hình cùng xác định một nhóm cổ phiếu là “rẻ” và một
nhóm khác là “đắt”, các danh mục được xây dựng có thể trở nên
giống nhau dù các quỹ không chia sẻ thuật toán.

Điều này tạo ra một dạng
hedge-fund beta: hiệu suất của các chiến lược
tưởng như độc lập lại bị chi phối bởi những yếu tố chung như
thanh khoản, positioning và dòng vốn.

Liquidity Cascade – Hiệu ứng thác thanh khoản

Khi một tổ chức cần giảm đòn bẩy, họ có thể bán các vị thế Long
và mua lại các vị thế Short. Những giao dịch này đẩy giá đi ngược
hướng với danh mục của các quỹ đang giữ vị thế tương tự.

Các quỹ khác sau đó ghi nhận mức lỗ tăng lên, chạm giới hạn rủi
ro và tiếp tục thanh lý danh mục. Chu trình có thể được mô tả như
sau:

Trong môi trường này, tương quan giữa các chiến lược có thể tăng
mạnh đúng vào thời điểm nhà quản lý kỳ vọng danh mục được đa dạng
hóa tốt nhất.

Những thay đổi sau Quant Quake

Sau sự kiện năm 2007, các tổ chức định lượng bắt đầu xem
crowding và thanh khoản như những biến số rủi ro độc lập thay vì
chỉ xem chúng là chi phí giao dịch.

Các hệ thống hiện đại thường bổ sung:

• Chỉ số đo lường mức độ crowded của tín hiệu.
• Giới hạn capacity theo khối lượng giao dịch thị trường.
• Ước tính thời gian cần thiết để thanh lý danh mục.
• Stress test khi tương quan đồng loạt tiến về một.
• Điều chỉnh position sizing theo thanh khoản.
• Giới hạn tập trung ở cấp độ factor và strategy.

2.
Flash Crash 2010:
Khi Vi Cấu Trúc Thị Trường Trở Thành Rủi Ro Hệ Thống

Ngày 6 tháng 5 năm 2010, các chỉ số chứng khoán Mỹ trải qua một
đợt giảm và phục hồi với tốc độ chưa từng có.

Theo báo cáo của CFTC và SEC, các chỉ số lớn vốn đã giảm hơn 4%
trong ngày, sau đó tiếp tục giảm thêm khoảng 5–6% chỉ trong vài
phút trước khi phục hồi gần như nhanh tương đương [2].

Hơn 20.000 giao dịch thuộc trên 300 chứng khoán được thực hiện tại
mức giá cách hơn 60% so với giá chỉ vài phút trước đó [2].

Lệnh bán lớn trên E-Mini S&P 500

Một tổ chức lớn đã khởi động chương trình bán
75.000 hợp đồng E-Mini S&P 500.

Thuật toán được thiết lập để bán với tốc độ tương đương 9% khối
lượng giao dịch của phút trước, nhưng không điều chỉnh theo giá
hoặc thời gian [2].

Khi khối lượng thị trường tăng, thuật toán cũng tăng tốc bán.
Cơ chế này vô tình tạo thành một vòng phản hồi:

Vai trò của High-Frequency Traders

Các HFT ban đầu hấp thụ một phần dòng lệnh bán. Tuy nhiên, thay vì
nắm giữ lượng tồn kho lớn, họ nhanh chóng bán lại các hợp đồng cho
những HFT khác.

Báo cáo mô tả hiện tượng này như một quá trình giao dịch luân
chuyển nhanh, thường được gọi là
hot-potato trading.

Khi rủi ro tăng cao, nhiều thành viên thị trường giảm hoặc rút
thanh khoản. Độ sâu của sổ lệnh suy giảm khiến một lượng lệnh không
quá lớn cũng có thể gây ra biến động giá cực đoan.

Vấn đề không chỉ nằm ở tốc độ

Flash Crash không chứng minh rằng giao dịch nhanh luôn gây bất ổn.
Sự kiện cho thấy nguy hiểm xuất hiện khi nhiều cơ chế tự động cùng
tương tác trong điều kiện:

• Thanh khoản đang suy giảm.
• Thuật toán không có giới hạn nhạy cảm với giá.
• Các thị trường futures, ETF và cổ phiếu liên kết chặt chẽ.
• Nhiều market maker đồng thời giảm rủi ro tồn kho.
• Cơ chế ngắt giao dịch giữa các sàn chưa đồng bộ.

Những thay đổi sau Flash Crash

Sự kiện năm 2010 thúc đẩy các cơ quan quản lý và tổ chức giao dịch
xây dựng nhiều lớp kiểm soát mới:

• Circuit breakers cho từng chứng khoán.
• Cơ chế Limit Up–Limit Down.
• Kill switch ở cấp độ thuật toán.
• Giới hạn số lượng và tốc độ gửi lệnh.
• Kiểm tra giá trước khi gửi lệnh ra thị trường.
• Giám sát order-book imbalance theo thời gian thực.
• Kiểm soát tương tác giữa nhiều thị trường liên quan.

3.
Cú Sốc COVID-19:
Bài Kiểm Tra Của CTA, Quản Trị Rủi Ro Và Alternative Data

Tháng 3 năm 2020 ghi nhận một trong những đợt điều chỉnh nhanh
nhất của thị trường tài chính hiện đại.

Cú sốc COVID-19 đồng thời ảnh hưởng đến cổ phiếu, tín dụng,
hàng hóa, thanh khoản và hoạt động kinh tế thực. Đây là môi trường
đặc biệt khó khăn đối với các mô hình được xây dựng từ những giai
đoạn thị trường tương đối ổn định.

Không phải mọi chiến lược Quant đều chiến thắng

COVID-19 không phải là một chiến thắng đồng đều của toàn bộ ngành
định lượng. Một số mô hình chịu tổn thất do biến động tăng nhanh,
tương quan thay đổi và thị trường đảo chiều mạnh sau các biện pháp
can thiệp chính sách.

Trend following có thể bảo vệ danh mục khi xu hướng giảm kéo dài
đủ lâu để mô hình thay đổi vị thế. Tuy nhiên, khi thị trường giảm
rất nhanh rồi phục hồi ngay lập tức, các hệ thống chậm có thể
phản ứng muộn ở cả hai chiều.

Dữ liệu của SG Trend Index cho thấy nhóm trend-following tăng
khoảng 1,1% trong cú sốc biến động ban đầu của
COVID-19, chủ yếu nhờ vị thế Long trái phiếu và USD [4].

Kết quả này tích cực nhưng không đủ để kết luận trend following
luôn là lớp phòng vệ đầu tiên trong mọi cú sốc.

Volatility Scaling

Một trong những cơ chế thích nghi quan trọng của hệ thống hiện đại
là điều chỉnh quy mô vị thế theo độ biến động.

Khi volatility tăng, position size được giảm để duy trì ngân sách
rủi ro gần với mục tiêu:

Cơ chế này không ngăn được mọi tổn thất, nhưng có thể hạn chế việc
danh mục tiếp tục giữ nguyên mức tiếp xúc khi thị trường trở nên
nguy hiểm hơn nhiều so với giai đoạn backtest.

Regime Detection

Sau các cuộc khủng hoảng trước đó, nhiều hệ thống bắt đầu phân biệt
giữa các trạng thái thị trường thay vì giả định một bộ tham số có
thể hoạt động trong mọi thời kỳ.

Những biến số thường được sử dụng để phát hiện sự thay đổi chế độ
bao gồm:

• Độ biến động thực tế và implied volatility.
• Correlation giữa các lớp tài sản.
• Credit spread.
• Market breadth.
• Thanh khoản và độ sâu sổ lệnh.
• Tốc độ thay đổi của các biến số vĩ mô.

Các mô hình Markov-switching, hidden-state models hoặc change-point
detection có thể được sử dụng để ước lượng xác suất thị trường đang
chuyển từ trạng thái bình thường sang trạng thái căng thẳng.

Alternative Data và Nowcasting

Một bài học nổi bật từ COVID-19 là dữ liệu truyền thống thường
được công bố quá chậm so với tốc độ thay đổi của nền kinh tế.

Các nhà nghiên cứu và tổ chức bắt đầu sử dụng nhiều hơn các nguồn
dữ liệu tần suất cao như:

• Dữ liệu di chuyển và vị trí.
• Lưu lượng giao thông.
• Giao dịch thẻ và dữ liệu thanh toán.
• Nhu cầu điện năng.
• Dữ liệu vận chuyển và chuỗi cung ứng.
• Tin tức và văn bản theo thời gian thực.

Những dữ liệu này không thay thế hoàn toàn báo cáo kinh tế chính
thức, nhưng có thể hỗ trợ nowcasting và giúp mô hình nhận diện thay
đổi trước khi dữ liệu hàng tháng hoặc hàng quý được công bố [5].

4.
Kiến Trúc Của Một Hệ Thống Quant Có Khả Năng Thích Nghi

Những cuộc khủng hoảng cho thấy một hệ thống giao dịch bền vững
không thể chỉ bao gồm mô hình dự báo tín hiệu.

Một kiến trúc hoàn chỉnh phải kết hợp nhiều lớp độc lập:

Lớp dữ liệu

• Kiểm tra dữ liệu thiếu và dữ liệu bất thường.
• Quản lý thời điểm công bố dữ liệu.
• Phát hiện data drift.
• Duy trì nhiều nguồn dữ liệu dự phòng.

Lớp mô hình

• Kiểm định ngoài mẫu.
• Walk-forward testing.
• Kiểm tra sensitivity của tham số.
• So sánh nhiều mô hình thay vì phụ thuộc vào một mô hình.

Lớp danh mục

• Volatility targeting.
• Giới hạn factor exposure.
• Kiểm soát tương quan và concentration.
• Stress test trong các kịch bản thanh khoản thấp.

Lớp thực thi

• Price limits và volume limits.
• Market-impact model.
• Order-book monitoring.
• Kill switch và cơ chế chuyển sang chế độ an toàn.

Lớp giám sát

• Theo dõi hiệu suất thực tế so với backtest.
• Phát hiện model decay.
• Cảnh báo structural break.
• Cơ chế can thiệp của con người khi cần thiết.