Từ Số 0 Đến Quant: Top 10 Cuốn Sách Về Giao Dịch Định Lượng

Quant Trading là một lĩnh vực liên ngành. Để xây dựng một hệ thống giao dịch, người học có thể phải tiếp cận từ tư duy chiến lược, quản trị rủi ro và cơ chế vận hành thị trường đến thống kê, chuỗi thời gian và học máy.

Khi tìm kiếm các tài liệu và sách về giao dịch định lượng, vấn đề không nằm ở việc thiếu sách, mà ở việc nên đọc cuốn nào trước và mỗi cuốn giúp giải quyết phần nào của quá trình nghiên cứu.

Tiếp nối bài viết Giao dịch định lượng là gì?, danh sách dưới đây chọn lọc 10 cuốn sách theo một lộ trình từ nền tảng đến chuyên sâu. Các sách được lựa chọn dựa trên ba tiêu chí:

• Làm rõ một thành phần quan trọng của hệ thống giao dịch định lượng.
• Có giá trị tham khảo lâu dài, thay vì chỉ giới thiệu một vài chiến lược có sẵn.
• Phù hợp để kết nối thành lộ trình tự học cho nhà đầu tư và người phân tích dữ liệu.

Bạn không cần đọc đủ cả mười cuốn hoặc tuân theo một thứ tự cố định. Hãy bắt đầu từ cuốn phù hợp nhất với kiến thức hiện tại và vấn đề mình đang muốn giải quyết.

Giai đoạn 1: Hiểu một hệ thống giao dịch định lượng vận hành như thế nào

Ở giai đoạn đầu, mục tiêu chưa phải viết mã lập trình hay tìm kiếm chiến lược sinh lời. Bạn cần hiểu một hệ thống Quant gồm những thành phần nào, nhà giao dịch độc lập có thể tiếp cận lĩnh vực này ra sao và những giới hạn thực tế nằm ở đâu.

1. Inside the Black Box — Rishi K. Narang

Ảnh bìa cuốn Inside the Black Box, tác giả Rishi K. Narang

Phù hợp với: Người mới muốn hiểu bức tranh tổng thể mà chưa có nền tảng toán học chuyên sâu.

Inside the Black Box giải thích cách các hệ thống đầu tư định lượng hoạt động bằng ngôn ngữ tương đối trực quan. Thay vì bắt đầu bằng công thức, Rishi Narang bóc tách “hộp đen” thành những thành phần như mô hình tìm kiếm lợi nhuận vượt trội, quản trị rủi ro, xây dựng danh mục, chi phí giao dịch và thực thi lệnh.

Đây là cuốn sách phù hợp để đọc đầu tiên vì nó cung cấp một bản đồ tổng quát. Sau khi đọc, bạn chưa thể tự xây dựng một chiến lược hoàn chỉnh, nhưng sẽ hiểu mỗi kỹ năng cần học sau đó phục vụ phần nào trong hệ thống.

Nên ưu tiên ấn bản thứ ba, phát hành năm 2024, với tên đầy đủ Inside the Black Box: A Simple Guide to Systematic Investing. Wiley giới thiệu đây là phiên bản cập nhật, tiếp tục giải thích đầu tư định lượng và giao dịch thuật toán theo hướng không quá nặng về toán học.

Lưu ý: Cuốn sách tập trung vào cấu trúc và tư duy hệ thống, không phải giáo trình lập trình.

2. Quantitative Trading — Ernest P. Chan

Ảnh bìa cuốn Quantitative Trading, tác giả Ernest P. Chan

Phù hợp với: Nhà đầu tư cá nhân muốn chuyển từ tìm hiểu khái niệm sang xây dựng một quy trình thực tế.

Quantitative Trading: How to Build Your Own Algorithmic Trading Business trả lời những câu hỏi rất gần với người tự nghiên cứu:

• Tìm ý tưởng chiến lược ở đâu?
• Đánh giá chiến lược bằng những chỉ số nào?
• Những sai lệch nào thường khiến kết quả kiểm thử trở nên quá đẹp?
• Cần chuẩn bị dữ liệu, vốn và hạ tầng ra sao?
• Khi nào một chiến lược không còn phù hợp?

Điểm mạnh của Ernest Chan là tiếp cận Quant từ vị trí của nhà giao dịch độc lập, thay vì mặc định người đọc đang làm việc trong một quỹ đầu tư lớn. Ấn bản thứ hai bổ sung các nội dung liên quan đến công cụ, chiến lược và quá trình vận hành hệ thống giao dịch.

Đây là cuốn phù hợp nhất để trả lời câu hỏi:

Một cá nhân có thể bắt đầu giao dịch định lượng với nguồn lực giới hạn như thế nào?

Lưu ý: Sách giúp người đọc hình thành quy trình nghiên cứu và vận hành, không cung cấp một công thức sinh lời có thể áp dụng nguyên trạng.

Giai đoạn 2: Xây dựng và kiểm định hệ thống giao dịch

Sau khi hiểu được bức tranh chung, người đọc cần học cách biến một ý tưởng thành quy tắc, xác định quy mô vị thế và kiểm tra xem kết quả có thực sự chứa thông tin hay chỉ là sản phẩm của việc điều chỉnh quá mức theo dữ liệu quá khứ.

3. Systematic Trading — Robert Carver

Ảnh bìa cuốn Systematic Trading, tác giả Robert Carver

Phù hợp với: Người muốn xây dựng hệ thống giao dịch có kỷ luật, đặc biệt quan tâm đến quản trị vị thế và rủi ro.

Robert Carver không tập trung vào việc tìm một chỉ báo “tốt nhất”. Ông xây dựng một khung hoàn chỉnh gồm dự báo, chuẩn hóa tín hiệu, kết hợp nhiều quy tắc, điều chỉnh mức độ rủi ro theo biến động và xác định quy mô vị thế.

Giá trị lớn nhất của cuốn sách nằm ở cách Carver đưa quản trị rủi ro vào trung tâm của hệ thống. Một tín hiệu tốt chưa đủ; nhà giao dịch còn phải biết nên phân bổ bao nhiêu vốn và điều chỉnh mức độ tiếp xúc với thị trường như thế nào khi biến động thay đổi.

Tác giả cho biết cấu trúc trong sách có thể được sử dụng cho nhiều nhóm tài sản, đồng thời phù hợp với cả người giao dịch hoàn toàn theo hệ thống và người muốn kết hợp quy tắc với phán đoán cá nhân.

Lưu ý: Một số phần tính toán cần được đọc chậm và tự triển khai lại bằng bảng tính hoặc Python để hiểu rõ.

4. Evidence-Based Technical Analysis — David Aronson

Ảnh bìa cuốn Evidence-Based Technical Analysis, tác giả David Aronson

Phù hợp với: Người đang sử dụng chỉ báo hoặc quy tắc kỹ thuật và muốn kiểm tra chúng bằng phương pháp khoa học.

Đây không phải cuốn sách dạy phân tích biểu đồ theo nghĩa truyền thống. David Aronson tập trung vào câu hỏi khó hơn:

Làm thế nào để biết một tín hiệu giao dịch thực sự có giá trị thống kê?

Sách trình bày cách chuyển nhận định kỹ thuật thành quy tắc khách quan, xây dựng giả thuyết có thể bị bác bỏ, thực hiện kiểm định thống kê và nhận diện thiên lệch do khai phá dữ liệu. Wiley mô tả mục tiêu của sách là áp dụng phương pháp khoa học và suy luận thống kê để đánh giá hiệu quả thực sự của các tín hiệu kỹ thuật.

Cuốn sách đặc biệt hữu ích với nhà đầu tư từng thử hàng chục chỉ báo rồi chọn bộ tham số có kết quả lịch sử đẹp nhất. Nó giúp giải thích vì sao càng thử nhiều quy tắc, xác suất tìm thấy một kết quả tốt chỉ do ngẫu nhiên càng cao.

Lưu ý: Phần thống kê không nhẹ, nhưng tư duy về khả năng bác bỏ giả thuyết, kiểm định trên dữ liệu chưa từng dùng để xây dựng mô hình và thiên lệch khai phá dữ liệu vẫn rất đáng đọc ngay cả khi chưa triển khai toàn bộ công thức.

5. Algorithmic Trading — Ernest P. Chan

Ảnh bìa cuốn Algorithmic Trading, tác giả Ernest P. Chan

Phù hợp với: Người đã có kiến thức Python hoặc MATLAB cơ bản và muốn tìm hiểu cách triển khai một số nhóm chiến lược phổ biến.

Nếu Quantitative Trading trình bày quy trình tổng thể, Algorithmic Trading: Winning Strategies and Their Rationale đi sâu hơn vào lý do hình thành và cách triển khai chiến lược.

Sách tập trung đáng kể vào:

• Giao dịch dựa trên xu hướng giá quay về mức cân bằng.
• Quan hệ đồng liên kết giữa các tài sản.
• Chiến lược với cổ phiếu và quỹ ETF.
• Động lượng giá theo ngày và trong phiên.
• Kiểm thử chiến lược và thực thi tự động.

Wiley định vị đây là tài liệu dành cho người muốn tự xây dựng chiến lược giao dịch hệ thống, với các chương riêng về kiểm thử, hồi quy về trung bình và động lượng.

Điểm cần chú ý nằm trong cụm từ and Their Rationale. Chan không chỉ đưa ra công thức mà còn cố gắng giải thích vì sao một chiến lược có thể tồn tại và trong điều kiện nào nó có thể thất bại.

Lưu ý: Không nên sao chép nguyên trạng các chiến lược trong sách. Dữ liệu, chi phí và cấu trúc thị trường đã thay đổi đáng kể kể từ thời điểm xuất bản.

Giai đoạn 3: Hiểu thị trường, thống kê và dữ liệu tài chính

Một mô hình giao dịch không tồn tại trong môi trường tách biệt. Giá quan sát được chịu ảnh hưởng của cơ chế khớp lệnh, thanh khoản và hành vi của nhiều nhóm người tham gia. Dữ liệu tài chính cũng có những đặc điểm khác với các bộ dữ liệu thông thường.

6. Trading and Exchanges — Larry Harris

Ảnh bìa cuốn Trading and Exchanges, tác giả Larry Harris

Phù hợp với: Người muốn hiểu điều gì thực sự xảy ra sau khi một chiến lược phát tín hiệu mua hoặc bán.

Trading and Exchanges: Market Microstructure for Practitioners giải thích cách thị trường được tổ chức, vai trò của nhà đầu tư, công ty môi giới, nhà tạo lập thị trường và người thực hiện giao dịch chênh lệch giá, cũng như cách các quy tắc thị trường ảnh hưởng đến giao dịch.

Cuốn sách giúp người làm Quant nhìn xa hơn cột giá đóng cửa trong dữ liệu lịch sử:

• Vì sao chênh lệch giữa giá mua và giá bán tồn tại?
• Lệnh thị trường và lệnh giới hạn khác nhau thế nào?
• Thanh khoản được hình thành từ đâu?
• Vì sao một chiến lược tốt trên dữ liệu vẫn có thể khó thực hiện?
• Ai đang đứng ở phía đối diện của mỗi giao dịch?

Đây là nền tảng quan trọng để hiểu chi phí giao dịch, trượt giá và giới hạn thanh khoản — những yếu tố có thể biến một kết quả kiểm thử có lãi thành chiến lược không thể áp dụng trong thực tế.

Lưu ý: Sách dài và người đọc có thể lựa chọn các chương liên quan trực tiếp đến thị trường hoặc nhóm chiến lược mình đang nghiên cứu.

7. An Introduction to Statistical Learning — Gareth James và cộng sự

Ảnh bìa cuốn An Introduction to Statistical Learning, tác giả Gareth James và cộng sự

Phù hợp với: Người muốn học thống kê và học máy theo cách trực quan, ít nặng lý thuyết hơn các giáo trình chuyên sâu.

An Introduction to Statistical Learning trình bày các chủ đề nền tảng như hồi quy, phân loại, lấy mẫu lại, kiểm soát độ phức tạp của mô hình, mô hình cây, máy véc-tơ hỗ trợ và học không giám sát. Trang chính thức của dự án mô tả đây là tài liệu có cách tiếp cận rộng và ít nặng kỹ thuật hơn, phù hợp với người muốn sử dụng các công cụ phân tích dữ liệu hiện đại.

Đối với người học Quant, giá trị của sách không nằm ở việc biến mọi chiến lược thành bài toán học máy. Nó cung cấp nền tảng để hiểu:

• Tập dữ liệu dùng để huấn luyện, điều chỉnh và kiểm tra mô hình khác nhau thế nào.
• Kiểm định chéo giải quyết vấn đề gì.
• Vì sao mô hình phức tạp dễ bị quá khớp.
• Các kỹ thuật thu hẹp hệ số giúp kiểm soát độ phức tạp ra sao.
• Vì sao tỷ lệ dự báo đúng cao có thể khiến người nghiên cứu hiểu sai hiệu quả thực tế.

Nên lựa chọn bản An Introduction to Statistical Learning with Applications in Python, phát hành năm 2023. Sách và các sổ tay lập trình thực hành được nhóm tác giả cung cấp miễn phí trên website chính thức.

Lưu ý: Dữ liệu trong sách chủ yếu không phải dữ liệu tài chính. Người đọc cần tự chuyển các nguyên tắc sang bối cảnh chuỗi thời gian và tránh chia dữ liệu ngẫu nhiên một cách máy móc.

8. Analysis of Financial Time Series — Ruey S. Tsay

Ảnh bìa cuốn Analysis of Financial Time Series, tác giả Ruey S. Tsay

Phù hợp với: Người đã có kiến thức xác suất, thống kê cơ bản và muốn nghiên cứu dữ liệu tài chính nghiêm túc hơn.

Ruey Tsay trình bày có hệ thống các mô hình kinh tế lượng dành cho dữ liệu tài chính, bao gồm đặc điểm của lợi suất, mô hình chuỗi thời gian tuyến tính, biến động, dữ liệu tần suất cao và các mô hình phi tuyến.

Cuốn sách giúp người đọc hiểu rằng dữ liệu thị trường không chỉ là một bảng gồm ngày và giá:

• Lợi suất có những đặc điểm phân phối nào?
• Tự tương quan và tính dừng có ý nghĩa gì?
• Biến động thay đổi theo thời gian được mô hình hóa ra sao?
• Vì sao dữ liệu tần suất cao chịu ảnh hưởng của cơ chế vận hành thị trường?
• Khi nào một mối quan hệ trong quá khứ không đủ để suy luận cho tương lai?

Đây là một giáo trình chuyên môn, không phải sách nhập môn nhẹ nhàng. Tuy nhiên, nó tạo nền tảng tốt để người đọc không sử dụng mô hình thống kê như một “hộp đen”.

Lưu ý: Không cần đọc tuần tự toàn bộ. Có thể bắt đầu từ các chương về đặc điểm dữ liệu tài chính, mô hình tuyến tính và mô hình biến động.

Giai đoạn 4: Học máy và phương pháp nghiên cứu nâng cao

Hai cuốn cuối không nên là điểm bắt đầu. Chúng phù hợp hơn khi người đọc đã hiểu kiểm thử chiến lược, thống kê cơ bản, chuỗi thời gian và có khả năng lập trình bằng Python.

9. Machine Learning for Algorithmic Trading — Stefan Jansen

Ảnh bìa cuốn Machine Learning for Algorithmic Trading, tác giả Stefan Jansen

Phù hợp với: Người đã sử dụng Python và muốn xây dựng một quy trình nghiên cứu học máy cho dữ liệu thị trường.

Stefan Jansen kết nối nhiều phần trong quá trình nghiên cứu:

• Thu thập dữ liệu thị trường và dữ liệu thay thế.
• Xây dựng các biến đầu vào cho mô hình.
• Mô hình học có giám sát và không giám sát.
• Xử lý dữ liệu văn bản.
• Đánh giá chất lượng tín hiệu.
• Chuyển kết quả mô hình thành chiến lược và kiểm thử.

Packt mô tả cuốn sách như một hướng dẫn xây dựng mô hình dự báo từ dữ liệu thị trường và dữ liệu thay thế để phát triển chiến lược giao dịch hệ thống bằng Python.

Điểm mạnh của sách là tính thực hành và phạm vi tương đối rộng. Người đọc có thể quan sát một quy trình nghiên cứu tương đối hoàn chỉnh, thay vì những ví dụ học máy tách rời khỏi bài toán giao dịch.

Lưu ý: Không nên coi mã nguồn trong sách là mẫu có thể sao chép nguyên trạng. Một số thư viện, giao diện lập trình và nguồn dữ liệu có thể đã thay đổi. Giá trị lâu dài hơn nằm ở cách tổ chức quá trình nghiên cứu.

10. Advances in Financial Machine Learning — Marcos López de Prado

Ảnh bìa cuốn Advances in Financial Machine Learning, tác giả Marcos López de Prado

Phù hợp với: Người đã có kinh nghiệm nghiên cứu Quant và muốn đi sâu vào những vấn đề đặc thù của học máy trong tài chính.

Cuốn sách tập trung vào những vấn đề thường bị bỏ qua khi áp dụng các phương pháp học máy thông thường vào dữ liệu thị trường, chẳng hạn:

• Cách gắn nhãn cho dữ liệu tài chính.
• Xác định trọng số của từng mẫu dữ liệu.
• Kiểm định chéo có xét đến sự phụ thuộc theo thời gian.
• Đánh giá mức độ quan trọng của các biến đầu vào.
• Xác định quy mô vị thế.
• Quá khớp trong quá trình kiểm thử chiến lược.
• Rủi ro khi kiểm định quá nhiều giả thuyết.

Wiley giới thiệu sách như một tập hợp các giải pháp có cơ sở khoa học cho những vấn đề thực tế mà người làm học máy tài chính gặp phải, kèm theo toán học, mã nguồn và ví dụ.

Đây là cuốn sách có ảnh hưởng lớn, nhưng cũng dễ bị đọc sai. Các kỹ thuật trong sách không phải một danh sách công thức cần áp dụng đồng loạt. Người đọc phải hiểu bài toán và các giả định trước khi lựa chọn phương pháp phù hợp.

Lưu ý: Hãy đọc sau khi đã có trải nghiệm tự xây dựng và kiểm định ít nhất một vài chiến lược. Nếu bắt đầu từ đây, người mới dễ ghi nhớ tên kỹ thuật nhưng chưa hiểu vấn đề mà chúng được thiết kế để giải quyết.

Nên bắt đầu với cuốn sách về giao dịch định lượng nào?

Không có một lộ trình phù hợp với tất cả mọi người.

Nếu chưa biết lập trình

Hãy bắt đầu theo thứ tự:

1. Inside the Black Box.
2. Quantitative Trading.
3. Systematic Trading.
4. Evidence-Based Technical Analysis.

Bốn cuốn sách này giúp hình thành tư duy Quant trước khi đi sâu vào công cụ.

Nếu đã sử dụng Python và có nền tảng phân tích dữ liệu

Có thể đọc:

1. Quantitative Trading.
2. Algorithmic Trading.
3. An Introduction to Statistical Learning with Applications in Python.
4. Machine Learning for Algorithmic Trading.

Tuy nhiên, hãy bảo đảm bạn hiểu rõ cách chia dữ liệu theo thời gian và các sai lệch phổ biến trong kiểm thử trước khi xây dựng mô hình dự báo.

Nếu muốn nghiên cứu Quant chuyên sâu

Lộ trình phù hợp hơn là:

1. Systematic Trading.
2. Trading and Exchanges.
3. Analysis of Financial Time Series.
4. Advances in Financial Machine Learning.

Active Portfolio Management của Richard Grinold và Ronald Kahn vẫn là tài liệu rất quan trọng với người làm quản lý danh mục định lượng. Tuy nhiên, cuốn sách phù hợp hơn với một danh sách riêng về đầu tư định lượng và quản lý danh mục, thay vì bài nhập môn về sách giao dịch định lượng.

Lời kết

Mười cuốn sách về giao dịch định lượng trên không tạo thành một chương trình đào tạo hoàn chỉnh, càng không phải danh sách duy nhất đáng đọc.

Giá trị của chúng nằm ở việc đại diện cho những lớp kiến thức khác nhau:

• Inside the Black Box giúp bạn nhìn thấy cấu trúc của một hệ thống.
• Ernest Chan đưa cấu trúc đó gần hơn với nhà giao dịch độc lập.
• Robert Carver đặt quản trị vị thế và rủi ro vào trung tâm.
• David Aronson hướng dẫn cách phản biện tín hiệu bằng bằng chứng.
• Larry Harris giải thích thị trường thực sự vận hành như thế nào.
• Các giáo trình thống kê, chuỗi thời gian và học máy cung cấp công cụ để nghiên cứu sâu hơn.

Đọc sách Quant không nên là quá trình sưu tầm công thức. Với mỗi chương, hãy thử trả lời ba câu hỏi:

1. Tác giả đang giải quyết vấn đề nào?
2. Phương pháp dựa trên những giả định gì?
3. Có thể kiểm tra phương pháp đó trên dữ liệu mới như thế nào?

Nếu không chuyển kiến thức thành giả thuyết, dữ liệu và thí nghiệm, người đọc chỉ đang tích lũy thêm thuật ngữ.

Giao dịch định lượng bắt đầu khi chúng ta ngừng hỏi “cuốn sách nào có chiến lược tốt nhất” và chuyển sang một câu hỏi khó hơn:

Làm thế nào để biết một chiến lược thực sự có cơ sở, thay vì chỉ trông thuyết phục trên dữ liệu quá khứ?

Đó cũng là câu hỏi mà những bài tiếp theo trong series sẽ lần lượt đi sâu.