| Machine Learning Trong Trading: Recovery Model Giúp Bot Đoán Trước Khi DCA

1. Mở bài: Câu hỏi mà mọi bot DCA đáng giá nên tự hỏi

Có một câu hỏi mà mọi bot Grid/DCA đáng giá tiền đều nên tự hỏi trước mỗi lần trung bình giá: “Cụm lệnh đang âm này có khả năng về tới TP không?” Nếu câu trả lời là “không đáng”, thì hành động đúng nhất là không nện thêm lệnh — dù Step đã chạm. Nghe đơn giản, nhưng hầu hết bot Hedging trên thị trường đều không bao giờ hỏi câu đó — chúng chỉ hỏi một câu duy nhất: “Step đã chạm chưa?”

Bài viết này giới thiệu Recovery Model — cách Machine Learning trả lời đúng câu hỏi đó — và lý do nó là ứng dụng ML thực tế nhất cho bot Hedging, thay vì những bài “dự đoán giá” viển vông. Nếu bạn đã đọc chuỗi bài AI Trading (Bài 1–4), bạn biết ML chỉ là một trong ba tầng của bộ não AI. Bài này sẽ đào sâu đúng tầng đầu tiên ấy — tầng có thể cứu tài khoản của bạn ngay lập tức, trước khi cần tới Deep Learning hay Reinforcement Learning phức tạp hơn.

Một chi tiết quan trọng cần nói rõ ngay: Recovery Model không phải là “phép màu AI” xa vời — nó là một lớp phần mềm bạn gắn lên chính bot của mình, học từ chính dữ liệu cụm lệnh của bot bạn. Không phải model “mua sẵn” dự đoán chung chung; mỗi bot có cấu trúc Step, mức TP/SL, cách hedge riêng — nên mỗi bot cần một Recovery Model được train trên hành vi của chính nó. Đây cũng là lý do khóa học yêu cầu bạn mang bot của mình sang, thay vì phát cho bạn một model dùng chung. Model dùng chung chỉ đúng với “một bot trung bình” — mà bot của bạn thì không trung bình chút nào.

Cũng cần nói về mặt tâm lý: “không nện lệnh” nghe dễ, nhưng là quyết định khó nhất với người xây bot. Bot cũ của bạn được sinh ra để “hành động khi có cơ hội”; việc bắt nó đứng im — đặc biệt khi giá quay đầu về TP ngay sau đó — khiến bạn nghi ngờ model. Hãy nhớ: mục tiêu không phải bắt được mọi cụm, mà là tránh được những cụm chết. Đánh giá bằng tổng thể dài hạn, không bằng vài lần “bỏ lỡ”.

2. Vấn đề của “luật cứng” khi DCA

Bot theo luật thường làm thế này: giá giảm một Step → mở thêm lệnh trung bình giá. Luật đơn giản, kỷ luật, nhưng mù. Nó không phân biệt được hai tình huống hoàn toàn khác nhau:

• Cụm lệnh đang hồi phục bình thường — giá chỉ đang dao động trong biên độ quen thuộc, khả năng về TP cao, nên DCA thêm là hợp lý;
• Cụm lệnh đang đi vào vùng nguy hiểm — giá đã phá vỡ cấu trúc, xu hướng đảo chiều, DCA thêm chỉ làm lỗ sâu hơn và đưa cụm tới gần mức SL hơn.

Vì sao luật cứng không phân biệt được? Vì để phân biệt, bạn cần đánh giá trạng thái — và đánh giá thì không thể viết thành vài câu if-then. Nó đòi hỏi nhìn đồng thời nhiều tín hiệu (biến động, độ dốc, vị trí cụm lệnh, nhịp thị trường) rồi gộp thành một kết luận. Đó chính là việc Machine Learning sinh ra để làm.

Để thấy vì sao luật cứng “mù”, hãy đặt hai tình huống cạnh nhau. Tình huống A: giá giảm đúng một Step, nhưng đó là nhịp hồi trong biên độ đi ngang đã kéo dài 3 giờ — cụm 3 lệnh của bạn gần như chắc chắn sẽ về TP, DCA thêm là tối ưu. Tình huống B: giá cũng giảm đúng một Step, nhưng vừa phá vỡ đáy tích lũy với khối lượng mạnh, spread bắt đầu giãn — cụm này đang đi vào vùng nguy hiểm, DCA thêm chỉ làm lỗ sâu hơn. Với luật cứng, hai tình huống giống hệt nhau: Step chạm thì nện. Với mắt người, chúng khác nhau hoàn toàn. Recovery Model chính là cặp “mắt thống kê” học cách phân biệt hai tình huống đó từ hàng nghìn lần DCA trong quá khứ.

3. Recovery Model trả lời câu hỏi gì — và KHÔNG trả lời câu gì

Recovery Model ra đời để lấp khoảng mù đó. Nhưng trước tiên, hãy nói rõ nó không làm gì: nó không đoán “giá sẽ lên hay xuống”, không dự đoán “nến tiếp theo màu gì”, không hứa “con số lợi nhuận”. Những bài toán đó — dự đoán giá — vừa khó vừa không gắn với quyết định thực tế của bot.

Thay vào đó, Recovery Model học trả lời một câu đóng khung, học được và kiểm chứng được: “Với trạng thái hiện tại, xác suất cụm lệnh đang mở này về tới TP trước khi chạm SL là bao nhiêu?”

Vì sao câu hỏi này “học được”? Vì nó có nhãn rõ ràng trong lịch sử: cụm nào về TP, cụm nào chạm SL — bạn không cần tự bịa. Và vì sao nó hữu ích? Vì câu trả lời (một xác suất) ánh xạ thẳng tới một quyết định (nên nện hay nên nín). Đây là triết lý xuyên suốt của cả chuỗi bài: Machine Learning trong trading bắt đầu từ đặt đúng câu hỏi cho đúng quyết định, không phải từ đoán giá.

Có một câu hỏi thực dụng: “model có cần phải học ‘giá sẽ lên’ không?” Câu trả lời là không — và đây là điểm khiến Recovery Model khác mọi thứ bạn từng đọc về “AI đoán giá”. Một câu hỏi kiểu “giá vàng 1 giờ tới lên hay xuống?” thì vừa khó (gần như không thể dự đoán chắc chắn), vừa không ánh xạ thẳng tới hành động của bot. Còn câu “cụm 3 lệnh đang âm 40 pip này, với surplus +214, có về TP trước khi chạm SL không?” thì vừa học được (vì có nhãn lịch sử), vừa trả về một con số bạn dùng ngay để quyết định. Đó là lý do cả chuỗi bài này luôn nhấn mạnh: đừng bắt AI làm bài toán khó và vô nghĩa; hãy bắt nó làm bài toán đúng và hành động được.

4. Tạo dữ liệu: mỗi lần DCA là một mẫu học

Để model học, cần dữ liệu có nhãn. Cách tự nhiên nhất với bot lưới:

• Mỗi lần bot sắp DCA → ghi lại một snapshot trạng thái.
• Nhãn 1 nếu cụm sau đó về TP; nhãn 0 nếu chạm SL hoặc lún quá sâu.

Gom hàng nghìn sự kiện như vậy từ backtest/lịch sử, bạn có một bộ dữ liệu huấn luyện thực sự — không cần “tự bịa” nhãn. Một điểm quan trọng về chất lượng: bạn nên gom từ nhiều chế độ thị trường khác nhau (một chiều, đảo chiều, đi ngang). Nếu dữ liệu của bạn chỉ toàn thị trường đi ngang, model sẽ học “cụm nào cũng về TP” — và phá sản đúng lúc thị trường đảo chiều (đây chính là bài học “ăn may theo trend” ở Bài 2).

Về cách gom dữ liệu, có vài chi tiết kỹ thuật đáng nói. Thứ nhất, bạn cần xác định rõ thời điểm tính nhãn: một snapshot ghi lúc bot định DCA sẽ được gán nhãn 1 nếu cụm (sau khi đã thêm lệnh đó hoặc không) về TP trước khi chạm mức SL/nguy hiểm. Thứ hai, hãy loại bỏ những snapshot “mơ hồ” — ví dụ cụm vẫn đang mở khi bạn dừng backtest, chưa về TP cũng chưa chạm SL: chúng không có đáp án rõ ràng, đưa vào chỉ làm nhiễu model. Thứ ba, nếu bot cũ của bạn chưa có cơ chế ghi snapshot, bạn có thể chạy lại backtest và mô phỏng các thời điểm Step chạm để tái tạo snapshot — miễn là dữ liệu và logic khớp với bot thật. Quan trọng nhất vẫn là: dữ liệu phải phản ánh đúng bot bạn sẽ chạy, không phải một bot lý tưởng.

5. Snapshot 21 tham số: bức tranh đúng lúc ra quyết định

Mỗi snapshot là một vector ~21 chiều mô tả trạng thái ngay tại thời điểm bot định DCA:

• Thị trường: volatility, độ dốc EMA, RSI, ATR, biên độ gần đây.
• Cụm lệnh: số lệnh đang mở, tổng volume, surplus, drawdown, khoảng cách tới mức kích hoạt kế tiếp.
• Chu kỳ (CJD): đang ở nhịp Cycle / Jolt / Pullback nào.

Con số 21 không phải là phép màu — nó là kết quả của việc chọn lọc: đủ nhiều để nắm bức tranh, đủ ít để model không học nhiễu. Trong khóa học, bạn sẽ tự xây 18 đặc trưng gốc rồi chọn lọc, thử nghiệm — chứ không nhận một danh sách có sẵn và tin mù.

Lưu ý sống còn: chỉ dùng thông tin đã biết tại thời điểm đó, tránh rò rỉ tương lai — nếu không model sẽ “nhìn trộm đáp án” (đọc lại 5 lỗi backtest của hệ ML). Một quy tắc để tự kiểm tra mỗi feature: “Lúc bot định DCA, tôi có tính được con số này không, hay phải chờ nến tương lai?” Nếu phải chờ — hãy bỏ feature đó.

Một điểm tinh tế trong feature engineering: các đặc trưng có đơn vị rất khác nhau — RSI nằm trong 0–100, ATR là số pip có thể lên tới hàng trăm, surplus là số tiền. Nếu đưa thẳng vào MLP, những đặc trưng có giá trị lớn sẽ “lấn át” những đặc trưng nhỏ chỉ vì đơn vị, chứ không phải vì quan trọng hơn. Vì vậy, trước khi train, bạn cần chuẩn hóa (scale) các đặc trưng về cùng một khoảng — và nhớ rằng việc chuẩn hóa phải dùng thống kê chỉ tính từ dữ liệu quá khứ (expanding/rolling), tuyệt đối không dùng trung bình của cả chuỗi kẻo rò rỉ tương lai (xem Bài 2). Đây là một trong những lỗi kỹ thuật khiến model “đẹp trên backtest, chết ngoài live” mà ít người để ý.

6. MLP bằng NumPy: hiểu gốc thay vì hộp đen

Model phù hợp là một MLP nhỏ — tự viết bằng NumPy, không cần PyTorch:

import numpy as np

def sigmoid(z):
    return 1 / (1 + np.exp(-z))

# forward: 21 đặc trưng -> lớp ẩn -> 1 xác suất recovery
h = sigmoid(X @ W1 + b1)     # X: (batch, 21)
p = sigmoid(h @ W2 + b2)     # P(cụm về TP)

# backprop: cập nhật W1,W2,b1,b2 theo gradient của sai số (nhãn 0/1)
# -> huấn luyện bằng gradient descent qua nhiều epoch

Tự viết có ba lợi ích: bạn thấy từng phép toán (ma trận, sigmoid, loss, gradient), sửa được khi model sai (vì bạn biết nó hoạt động ra sao), và không phụ thuộc vào “hộp đen” mà không hiểu vì sao nó từ chối một mốc DCA. Trong trading bằng tiền thật, hiểu gốc không phải chuyện “cho oai” — nó là thứ cho phép bạn can thiệp khi model làm điều bất thường.

Về việc huấn luyện, với bài toán phân loại nhị phân (về TP = 1 / không = 0), hàm loss phù hợp là binary cross-entropy — nó phạt mạnh khi model tự tin sai. Bạn sẽ chạy gradient descent qua nhiều epoch: mỗi epoch, model nhìn toàn bộ dữ liệu train, tính sai số, và cập nhật trọng số một chút theo hướng giảm sai số. Một MLP nhỏ (một lớp ẩn, vài chục neuron) là đủ cho 21 đặc trưng — model to hơn không tự nhiên tốt hơn, mà dễ overfit hơn (học vẹt lịch sử thay vì học quy luật). Quy tắc đơn giản: bắt đầu từ model nhỏ nhất có thể, chỉ tăng độ phức tạp khi dữ liệu thực sự đòi hỏi.

7. Huấn luyện & đánh giá trung thực: xác suất, không phải sự chắc chắn

Đừng tin vào một con số “độ chính xác 95%” được chia ngẫu nhiên. Với Recovery Model, cách đánh giá đúng là:

• Chia dữ liệu theo thời gian (train ở quá khứ, test ở tương lai chưa thấy). Không shuffle — vì giá là chuỗi thời gian (xem Bài 2).
• Dùng ngưỡng xác suất: chỉ DCA khi P(recovery) đủ cao, ví dụ ≥ 0.6; dưới ngưỡng thì đứng im.
• So sánh hành vi thật: chạy “có model” vs “không model” trên cùng dữ liệu để biết model đang giúp hay hại — so net profit, max drawdown, Calmar chứ không chỉ nhìn Profit Factor.

Một sai lầm phổ biến là chọn ngưỡng xác suất quá thấp để “model chịu hành động” — rồi model chặn không được gì. Ngưỡng 0.6 nghĩa là: bạn chỉ chấp nhận DCA khi model tự tin cụm có 60% cơ hội về TP — một tiêu chuẩn hợp lý cho việc bỏ thêm tiền thật vào một cụm đang âm. Ngưỡng này là tham số bạn sẽ tự tinh chỉnh dựa trên dữ liệu của chính bot mình.

8. Recovery Model trong một vòng bot thật

Để thấy model hoạt động trong bot, hãy theo một chu kỳ khi giá chạm Step:

1. Bot phát hiện giá hụt một bước Step — theo luật cũ, nó sẽ DCA.
2. Thay vào đó, bot dựng snapshot 21 chiều từ trạng thái hiện tại.
3. MLP forward trả ra một xác suất, ví dụ P(recovery) = 0.31.
4. Bot so với ngưỡng: 0.31 < 0.6 → KHÔNG DCA. Bot đứng im, ghi log lý do.
5. Nếu P(recovery) = 0.74 → DCA, và Risk Engine xác nhận phơi nhiễm còn trong ngưỡng.

Điểm mấu chốt: bot không còn “nện mù”. Mỗi lệnh DCA (hoặc không DCA) đều có một con số xác suất làm lý do — và bạn đọc log là hiểu ngay vì sao bot hành động như vậy.

9. Vì sao chỉ MLP là chưa đủ: DL và RL bổ sung phía sau

Recovery Model là tầng đầu tiên và dễ gặt hái nhất — nhưng nó nhìn trạng thái tĩnh tại một thời điểm. Nó không tự biết “chuỗi 24 nến gần nhất đang kể câu chuyện gì” (việc của GRU/Deep Learning) và không tự học chính sách “HOLD hay DCA bao nhiêu” qua thưởng–phạt (việc của Q-Learning/Reinforcement Learning). Trong kiến trúc bộ não AI (Bài 1), ML là một phiếu bầu; DL và RL là hai phiếu còn lại, và Risk Engine là người phủ quyết. Bạn có thể chạy chỉ với ML — và đã an toàn hơn nhiều so với bot cũ — nhưng bộ não đầy đủ cần cả ba tầng.

10. Câu hỏi thường gặp (FAQ)

Hỏi: Recovery Model có phải là “dự đoán giá” không? Không. Nó không đoán giá lên hay xuống; nó ước lượng xác suất một cụm lệnh cụ thể (với cấu trúc mua bán, volume, surplus của riêng nó) về tới TP trước khi chạm SL. Đây là bài toán gắn với quyết định thực tế của bot, có nhãn rõ ràng — khác hẳn chuyện đoán chiều giá.

Hỏi: Tôi không giỏi toán, tự viết MLP bằng NumPy có quá sức không? Không, nếu học từng bước. MLP ở đây rất nhỏ: một lớp ẩn, vài chục neuron. Khóa dạy bạn hiểu ý nghĩa từng phép toán (nhân ma trận là “gộp tín hiệu”, sigmoid là “nén về 0–1”) — cần lập trình, không cần bằng toán.

Hỏi: Bao nhiêu dữ liệu là đủ để train Recovery Model? Không có con số tuyệt đối, nhưng nguyên tắc: càng nhiều cụm lệnh “chết” (nhãn 0) càng quý, vì đó là thứ model cần học để chặn. Vài nghìn sự kiện trải đủ 3 chế độ thị trường là điểm khởi đầu tốt. Quan trọng hơn số lượng là sự đa dạng của thị trường trong dữ liệu.

Hỏi: Nếu model nói “không DCA” mà giá quay đầu về TP thì sao? Bạn sẽ thấy nhiều lần “bỏ lỡ” kiểu đó — và đó là chuyện bình thường. Recovery Model không tối ưu để bắt mọi cụm; nó tối ưu để tránh những cụm chết. Hãy đánh giá bằng tổng thể: số cụm chết tránh được có lớn hơn số cụm “bỏ lỡ” không. Nếu có, model đang có giá trị.

Hỏi: Recovery Model có áp dụng được cho bot Grid thuần (không hedge) không? Được. Bất kỳ bot nào có khái niệm “cụm lệnh đang âm + quyết định trung bình giá” đều có thể dùng Recovery Model. Chỉ cần bạn định nghĩa được “cụm”, “về TP”, “chạm SL” theo cách bot của bạn hiểu. Với bot thuần Grid, cụm là chuỗi lệnh cùng hướng đang âm; câu hỏi “có nên thêm lệnh nữa không” vẫn y hệt.

Hỏi: Model có cần chạy liên tục theo từng tick không? Không cần — và không nên. Recovery Model chỉ cần chạy đúng lúc bot định DCA (khi Step chạm). Giữa các lần đó, bot không cần hỏi model gì cả. Điều này giúp tiết kiệm tài nguyên và quan trọng hơn: model chỉ ra quyết định đúng lúc nó thật sự cần, giảm nhiễu và giảm rủi ro model “tự ý” can thiệp những lúc không cần thiết.

11. Đi sâu: Mất cân bằng nhãn và chi phí quyết định

Một thực tế với dữ liệu DCA: phần lớn cụm lệnh của bot Hedging chạy đúng thiết kế đều về TP (nhãn 1 nhiều hơn nhãn 0 rõ rệt). Nếu bạn train model trên dữ liệu đó, model có thể học “cứ nói 1 là xong” — đạt độ chính xác cao nhưng vô dụng, vì nó không chặn được cụm chết. Cách xử lý:

• Không dùng “độ chính xác” làm thước đo chính. Với dữ liệu lệch, một model “luôn nói DCA” đạt 90% accuracy nhưng không bảo vệ được gì. Hãy nhìn recall của lớp “chết” (model chặn được bao nhiêu phần trăm cụm sẽ chết).
• Cân nhắc chi phí hai loại sai lầm. Sai lầm loại 1 (model chặn một cụm đáng lẽ về TP) tốn một khoản lời bỏ lỡ. Sai lầm loại 2 (model cho DCA vào một cụm sẽ chết) tốn một khoản lỗ sâu. Trong trading, loại 2 thường đắt hơn nhiều — vì vậy ngưỡng xác suất nên nghiêng về an toàn.
• Có thể cân bằng nhãn khi train (lấy mẫu lại lớp ít hơn) hoặc điều chỉnh trọng số loss — nhưng đừng quên kiểm định trên dữ liệu thật không cân bằng, vì đó mới là thế giới bot sẽ sống.

Khi đánh giá model trong giai đoạn A/B, hãy chọn một thước đo định lượng để không tranh cãi với chính mình: ví dụ “model chặn được X cụm sẽ chết trong 6 tháng thị trường đảo chiều, và bỏ lỡ Y cụm đáng lẽ về TP”. Nếu X đủ lớn so với Y, model đang làm đúng việc của nó. Hãy viết con số này vào log vận hành và theo dõi theo quý — vì khi model “cũ đi”, chính con số X sẽ tụt xuống và báo cho bạn biết đã đến lúc retrain, trước khi tài khoản phải trả giá.

12. Vận hành: retrain và theo dõi P(recovery) theo thời gian

Model xong không có nghĩa là xong việc. Recovery Model học từ quá khứ, nên nó “cũ đi” khi thị trường đổi tính:

• Theo dõi phân bố P(recovery) hàng tuần. Nếu model bỗng trả toàn xác suất cao (hoặc toàn thấp) bất thường, đó là dấu hiệu dữ liệu đầu vào lệch khỏi những gì model từng thấy.
• Retrain định kỳ bằng đúng pipeline cũ — không đổi pipeline giữa chừng rồi tự tin. Giữ log mọi quyết định để đối chiếu.
• Chạy A/B dài hạn: nhánh không có model vẫn chạy demo song song để bạn biết model còn “đáng giá” hay không.
• Risk Engine vẫn là hàng rào cuối. Dù model tự tin đến đâu, phơi nhiễm vốn không bao giờ được vượt ngưỡng.

Một cách để kiểm tra nhanh model của bạn có thật sự học được gì hay không: so sánh nó với một baseline ngớ ngẩn — ví dụ một “model” luôn trả P(recovery) = 0.5 (tức là luôn DCA như bot cũ). Nếu Recovery Model của bạn không chặn được nhiều cụm chết hơn baseline đó, thì nó chưa học được gì có ý nghĩa — đừng đưa lên live chỉ vì “có ML cho oai”. Model đáng giữ khi nó thật sự thay đổi hành vi bot theo hướng an toàn hơn, không phải khi nó chỉ là một món trang trí trong pipeline.

13. Checklist trước khi đưa Recovery Model vào bot thật

• [ ] Dữ liệu snapshot đủ lớn, trải đủ 3 chế độ thị trường, không rò rỉ tương lai.
• [ ] Nhãn rõ ràng: về TP = 1, chạm SL/lún sâu = 0.
• [ ] Snapshot chỉ dùng thông tin đã biết tại thời điểm quyết định.
• [ ] MLP tự viết bằng NumPy, hiểu từng phép toán.
• [ ] Chia dữ liệu theo thời gian; đánh giá bằng recall lớp “chết”, không chỉ accuracy.
• [ ] Ngưỡng P(recovery) đã tinh chỉnh và nghiêng về an toàn.
• [ ] A/B có model vs không model: cải thiện drawdown/Calmar rõ rệt.
• [ ] Risk Engine + Guard vẫn hoạt động độc lập, có kế hoạch retrain.

14. Tạm kết

Machine Learning trong trading không bắt đầu từ việc đoán giá — nó bắt đầu từ đặt đúng câu hỏi cho đúng quyết định. Với bot Hedging, câu hỏi đó là: “cụm này có về TP không, có nên DCA không?” Recovery Model biến câu hỏi ấy thành một con số xác suất để bot nín hoặc nện một cách có cơ sở. Đọc thêm nền tảng: AI Trading là gì?.

Muốn tự tay xây Recovery Model cho bot của mình — từ dữ liệu, snapshot, đến MLP NumPy và đánh giá trung thực? Khóa Lập Trình Python AI Trading Nâng Cao (12 buổi, ML·DL·RL) đồng hành từng bước.

• 📌 Chi tiết khóa tại DNT Digital: Khóa Lập Trình Python AI Trading Nâng Cao
• 📌 Trang khóa tại Hướng Nghiệp Dữ Liệu: Lập Trình Python AI Trading – Bộ Não AI Tự Ra Lệnh
• 📞 Tư vấn & xếp lịch: Zalo 0934.145.100