Bài nghiên cứu của nhóm học giả từ quỹ phòng hộ AQR Capital Management và Đại học Yale đặt ra một trong những câu hỏi lớn nhất của tài chính: Liệu trí tuệ nhân tạo và học máy có thay thế các nhà nghiên cứu và giao dịch viên con người?

Trong báo cáo dài 44 trang mang tựa đề “The Virtue of Complexity in Return Prediction”, Bryan Kelly, Semyon Malamud và Kangying Zhao lập luận rằng những mô hình phức tạp, quá sức để con người có thể xử lý, cho kết quả tốt hơn mô hình đơn giản.

Như Bloomberg News đưa tin, phản ứng phản đối xuất hiện ngay sau đó, với ít nhất sáu bài nghiên cứu khác thách thức kết luận này, và Kelly đã lên tiếng bảo vệ quan điểm.

Vấn đề cốt lõi không mới. Một cách tiếp cận truyền thống trong dự báo là tìm một vài chỉ báo quan trọng có liên hệ nhân quả rõ ràng rồi kết hợp chúng theo cách đơn giản, ví dụ để dự báo lợi suất thị trường tháng sau có thể dùng dữ liệu lợi suất tháng này, lãi suất, hệ số P/E và một số biến số tương tự, còn các yếu tố khác được coi là nhiễu và bỏ qua.

Nguy cơ của việc thêm quá nhiều biến số hay kết hợp quá phức tạp là “overfitting”, mô hình khớp hoàn hảo với quá khứ nhưng hoàn toàn vô dụng với tương lai.

Nhưng nếu mục tiêu không phải là giải thích mà chỉ là dự báo, có một hướng khác: đưa tất cả chỉ báo có thể tưởng tượng vào mô hình (cách gọi kỹ thuật là “mô hình bồn rửa nhà bếp”), kết hợp đủ kiểu phức tạp, rồi lọc nhiễu sau đó hoặc phân tán rủi ro bằng giao dịch liên tục.

Kelly và cộng sự không đi đến mức nhồi nhét mọi dữ liệu, mà chỉ sử dụng 15 biến với 12 giá trị hàng tháng, tức tổng cộng 300 dữ liệu, để huấn luyện 12.000 tham số cho dự báo lợi suất tháng sau.

Họ không dùng chữ cái trong mã chứng khoán hay thời tiết ngày thứ ba, nhưng đối thủ của họ cũng không phủ nhận hoàn toàn mô hình phức tạp, mà chỉ phản bác rằng phức tạp không phải lúc nào cũng là ưu điểm.

Tranh luận này gợi lại câu chuyện cách đây nửa thế kỷ về roulette. Đầu thập niên 1960, giáo sư toán Ed Thorp, cha đẻ phương pháp đếm bài blackjack, và Claude Shannon, cha đẻ lý thuyết thông tin, đã chế tạo máy tính đeo người đầu tiên để dự đoán vòng quay roulette.

Thorp chứng minh rằng nếu bánh xe roulette đủ chính xác thì dự báo là khả thi: biết tốc độ quả bóng và bánh xe khi bóng còn chạy trên rãnh ngoài, có thể tính được phần ba vòng quay nơi bóng sẽ rơi, đủ để đánh cược sinh lời.

Từ đó, nguyên lý then chốt của các nhà đầu tư định lượng hình thành: cơ hội nằm ở chỗ tìm ra tính dự báo trong những gì người khác coi là ngẫu nhiên, và sự bất định trong những gì người khác tưởng chắc chắn. Đến thập niên 1970, chế tạo máy tính roulette và chứng minh hiệu quả trở thành nghi thức nhập môn của dân “quants”.

Hai trường phái lúc ấy tranh luận không khác mấy so với hôm nay: nhóm vật lý gia dựa vào mô hình nhân quả từ các định luật phổ quát, ít cần huấn luyện cho từng bánh xe, trong khi nhóm thống kê gia khai thác nhiều biến số hơn với độ chính xác thấp hơn, dùng thuật toán học máy sơ khai để tận dụng cả những bất toàn của bánh xe.

Nhóm sau đạt dự báo tốt hơn ở các sòng bạc “xộc xệch” với bánh xe rẻ tiền, nhưng phải mất nhiều giờ hiệu chỉnh trước khi có thể thắng cược.

Người viết cho rằng mình đã đặt cược vào sự phức tạp suốt 50 năm, thiên về dự báo hơn là lý thuyết. Máy học và trí tuệ nhân tạo sẽ dần thay thế các nhà phân tích và giao dịch viên con người, cũng như tài xế, bác sĩ, luật sư và nhà khoa học.

Những thuật toán AI chiến thắng sẽ tự tìm mẫu từ khối dữ liệu khổng lồ, thay vì dựa vào con người để chọn lọc dữ liệu và áp đặt khuôn khổ lý thuyết từ trước. Nhưng như roulette đã dạy, không nên đặt toàn bộ tiền vào con số mà máy tính của tôi chọn.