cafechungkhoan

Chuyên môn là cốt lõi vận hành AI hiệu quả

noreply@blogger.com (Le Dang Trung Hieu) — Fri, 26 Jun 2026 08:45:57 +0000

Nghiên cứu AI · Anthropic

Claude Code cho thấy một điều rất rõ: người hiểu việc mới là người thắng

Dựa trên bài nghiên cứu “Agentic coding and persistent returns to expertise” của Anthropic, công bố ngày 16/06/2026.

Nói ngắn gọn, AI đang viết code ngày càng nhiều, nhưng người tạo ra kết quả tốt nhất chưa chắc là người code giỏi nhất. Thứ tạo khác biệt lớn hơn lại là mức độ hiểu bài toán, hiểu nghiệp vụ và biết giao việc đúng cho AI.

Điểm đáng chú ý nhất

~400KPhiên Claude Code được phân tích

~235KNgười dùng trong mẫu nghiên cứu

20h/tuầnThời gian dùng Claude Code trung bình

+27%Giá trị trung bình của tác vụ tăng theo thời gian

70%Quyết định plan do con người nắm

20%Quyết định execution do con người giữ

Phần lớn phiên làm việc xoay quanh viết mới, sửa lỗi, test, vận hành phần mềm, phân tích dữ liệu và viết tài liệu.
Con người thường quyết định mục tiêu, phạm vi, tiêu chuẩn hoàn thành; còn Claude thường xử lý phần chọn file, sửa code, chạy lệnh và triển khai cách làm.
Người càng có chuyên môn trong lĩnh vực đang làm thì càng giao được việc lớn hơn cho AI sau mỗi prompt.
Khoảng cách giữa người trung cấp và người rất giỏi có tồn tại, nhưng không quá lớn; khoảng cách rõ nhất nằm giữa người mới và người đã hiểu việc.

Vì sao nghiên cứu này đáng quan tâm

Điểm hay của nghiên cứu này là nó không chỉ hỏi “AI code giỏi tới đâu”, mà nhìn vào việc thật ngoài đời: ai đang dùng, họ dùng để làm gì, thành công tới mức nào và yếu tố nào kéo kết quả đi lên. Cách nhìn này thực tế hơn rất nhiều so với chỉ nhìn benchmark.

Trong bối cảnh nhiều đội ngũ đang bàn chuyện thay người viết code bằng AI, nghiên cứu này đưa ra một góc nhìn chín chắn hơn: AI có thể hấp thụ rất nhiều phần triển khai, nhưng không tự thay thế được năng lực hiểu vấn đề, hiểu ràng buộc và ra quyết định đúng.

Nếu phải rút còn một ý: AI không làm cho chuyên môn trở nên vô nghĩa; ngược lại, chuyên môn tốt còn giúp AI làm được nhiều việc hơn.

Claude Code đang được dùng để làm gì

Anthropic chia mỗi phiên làm việc vào một “work mode” chính. Nhìn vào đó có thể thấy Claude Code không còn chỉ là công cụ sửa bug, mà đã dịch chuyển sang những việc trọn gói hơn.

Building: tạo mới tính năng, script hoặc sản phẩm.
Fixing: sửa lỗi, xử lý bug, gỡ vấn đề đang vướng.
Testing / Orchestrating: viết test, phối hợp pipeline, gọi agent khác hoặc chuỗi tự động hóa.
Operating: deploy, cấu hình, chạy hệ thống, theo dõi môi trường.
Understanding / Planning: đọc hệ thống cũ, hiểu kiến trúc, lên hướng thay đổi trước khi sửa.
Analyzing / Communicating: phân tích dữ liệu, làm báo cáo, viết tài liệu, trình bày bằng prose.

Theo nghiên cứu, khoảng 56% phiên thuộc nhóm viết, sửa, test hoặc orchestration; 17% thuộc vận hành phần mềm; 14% là planning hoặc understanding; 13% tạo ra phân tích hoặc tài liệu dạng văn bản. Điều đó cho thấy vai trò của coding agent đã mở rộng ra khỏi lập trình thuần túy.

Hình 1. Tỷ trọng các nhóm công việc trong Claude Code. Link ảnh chart được giữ nguyên từ bài gốc.

Phân công việc giữa người và AI

Một phát hiện rất dễ nhớ là: người quyết định làm gì, Claude quyết định làm như thế nào. Nói theo ngôn ngữ đời thường, con người đang đóng vai trưởng nhóm hoặc người giao việc, còn AI đang nhận phần tay chân kỹ thuật ở mức ngày càng sâu.

Anthropic tách quyết định trong một phiên thành hai lớp. Lớp thứ nhất là planning decisions, tức quyết định mục tiêu, hướng tiếp cận, tiêu chí xong việc. Lớp thứ hai là execution decisions, tức chọn file nào sửa, đoạn code nào cần viết, lệnh nào cần chạy, theo thứ tự nào.

Con người giữ khoảng 70% quyết định thuộc lớp planning.
Con người chỉ giữ khoảng 20% quyết định thuộc lớp execution.
Một phiên điển hình có khoảng 4 lượt qua lại giữa người và Claude.
Mỗi prompt của người thường kích hoạt khoảng 10 hành động từ Claude; một số phiên vượt quá 100 hành động.

Hình 2. Chia vai giữa con người và Claude trong quyết định planning và execution. Link ảnh chart được giữ nguyên từ bài gốc.

Đây là chỗ nhiều người hay hiểu sai. Thấy AI làm được nhiều bước không có nghĩa là con người đã hết vai. Vai trò chỉ đang dời từ “người trực tiếp làm” sang “người đặt bài toán, kiểm soát hướng đi và chốt tiêu chuẩn đúng”.

Chuyên môn càng rõ, AI làm được càng nhiều

Trong nghiên cứu, Anthropic đánh giá “mức chuyên môn thể hiện trong phiên” theo thang 5 mức, từ novice đến expert. Họ không nhìn vào chức danh nghề nghiệp, mà nhìn vào cách người dùng mô tả yêu cầu, cách họ kiểm tra đầu ra và việc ai là người sửa ai trong cuộc trao đổi.

Điều này khá sát thực tế. Một quản lý tài chính không biết Python vẫn có thể là “expert” trong một phiên nếu họ hiểu rất rõ quy tắc đối soát, kiểm soát được edge case và biết kết quả nào mới là kết quả dùng được.

Mức độ	Biểu hiện thường thấy	Khả năng giao việc cho AI
Novice	Ra yêu cầu còn chung chung, ít ràng buộc, ít phát hiện lỗi sai tinh tế.	Dễ phải ngắt quãng, AI làm ngắn, cần chỉ tay nhiều.
Intermediate	Biết mục tiêu, biết điều kiện đạt, có thể kiểm tra và phản biện đầu ra.	AI làm trơn tru hơn, ít bỏ cuộc giữa chừng hơn.
Expert	Hiểu sâu vấn đề, nêu được edge case, kiểm thử đúng chỗ, sửa hướng rất nhanh.	Chỉ một prompt có thể kích hoạt chuỗi hành động dài và chất lượng hơn.

Kết quả rất đáng chú ý: ở các phiên novice, mỗi prompt chỉ kích hoạt khoảng 5 hành động và khoảng 600 từ đầu ra từ Claude. Ở các phiên expert, mỗi prompt kích hoạt khoảng 12 hành động và khoảng 3.200 từ đầu ra. Nói dễ hiểu, người hiểu việc hơn không chỉ có kết quả tốt hơn, mà còn “kéo được nhiều lao động hơn” từ AI trong mỗi lần giao việc.

Hình 3. Mức chuyên môn càng cao thì Claude càng thực hiện nhiều hành động hơn sau mỗi prompt. Link ảnh chart được giữ nguyên từ bài gốc.

Người dùng Claude Code là ai

Một điểm hay khác của nghiên cứu là họ cố gắng suy ra nghề nghiệp của người dùng từ bối cảnh công việc, file, artifact và từ vựng trong phiên, chứ không mặc định cứ ai code là kỹ sư phần mềm.

Anthropic suy ra được nghề nghiệp trong khoảng 70% số phiên.
Nhóm lớn nhất vẫn là Computer and Mathematical Occupations, tức các nghề liên quan phần mềm và dữ liệu.
Các nhóm lớn tiếp theo gồm Business and Financial Operations; Arts, Design, and Media; Management; và Life, Physical, and Social Sciences.
Các nhóm tăng nhanh ngoài phần mềm gồm management, sales và legal.

Điều này khá quan trọng, vì nó cho thấy coding agent không còn là sân chơi riêng của dân dev. Khi AI gánh phần triển khai kỹ thuật, nhiều nghề khác bắt đầu dùng code như một công cụ phụ trợ để giải quyết công việc chính của họ.

Công việc đang dịch chuyển ra sao

Trong giai đoạn từ tháng 10/2025 đến tháng 4/2026, cơ cấu công việc trên Claude Code thay đổi khá mạnh. Rõ nhất là tỷ trọng phiên dành cho sửa code hỏng giảm từ 33% xuống còn 19%.

Phần giảm đó không biến mất, mà được thay bằng những việc “đầu-cuối” hơn: vận hành phần mềm tăng từ 14% lên 21%; viết mới và phân tích dữ liệu cũng tăng gần gấp đôi, từ khoảng 10% lên khoảng 20%.

Hình 4. Tỷ trọng các loại công việc thay đổi từ tháng 10/2025 đến tháng 4/2026. Link ảnh chart được giữ nguyên từ bài gốc.

Nhìn theo góc độ vận hành, đây là dấu hiệu tốt. Công cụ càng trưởng thành thì người dùng càng bớt dùng nó để chữa cháy từng lỗi nhỏ, và bắt đầu dùng cho những đầu việc mang tính hệ thống hơn.

Thành công phụ thuộc vào điều người dùng mang vào phiên làm việc

Anthropic dùng nhiều lớp đo để xem một phiên có thành công hay không. Họ không chỉ nhìn cảm giác “có vẻ xong”, mà còn xem có tín hiệu xác minh như test pass, commit, pull request hoặc xác nhận rõ ràng từ người dùng hay không.

Kết quả nhất quán ở mọi thước đo: người càng thể hiện chuyên môn cao trong phiên thì xác suất thành công càng lớn. Phần tăng mạnh nhất xảy ra khi đi từ novice lên intermediate; từ intermediate lên expert vẫn tăng, nhưng chênh lệch không còn quá lớn.

Phiên mức novice đạt verified success khoảng 15% thời gian.
Phiên từ mức intermediate trở lên đạt verified success khoảng 28% đến 33%.
Nếu tính cả partial success, novice đạt khoảng 77%, còn intermediate trở lên đạt khoảng 91% đến 92%.

Hình 5. Mức chuyên môn càng cao thì xác suất thành công càng lớn. Link ảnh chart được giữ nguyên từ bài gốc.

Còn một chi tiết rất đời thường: khi phiên làm việc gặp trục trặc, người mới bỏ cuộc nhiều hơn hẳn. Trong các phiên bị đánh dấu là có “trouble”, tỷ lệ phiên vừa thất bại vừa không viết được dòng code nào rơi vào khoảng 19% với novice, nhưng chỉ còn khoảng 5% đến 7% với các nhóm còn lại.

Đọc theo ngôn ngữ đi làm, chuyên môn không chỉ giúp giao việc đúng hơn; nó còn giúp người dùng biết lúc nào nên chỉnh AI, lúc nào nên bẻ hướng, và lúc nào nên yêu cầu kiểm tra lại.

Nghề nghiệp có thể kém quan trọng hơn chuyên môn

Một kết luận khá thú vị là người làm nghề phần mềm không vượt trội quá xa so với các nghề khác nếu xét trên các phiên thật sự tạo ra code. Nhóm nghề phần mềm đạt verified success khoảng 34% ở các phiên có sinh code, trong khi nhóm nghề khác đạt khoảng 29%.

Nếu dùng thước đo rộng hơn là ít nhất thành công một phần, hai nhóm này gần như ngang nhau: khoảng 89% với nghề phần mềm và 88% với nhóm còn lại. Nói cách khác, khi AI đã gánh phần triển khai, khoảng cách giữa “biết code chuyên nghiệp” và “hiểu rõ bài toán cần giải quyết” bắt đầu thu hẹp lại.

Hình 6. Chênh lệch thành công giữa nghề phần mềm và các nghề khác không quá lớn ở các phiên tạo ra code. Link ảnh chart được giữ nguyên

Vì sao công ty AI first sẽ bùng nổ với quy mô tối đa 149 nhân sự?

noreply@blogger.com (Le Dang Trung Hieu) — Tue, 23 Jun 2026 10:30:00 +0000

Góc nhìn · Kinh tế học AI

Sự bùng nổ của công ty 149 thành viên

Chuyện gói AI rẻ hơn API tới 70 lần — và vì sao con số ấy có thể thay đổi cách các công ty lớn lên trong mười năm tới.

⏱ Khoảng 12 phút đọc

Đọc nhanh trước khi vào bài

Mấy gói Claude hay ChatGPT 200 đô một tháng thực ra đang được bán lỗ cho người dùng nặng — y hệt một tấm thẻ gym. Hệ quả bất ngờ là có một lằn ranh nằm ở mốc khoảng 150 nhân viên: dưới mốc đó, công ty xài AI gần như miễn phí để thử nghiệm thả ga; vượt mốc, mỗi token đều bị tính tiền sòng phẳng. Và cái lằn ranh nhỏ xíu này có thể khiến những công ty khôn ngoan… cố tình dừng lại ở 149 người.

Hãy tưởng tượng bạn vừa mua một tấm thẻ gym 200 đô một tháng. Nếu chăm đến mức ngày nào cũng tập, tính ra mỗi buổi rẻ đến mức phòng gym lỗ chỏng vó. Nhưng họ vẫn vui vẻ bán tấm thẻ đó cho cả triệu người — vì biết thừa rằng phần đông sẽ đóng tiền xong rồi… ở nhà.

Hóa ra mấy gói AI bạn đang dùng hằng ngày cũng vận hành đúng kiểu như vậy. Mới đây, một công ty nghiên cứu khá có tiếng tên SemiAnalysis đã ngồi bóc tách và đưa ra một con số làm không ít người dụi mắt: nếu bạn dùng hết công suất gói cao cấp, chi phí thực trên mỗi token có thể rẻ hơn 40 đến 70 lần so với việc gọi thẳng API.

Nghe hơi khó tin đúng không? Mình cũng nghĩ vậy, cho đến khi xem kỹ. Và điều thú vị là: con số đó không phải dấu hiệu bong bóng AI sắp nổ. Nó là bằng chứng của một nước cờ định giá cực kỳ tính toán — nơi startup nhỏ được bao nuôi, còn các ông lớn thì âm thầm gánh phần lời.

◆ ◆ ◆

Vậy con số 70 lần là thật hay nói cho vui?

Thật. Và đây là cách họ tính. Gói ChatGPT Pro 200 đô nếu xài cạn quota sẽ tương đương khoảng 14.000 đô tiền API — tức chênh nhau 70 lần. Gói Claude Max ở mức cao nhất cũng vậy, một tháng 200 đô nhưng nếu quy ra API thì rơi vào tầm 8.000 đô, chênh chừng 40 lần.

~70×

ChatGPT Pro 200đ ≈ 14.000đ tiền API

~40×

Claude Max 200đ ≈ 8.000đ tiền API

38→70%

Biên lời inference của Anthropic, chỉ trong 1 năm

Mà không phải mỗi SemiAnalysis nói. Có một anh lập trình viên rảnh rỗi tự viết hẳn một công cụ để đo xem mình "xài" hết bao nhiêu tiền API mỗi tháng trên gói Max — kết quả ra gần 1.428 đô giá trị tương đương. Còn theo MindStudio, biên lợi nhuận phần inference của Anthropic đã nhảy từ 38% lên 70% chỉ trong vỏn vẹn một năm. Tức là họ thừa sức bao, và vẫn lời.

Thế thì có phải họ đang đốt tiền chờ ngày sụp không?

Không hẳn. Và đây mới là chỗ hay. Quay lại chuyện cái thẻ gym: phòng tập dám bán giá hào phóng vì họ hiểu rất rõ một sự thật — phần lớn người mua sẽ không bao giờ đến đủ. AI cũng y chang.

Người dùng chia làm hai nhóm rất rạch ròi:

Nhóm "nhẹ đô" chiếm khoảng 80%: hỏi vài câu, tạo dăm tấm ảnh, mỗi tháng dùng đâu đó 5–20% quota rồi thôi. Nhóm này platform lời.

Nhóm "nghiện nặng" là 20% còn lại: code mỗi ngày, bật agent chạy thâu đêm, nhét tài liệu dài cả trăm trang. Nhóm này platform lỗ trên từng người.

SemiAnalysis tính ra rằng nếu người dùng trung bình chỉ "ăn" khoảng 20% công suất, thì Anthropic gần như hòa vốn ở gói Max tầm trung. Mà 20% nghe ra vẫn còn… hơi cao so với cách đa số chúng ta dùng thật.

Nói cách khác, đây không phải làm từ thiện. Đây là nghệ thuật phân tầng khách hàng: lấy phần đông xài ít bù cho phần ít xài nhiều, và để cái phân phối lệch đó tự nuôi cả mô hình. Khôn, chứ không liều.

Một vòng qua bảng giá (tháng 6/2026)

Để dễ hình dung, đây là các mức giá hiện tại của Claude. Bạn không cần nhớ hết — chỉ cần để ý đúng một dòng cuối cùng.

Gói	Giá	Dành cho ai
Free	0đ	Dùng chơi, thử cho biết
Pro	20đ/tháng	Cá nhân dùng đều
Max	100–200đ/tháng	Dân code, dùng nặng
Team	25–125đ/ghế/tháng	Đội nhóm, tối đa 150 ghế
Enterprise	Báo giá riêng + tiền token	Tập đoàn, từ 150 ghế trở lên

Đơn vị "đ" trong bảng là đô-la Mỹ. Nguồn tổng hợp ở cuối bài.

Dòng cuối cùng đó chính là nhân vật chính của câu chuyện. Gói Team chỉ cho tối đa 150 ghế. Quá con số này, bạn buộc phải nhảy lên Enterprise — và lúc đó cách tính tiền đổi hẳn: tiền ghế tính riêng, tiền token tính riêng. Bên ChatGPT cũng kẻ đúng một đường tương tự: bản Enterprise đòi tối thiểu 150 chỗ, hợp đồng ký theo năm. Hai ông lớn vô tình tạo ra một "chuẩn ngầm" của cả ngành ngay tại con số 150.

Token là cái đồng hồ điện của thời AI

Chỗ này cần nói rõ một chút, vì nó là gốc rễ của mọi thứ. Mỗi token không phải con số trừu tượng trên màn hình — nó là thời gian GPU, là điện, là phần cứng hao mòn dần. Đây là điểm khác Netflix một trời một vực: Netflix cho bạn xem thêm một bộ phim gần như chẳng tốn thêm xu nào, còn AI thì mỗi câu hỏi bạn gõ ra đều "ăn" một lượng điện và máy móc có thật.

Mỗi câu hỏi đều đốt điện thật — và đó là lý do các hãng buộc phải chia khách theo túi tiền.

Với người dùng gói thuê bao — cá nhân, hay startup nhỏ dưới mốc 150 người — thì token tiếp theo gần như miễn phí, vì đã trả tiền trọn gói rồi. Hệ quả là họ được khuyến khích thử nghiệm điên cuồng: bật mười phiên Claude Code cùng lúc, cho agent chạy qua đêm, sai thì làm lại. Cái gói thuê bao biến thành một kiểu ngân sách R&D được bao trọn.

Còn với khách Enterprise — từ 150 nhân viên trở lên — thì ngược lại hoàn toàn. Mỗi token đều tính tiền ở mức cộng lời cao, biên lợi nhuận quanh 75%. Nghĩa là mỗi đồng họ bỏ ra, platform giữ lại khoảng 75 xu. Trong cái khung đó, việc "thử nghiệm linh tinh xem sao" trở thành một thứ xa xỉ — vì mỗi lần thử đều có hóa đơn đi kèm.

Đây chính là nghịch lý buồn cười của nền kinh tế AI hôm nay: những công ty to nhất, trả nhiều tiền nhất, lại là những công ty dám thử nghiệm ít nhất. Microsoft, Amazon, Google vừa đổ hàng chục tỷ đô mua chip, vừa là khách Enterprise sộp nhất nên trả giá đắt nhất. Trong khi đó một startup mười người có thể nghịch AI thâu đêm với chi phí trên mỗi token gần bằng không, chỉ vì đã đóng 200 đô trọn gói.

◆ ◆ ◆

Con số 149, và một bài học cũ từ nước Pháp

Nếu bạn thấy chuyện "cố tình dừng ở 149 người" nghe hơi hoang đường, thì xin thưa: nó đã từng xảy ra rồi, ở quy mô cả một quốc gia.

Tại Pháp, khi một công ty chạm mốc 50 nhân viên, hàng loạt quy định lao động khắt khe lập tức đổ ập xuống: phải lập hội đồng lao động, phải đóng thêm các loại quỹ, phải nộp đủ thứ báo cáo. Kết quả là gì? Thống kê cho thấy một hiện tượng kỳ lạ đến mức buồn cười — rất nhiều công ty có đúng 49 nhân viên, và rất hiếm công ty 51. Cứ như có một bức tường vô hình dựng ngay tại con số 50.

Cơ quan thống kê Pháp (INSEE) còn đo được hẳn: nếu gỡ bỏ cái ngưỡng 50 đó đi, tỷ lệ công ty cỡ vừa sẽ nhích lên thấy rõ. Nói cách khác, chính quy định đã tạo ra một "hố trọng lực" hút các công ty nằm lì bên dưới, thay vì lớn lên.

Giờ thì áp đúng logic ấy vào thế giới AI. Một startup thế hệ mới hoàn toàn có thể tính toán để dừng ở 149 người, chỉ để giữ tấm vé Team Plan với chi phí token gần bằng không. Dưới ngưỡng: thử nghiệm thả ga. Vượt ngưỡng: mỗi token một hóa đơn, chi phí nghịch ngợm bỗng đội lên. Và khi cái lợi nó rõ ràng đến vậy, người ta sẽ chọn ở lại 149 — không phải vì ghét lớn, mà vì cấu trúc khuyến khích họ làm thế.

Triết lý của công ty kiểu mới gói gọn trong một câu: ít người hơn, nhiều agent hơn, thuê ngoài nhiều hơn, tự động hóa tối đa.

Vậy việc làm sẽ biến mất theo kiểu nào?

Lâu nay khi nói về AI và việc làm, ta hay tưởng tượng cảnh các tập đoàn khổng lồ sa thải hàng loạt sau khi robot thay người. Nhưng cấu trúc chi phí phân tầng ở trên gợi ý một kịch bản tinh vi hơn nhiều — và có lẽ đúng hơn.

Bên trong các ông lớn, vì mỗi token đều tốn tiền, họ chỉ dám tự động hóa những việc đã thấy rõ lời. Vô số cơ hội cải tổ khác bị bỏ lỡ, đơn giản vì… thử nghiệm đắt quá. Trong khi đó, đám startup token-gần-bằng-không thì thử mọi thứ, và thi thoảng vớ được những cách làm mà ông lớn chẳng buồn ngó tới.

Việc làm không mất vì các ông lớn sa thải, mà mất vì một startup AI giành thị phần — và startup đó chạy bằng 149 người, thay vì 5.000.

Số liệu cũng nói gần như vậy. Nghiên cứu của Harvard Business School thấy generative AI kéo tin tuyển dụng cho các vị trí dễ bị thay thế giảm 17%, trong khi những vị trí được AI hỗ trợ (chứ không thay thế) lại tăng 22%. MIT Sloan thì phát hiện: khi AI làm được hầu hết đầu việc của một vai trò, nhân sự ở đó giảm khoảng 14% — nhưng nếu AI chỉ gánh được vài phần việc, tổng số nhân sự thậm chí có thể tăng, vì công ty năng suất hơn nên lớn nhanh hơn và tuyển thêm.

Ở tầm vĩ mô, McKinsey ước tính AI có thể tự động hóa 60–70% các hoạt động công việc hiện tại trước năm 2030. Diễn đàn Kinh tế Thế giới thì vẽ ra bức tranh: 92 triệu việc làm mất đi, nhưng 170 triệu việc mới sinh ra — cộng lại vẫn dương gần 78 triệu. Vấn đề lớn nhất, như mọi khi, không nằm ở con số tổng, mà ở chỗ người mất việc và người được việc thường không phải cùng một người.

◆ ◆ ◆

Khoan đã — đừng vội tin hết

Mình thích câu chuyện 149 này, nhưng thành thật mà nói, nó đứng trên vài cái cọc khá lung lay. Để công bằng, đây là những chỗ có thể làm cả lập luận đổ sụp.

Một, cái phần "bao nuôi" hoàn toàn có thể biến mất. Biên lời inference của Anthropic đã tăng vùn vụt, doanh thu thường niên thì bùng từ 9 tỷ cuối 2025 lên hơn 30 tỷ đô — thêm gần 96 triệu mỗi ngày. Khi đã lời khỏe và tiền về ào ạt, áp lực phải bao giá rẻ sẽ nhạt dần, và bảng giá có thể đổi bất cứ lúc nào.

Hai, con số 150 không phải khắc trên đá. Đây là quyết định kinh doanh của công ty tư nhân, không phải luật. Họ thích thì thêm bậc ở giữa, dời ngưỡng, đổi cách tính — chẳng ai cấm. Khác hẳn ngưỡng 50 của Pháp vốn được luật pháp ràng chặt.

Ba, mô hình gym chỉ chạy được khi người ta xài lệch. Nếu mai mốt ai cũng bật agent chạy cả ngày, đám đông "đóng tiền rồi ở nhà" biến mất, thì mô hình thuê bao không giới hạn sẽ vỡ. Nhiều khả năng tương lai sẽ là kiểu lai: gói cứng cộng thêm phần vượt mức tính tiền riêng.

Bốn, ngay cả cái biên lời 75% cũng đang tụt. Một số phân tích cho thấy nó từng chạm 75% rồi rơi về tầm 55% sau các đợt giảm giá. 75% là đỉnh, không phải mặt bằng — và cạnh tranh càng gắt thì nó càng mỏng. Mà nói cho cùng, các ông lớn cũng đâu hoàn toàn chịu thiệt: họ vừa là khách, vừa là chủ hoặc nhà đầu tư của chính các lab AI, nên thừa sức đàm phán deal riêng hoặc tự xây mô hình của mình.

Tóm lại, đây là một xu hướng đáng để ý, chứ không phải định luật bất biến. Đọc để hiểu cuộc chơi, đừng đọc để đặt cược cả công ty.

Rốt cuộc mô hình nào sẽ sống sót?

Một phân tích từ 36kr gợi ý rằng sẽ không có một mô hình "đúng" duy nhất, mà cả ba kiểu dưới đây cùng tồn tại, mỗi kiểu hợp với một loại khách:

Kiểu	Cách tính tiền	Ví dụ
Thẻ gym	Trọn gói, dựa vào số đông xài ít	Claude Pro, ChatGPT Plus
Dịch vụ đám mây	Xài bao nhiêu trả bấy nhiêu	API doanh nghiệp, AWS Bedrock
Trả theo kết quả	Tính tiền theo việc làm xong	Cursor (mỗi task), phí rà soát pháp lý bằng AI

Xu hướng dài hơi thì khá rõ: phía người dùng cá nhân sẽ dần rời bỏ kiểu "không giới hạn" để sang gói cứng cộng phần vượt mức; phía doanh nghiệp sẽ chuyển từ tính theo đầu người sang tính theo lượng dùng và theo giá trị. Còn "trả theo kết quả" có lẽ là đích đến cuối cùng — khi AI đủ đáng tin để người ta dám trả tiền cho thứ nó làm ra, thay vì thứ nó tiêu thụ.

Công ty của tương lai trông sẽ ra sao?

Nếu cái ngưỡng 150 thật sự trở thành "điểm gãy" của quản trị, thì công ty lý tưởng của thập kỷ tới có lẽ sẽ mang dáng hình thế này: khoảng 149 người để giữ chi phí token rẻ; bộ máy phẳng, ít tầng nấc, tổ chức quanh kết quả thay vì phòng ban; mỗi nhân sự "cầm" theo cả đàn agent chạy song song; mạnh dạn thuê ngoài những việc không cần hiểu nội bộ; và quan trọng nhất — thử nghiệm nhiều hơn, nhanh hơn, rẻ hơn hẳn các đối thủ to xác.

Đây không phải viễn cảnh màu hồng gì cả. Nó chỉ đơn giản là phản ứng hợp lý của những người tỉnh táo trước một cấu trúc chi phí có thật. Hệt như các công ty Pháp nằm lì ở 49 người không phải vì họ ghét phát triển — mà vì luật chơi đã được sắp đặt để họ làm vậy.

Và đây là câu hỏi đáng để bạn tự hỏi: công ty mình đang đứng ở đâu trên cái thang này? Nếu đang dùng gói Enterprise và trả full giá API, rất có thể bạn đang âm thầm đóng một thứ "thuế token" — mà mấy đối thủ nhỏ hơn bạn thì hoàn toàn không.

Cảm ơn bạn đã đọc tới đây. Nếu thấy thú vị, mình rất vui nếu bạn chia sẻ lại — và để lại bình luận nếu bạn nghĩ cái ngưỡng 149 này là thật, hay chỉ là một câu chuyện đẹp.

Nguồn tham khảo

Tổng hợp từ SemiAnalysis, MindStudio, 36kr, MIT Sloan, Harvard Business School, McKinsey, Diễn đàn Kinh tế Thế giới, INSEE, cùng tài liệu chính thức của Anthropic và OpenAI.

Về kinh tế token & biên lợi nhuận

Về bảng giá & ngưỡng 150

Về ngưỡng nhân sự & thị trường lao động

— Hết —

[China News] Đồng Nghiệp Tôi Không Nghỉ Việc - Anh Ấy Bị "Chưng Cất" Thành AI

noreply@blogger.com (Le Dang Trung Hieu) — Tue, 07 Apr 2026 03:15:00 +0000

Xu hướng AI × Lao động 2026

Đồng Nghiệp Tôi Không Nghỉ Việc - Anh Ấy Bị "Chưng Cất" Thành AI

Bên trong làn sóng "Skill hóa nhân viên" đang khiến hàng triệu dân công sở Trung Quốc mất ngủ: khi toàn bộ kinh nghiệm, phong cách làm việc và cả thói quen chat của bạn có thể bị nén thành một file Markdown — rồi thay thế chính bạn.

Tổng hợp từ 36Kr · 163.com · 53AI · Sina Finance · Juejin · Cnblogs · ChinaNews

Tháng 4/2026, một dự án GitHub có tên colleague.skill đạt 6.700 sao chỉ trong 5 ngày, đẩy hashtag #Đồng_nghiệp_bị_luyện_thành_AI lên top trending Weibo. Ý tưởng gây sốc đến mức đơn giản: lấy chat log, email, tài liệu nội bộ của một đồng nghiệp — rồi để AI tạo ra bản sao kỹ thuật số hoạt động y hệt người thật. Chỉ vài giờ sau, một nữ developer phản công bằng anti-distill.skill — công cụ giúp "làm rỗng" tri thức trước khi bị chưng cất. Cuộc chiến giữa tự động hóa và tự bảo vệ chính thức bắt đầu.

Những con số không thể phớt lờ

Đây không phải chuyện viễn tưởng. Các tập đoàn lớn nhất Trung Quốc — và cả thế giới — đã hành động:

40% nhân sự bị cắt tại startup cựu CTO Heytea — chỉ trong 2 tuần sau khi triển khai 50 AI Agent

455% tăng trưởng nhu cầu tuyển AI Agent Developer sau Tết 2026 (Zhaopin)

95% ticket CSKH của JD.com hiện do AI xử lý hoàn toàn

Công ty	Quy mô sa thải	Ghi chú
Amazon	16.000 vị trí văn phòng	Toàn cầu
Oracle	20.000–30.000 người	Chuyển $10 tỷ sang AI
Block (Fintech)	~4.000 (~40% công ty)	—
IBM	8.000 người	Tập trung phòng HR
Alibaba, NetEase, JD	Âm thầm cắt giảm	Không công bố con số
Startup Heytea CTO	40% nhân sự	50 AI Agent thay thế
Công ty phần mềm (Sina)	>50%	5 máy tính quản lý 19 Agent

Số liệu từ Boss直聘 còn đáng lo hơn: vị trí tech giảm 35% so với cùng kỳ, trong khi mỗi ứng viên giờ phải gửi trung bình 80 hồ sơ/đợt — gấp 4 lần trước đây. Ngược lại, vị trí liên quan LLM tăng 32 lần kể từ 2023. Thị trường không co lại — nó đang thay hình đổi dạng.

colleague.skill: Khi đồng nghiệp bị "luyện" thành file

Dự án của tác giả titanwings có slogan lạnh gáy: "Biến cuộc chia tay lạnh lùng thành Skill ấm áp — chào mừng đến với Cyber Immortality."

Cách hoạt động đáng ngạc nhiên vì sự đơn giản: nhập chat log từ Feishu, DingTalk, WeChat, Slack hoặc email → AI phân tích 5 tầng persona (từ thói quen giao tiếp đến mô hình ra quyết định) → xuất ra một thư mục Skill hoàn chỉnh. "Bản sao kỹ thuật số" này có thể trả lời tin nhắn, review code, thậm chí ra quyết định — y hệt người thật.

// 5 tầng Persona mà colleague.skill xây dựng Layer 5: Hành vi giao tiếp nội bộ ← Cách đối phó sếp, newbie Layer 4: Mô hình ra quyết định ← Cẩn thận hay liều lĩnh? Layer 3: Phong cách diễn đạt ← Ngắn/dài, emoji, tốc độ reply Layer 2: Bản sắc cá nhân ← "Trâu cày" / "Biên giới rõ" Layer 1: Quy tắc cứng ← Code phải có comment, v.v.

⚠️ Chi tiết đáng suy ngẫm

README của dự án ghi một dòng nhỏ: "Chất lượng nguyên liệu quyết định chất lượng Skill. Chat log + tài liệu dài > mô tả thủ công." Nghĩa là chính những tri thức tạo nên sự không thể thay thế của bạn — lại là thứ dễ trích xuất nhất.

anti-distill.skill: "Tôi từ chối bị chưng cất"

Chỉ vài giờ sau khi colleague.skill lên trending, một nữ developer đăng phản đòn: anti-distill.skill (反蒸馏). Lời giải thích của cô: "Ai cũng đi làm kiếm sống. Không ai muốn mình bị luyện thành Skill rồi mất việc."

Công cụ này đọc file Skill.md mà bạn bị yêu cầu viết, tự động phân loại tri thức thành ba nhóm: cốt lõi (giá trị cao), chung (ai cũng biết), và hình thức (vô nghĩa). Sau đó xuất ra hai bản: một bản "vỏ rỗng" trông chuyên nghiệp nhưng rỗng ruột — nộp cho công ty; một bản backup chứa toàn bộ tri thức thật — giữ cho mình.

Bản gốc (giá trị cao)	Bản "vỏ rỗng" (nộp công ty)
Redis key phải đặt TTL, gợi ý 24h–72h tùy nghiệp vụ	Việc dùng cache tuân theo quy định nhóm, tham số tùy tình huống
Khi deploy production, tắt feature flag X trước 2 tiếng	Quy trình deploy tuân theo SOP của công ty
Client A nhạy cảm latency, luôn ưu tiên P95	Đảm bảo chỉ số dịch vụ đạt yêu cầu SLA

Ba mức "làm rỗng": Nhẹ (~30% tri thức ẩn, khi môi trường tin tưởng), Trung bình (~60%, khi sếp giám sát thường xuyên), và Nặng (~90%, khi có dấu hiệu cắt giảm rõ ràng — chỉ còn "Professional Nonsense").

Vũ trụ Skill bùng nổ trong 72 giờ

colleague.skill và anti-distill chỉ là khởi đầu. Trong vài ngày, GitHub tràn ngập các biến thể:

Dự án	Chức năng	Ý nghĩa ngầm
ex.skill	Clone người yêu cũ từ WeChat	Né tránh sự từ chối
boss.skill	Học cách sếp nghĩ	"Quản lý ngược"
mentor.skill	Clone giảng viên	Hỏi khi thầy đã nghỉ
self.skill	Bản sao AI chính mình	Tự phân tích quyết định
永生.skill	Lưu giữ ký ức sau khi mất	Cyber Immortality

Cộng đồng Weibo tóm gọn bằng một câu chơi chữ viral: "同事，散是Token，聚是Skill" — Đồng nghiệp, tản ra là Token, tụ lại là Skill.

50 "con tôm" của cựu CTO Heytea

Kelly Chen — cựu CTO chuỗi trà Heytea, founder vika — không chỉ nói lý thuyết. Cô vận hành 50 AI Agent trên Discord, phủ từ hành chính, kế toán, pháp lý, kinh doanh đến R&D và content.

Kết quả: 16.000 GitHub contributions trong 12 tháng — khoảng 10.000 commit do AI tự thực hiện. Đỉnh điểm tiêu thụ 700 triệu tokens/ngày. Và câu nhận xét đáng nhớ nhất của Kelly:

"Người bị thay thế không phải là người kém năng lực. Đó là người chỉ biết nhận nhiệm vụ và thực thi."

Bạn thuộc loại nào?

✗ Loại A — Người nhận nhiệm vụ

Hàng tuần chờ được giao việc → thực thi → Toàn bộ quy trình có thể Skill hóa → Bị thay thế

✓ Loại B — Người quản lý AI

Hàng tuần tự hỏi "Tôi nên cho AI làm gì?" → Đặt câu hỏi đúng → Định nghĩa vấn đề → Ra quyết định → Sống sót & phát triển

Kelly gọi đây là "vấn đề loài": người chỉ thực thi và người biết đặt câu hỏi đang trở thành hai loài khác nhau trong hệ sinh thái doanh nghiệp.

Nghịch lý đáng sợ nhất: Cổng vào nghề đang biến mất

163.com đặt ra vấn đề sâu hơn mọi con số sa thải: những vị trí entry-level bị AI thay thế trước tiên — nhưng đó chính là "khu luyện tập" duy nhất của người mới. Thực tập sinh phải chạy data mới học được cách đặt câu hỏi. Junior dev phải viết CRUD mới hiểu architecture. AI lấy đi "việc lặt vặt" — cổng vào biến mất, nhưng Boss cuối vẫn còn đó.

Nghiên cứu của Anthropic (được báo Trung Quốc trích dẫn): tỷ lệ người 22–25 tuổi có việc làm trong ngành chịu tác động AI cao đã giảm gần 20%. Doanh nghiệp không sa thải nhân viên cũ — họ đơn giản ngừng tuyển người mới.

Pháp luật nói gì?

Không phải muốn thay là được. Cuối 2025, một nhân viên 15 năm kinh nghiệm tại Bắc Kinh bị sa thải với lý do "AI đã thay thế vị trí". Hội đồng trọng tài phán quyết: sa thải vi phạm pháp luật, công ty bồi thường ~110.000 USD.

"Việc ứng dụng AI là quyết định kinh doanh chủ quan dựa trên hiệu quả và chi phí — không đáp ứng yêu cầu 'khách quan' và 'bất khả kháng'. Doanh nghiệp không thể chuyển giao rủi ro đổi mới công nghệ sang người lao động."

Tháng 2/2026, Bộ Nhân lực Trung Quốc cũng xử phạt 600.000 NDT một doanh nghiệp dùng AI tuyển dụng phân biệt đối xử theo giới tính và tuổi tác — cho thấy nhà nước đang siết.

Vậy bạn nên làm gì — ngay bây giờ?

Thay vì dùng anti-distill (có thể vi phạm hợp đồng), các chuyên gia tư vấn nghề nghiệp Trung Quốc đề xuất bốn chiến lược hợp pháp:

Phân tách rõ ràng: Quy trình thực thi (có thể Skill hóa, sẵn sàng chia sẻ) vs. Phán đoán ngữ cảnh (giữ lại — AI chưa học được).
Xây năng lực tầng cao: Đặt câu hỏi đúng (Problem Definition), đánh giá output AI (Critical Review), quyết định trong mơ hồ (Ambiguity Tolerance).
Chuyển vai trò: Từ "người thực thi" → "người thiết kế quy trình cho AI thực thi". Ai tự Skill hóa bản thân mình trước — người đó quản lý AI, thay vì bị AI thay thế.
Tài liệu hóa tri thức ngầm: Ghi lại các quyết định khó, bài học trong tình huống phức tạp. Đây là tacit knowledge — thứ cuối cùng AI sẽ đụng tới.

💡 Câu hỏi của Cnblogs — đáng suy ngẫm nhất

"Chúng ta đang sản xuất hàng loạt Skill, nhưng lại đang đóng cửa kênh đào tạo những người biết chỉ ra lỗi của Skill. Geoffrey Hinton năm 1986 đã làm gì? Viết code, chạy thử nghiệm — đúng những việc bây giờ bị liệt vào 'đang được thay thế'. AI không thay thế Hinton — AI thay thế người trở thành Hinton trước khi họ trở thành Hinton."

Ai cần làm gì?

Đối tượng	Hành động ưu tiên
Nhân viên văn phòng	Chuyển từ "thực thi" sang "định nghĩa vấn đề + kiểm soát AI". Tự Skill hóa công việc của mình — để quản lý AI, không phải bị thay thế.
Quản lý cấp trung	Xây Skill library cho quy trình nhóm. ROI cao nhất: onboarding, code review, báo cáo định kỳ, CSKH tier 1.
Doanh nghiệp	Sa thải bằng lý do "AI thay thế" có rủi ro pháp lý rất cao. Cần lộ trình đào tạo lại trước khi tái cơ cấu.
Cơ quan quản lý	Xây dựng cơ chế đánh giá tác động việc làm trước khi triển khai AI quy mô lớn. Thiết lập quỹ hỗ trợ chuyển ngành.

Phụ lục: Agent Skills — nền tảng kỹ thuật phía sau

Skill không phải Prompt

Nhiều người nhầm lẫn Skill với Prompt. Thực tế, Agent Skills là bước tiến hóa lớn: một Skill là đơn vị năng lực có thể tái sử dụng, quản lý version, lazy-load theo nhu cầu thay vì nhồi toàn bộ vào context. Skill và MCP (Model Context Protocol) bổ sung cho nhau — giống như bản mô tả công việc có ghi "Bước 3: Mở Feishu tra tài liệu".

	Prompt	Skill (SKILL.md)	MCP
Bản chất	Lệnh đơn lần	Năng lực tái dùng	Giao thức kết nối
Tái sử dụng	Mất khi hết chat	Cross-project, versioned	Viết 1 lần, mọi AI dùng
Context loading	Toàn bộ cùng lúc	Lazy load theo nhu cầu	Qua MCP Server
Giải quyết	"Tôi muốn làm gì"	"Làm thế nào"	"Kết nối hệ thống ngoài"

5 nguyên tắc viết SKILL.md chất lượng cao

Metadata ngữ nghĩa chính xác: description là "điều kiện kích hoạt" cho AI — phải rõ "When to use" VÀ "When NOT to use".
Single Responsibility: Một Skill, một việc. Tách system-debugger.skill thành jvm-heap-analyzer.skill, trace-inspector.skill.
Determinism > Intuition: Với tính toán nghiêm ngặt, cho AI extract tham số rồi gọi script — đừng để LLM "đoán".
Progressive Disclosure: SKILL.md < 500 tokens. Tài liệu lớn vào references/, script vào scripts/.
Ví dụ thay thế mô tả: 10 dòng example code hiệu quả hơn 100 dòng văn bản.

Nguồn tham khảo:
[1] Cnblogs — 「同事.skill」爆火：当AI 学会"炼化"你的同事
[2] Cnblogs/JD Cloud — OpenClaw Agent与Skill架构详解
[3] Juejin — 裁员浪潮席卷而来，OpenClaw 是否能重构生产力
[4] 36Kr — 2026的春天，AI 正在杀死普通职场人
[5] 53AI — 用OpenClaw裁掉40%员工后的案例分析
[6] Sina — 公司引入龙虾AI裁员过半
[7] Tencent Cloud — AI裁员终于砍到互联网写手身上
[8] Sina Finance — AI如何重构就业 (基于智联招聘数据)
[9] 163.com — 我的同事被炼化成Skill了
[10] X/Twitter @andreasklinger — anti-distill viral thread
[11] Sina Finance — 「同事.Skill」冲上热搜
[12] OpenAxo — 2026年AI驱动就业变局深度解析
[13] ChinaNews — 岗位被AI替代，公司能据此解雇员工吗？
[14] Juejin — 裁员潮下程序员如何自救：50个转型案例
[15] EET-China — 被判违法的AI仲裁案
[16] 京报网 — 企业引入AI不能成解雇职工挡箭牌
[17] CSR Care — 2026 AI监管风暴：8起行政处罚案例
[18] Tencent Cloud — 龙虾Agent Skill工作流核心奥秘
[19] Caijing — 人大代表马一德：构建AI就业影响评估机制

Backend System Design

noreply@blogger.com (Le Dang Trung Hieu) — Wed, 07 Jan 2026 02:12:00 +0000

Cách thiết kế hệ thống backend tốt

Mình gặp rất nhiều lời khuyên system design kiểu… “nghe ngầu là chính”. Bài này là phiên bản giải thích theo lối thực dụng: ít màu mè, nhiều thứ bạn dùng được ngay khi xây sản phẩm.

Dễ hiểu cho người mới Tập trung vào “mảnh ghép” phổ biến Có checklist + sơ đồ tổng quát

Mục lục

Sơ đồ tổng quát
System design là gì (theo cách dễ hình dung)
Nhận biết thiết kế tốt
State: thứ làm bạn mất ngủ
Database: làm đúng từ đầu là nhẹ người
Nhanh vs chậm: tách việc ra cho “đỡ nghẹt”
Cache: cứu tốc độ, nhưng thêm rủi ro
Events: dùng khi cần “phát sóng”
Push vs Pull: dữ liệu nên tự đến hay phải đi xin?
Hot paths: chỗ phải nghiêm túc nhất
Logging & metrics: nhìn được thì mới sửa được
Killswitch, retry, và thất bại “có văn hoá”
Checklist áp dụng nhanh

Sơ đồ tổng quát: “đường đi” của một thiết kế hệ thống tốt

Đây là bản đồ tư duy để bạn không bị ngợp. Cứ đi từ trên xuống: chọn đúng chỗ quan trọng, dùng đúng mảnh ghép, rồi bọc hệ thống bằng quan sát + cơ chế tự cứu.

Ghi chú: Sơ đồ này cố tình “đơn giản hoá”. Thiết kế tốt thường trông rất bình thường — và đó là dấu hiệu tốt.

System design là gì (theo cách dễ hình dung)

Nếu software design là cách bạn ghép các dòng code lại (hàm, class, module…), thì system design là cách bạn ghép các khối dịch vụ lại: app server, database, cache, queue, event hub, proxy…

Một câu định nghĩa “nghe là nhớ” System design là nghệ thuật lắp ráp những khối “bình dân” thành một hệ thống chạy lâu mà ít drama.

Nhận biết thiết kế tốt: thường… không gây ấn tượng

Thiết kế tốt hay có cảm giác: “Ủa sao cái này dễ hơn mình tưởng?” hoặc “Phần này mình hiếm khi phải nghĩ tới”. Ngược lại, hệ thống trông quá “ngầu” (quá nhiều cơ chế phức tạp) đôi khi là cách che một quyết định gốc sai.

Dấu hiệu tốt

Chạy ổn trong thời gian dài
Dễ debug vì luồng rõ
Ít thành phần nhưng đúng chỗ

Dấu hiệu đáng nghi

“Cần” quá nhiều mẹo phức tạp để sống
Không ai dám đụng vì sợ gãy
Thêm tính năng nhỏ mà phải chỉnh cả 5 nơi

Nguyên tắc sống còn

Hệ thống phức tạp bền vững thường tiến hoá từ hệ thống đơn giản bền vững
Xây phức tạp ngay từ đầu thường là tự làm khó

State: thứ làm bạn mất ngủ

Thứ khó nhất trong mọi thiết kế là state (trạng thái): dữ liệu được lưu lại qua thời gian, sống “ngoài” vòng đời request/response. Cái gì “đụng DB” thường là stateful. Còn một dịch vụ chỉ nhận input rồi trả output (không lưu gì lâu dài) là gần với stateless.

Mẹo rất thực dụng Giảm số lượng thành phần stateful. Và nếu được, gom logic ghi dữ liệu về một nơi chịu trách nhiệm chính (thay vì 5 service cùng viết vào một bảng rồi… cầu trời).

Có ngoại lệ (đọc nhanh có thể đọc trực tiếp DB thay vì gọi service nội bộ), nhưng mặc định “ít điểm ghi” sẽ dễ sống hơn.

Database: làm đúng từ đầu là nhẹ người

1) Schema vừa đủ “mềm”, nhưng vẫn đọc được

Schema nên đủ linh hoạt để không vỡ khi sản phẩm phát triển, nhưng nếu bạn “mềm quá” (ví dụ nhét mọi thứ vào một cột JSON hoặc thiết kế kiểu key/value chung chung), bạn đẩy độ phức tạp sang code và tự mua thêm rủi ro hiệu năng.

2) Index: đừng tiếc, nhưng cũng đừng spam

Nếu bảng không còn “vài dòng cho vui”, hãy nghĩ sớm về index theo đúng query phổ biến. Nhưng mỗi index đều có giá (write nặng hơn), nên chọn cái nào thực sự phục vụ đường đi chính.

3) DB thường là nút thắt cổ chai (và hay bị “oan”)

Nhiều hệ thống chậm không phải vì app server yếu, mà vì app đang bắn quá nhiều query—thậm chí theo chuỗi, tuần tự. Khi đã query thì hãy để DB làm đúng việc DB giỏi: JOIN, lọc, gom nhóm… Đừng vô tình tạo “N+1 queries” từ ORM (lặp trong vòng lặp mà không hay).

Cảnh báo thân thiện Đừng cache để che một query “dở”. Trước khi cache, hãy tự hỏi: “Mình đã thêm index đúng chưa?”

4) Replicas & spike

Một setup rất phổ biến: 1 node ghi + nhiều node đọc. Đẩy càng nhiều đọc sang replica càng tốt, trừ khi bạn cực kỳ nhạy với độ trễ đồng bộ (replication lag). Với spike truy vấn (đặc biệt write/transaction), hãy nghĩ tới throttling để DB không bị “lụt”.

Nhanh vs chậm: tách việc ra cho “đỡ nghẹt”

Có việc người dùng cần thấy ngay (vài trăm ms). Có việc bản chất chậm (xử lý file lớn, tạo report…). Pattern kinh điển: làm phần tối thiểu để người dùng “thấy có tiến triển”, phần còn lại quăng vào nền.

Background jobs gồm gì?

Queue (hay gặp: Redis)
Worker/job runner kéo job về chạy

Job chạy theo lịch

Dọn dẹp định kỳ
Tổng hợp số liệu theo ngày/tuần

Job “để lâu” (1 tháng…)

Đôi khi hợp hơn khi lưu vào DB (có scheduled_at)
Một cron/job mỗi ngày quét và thực thi

Cache: cứu tốc độ, nhưng thêm rủi ro

Cache thường xuất hiện khi một thao tác chậm vì nó phải làm lại cùng một việc cho nhiều người (ví dụ gọi API giá hiện tại, tính toán nặng…). Cache giúp nhanh hơn, nhưng đổi lại nó là một “nguồn state” nữa: có thể bị stale, lệch với sự thật, hoặc gây bug khó đoán.

Một quan sát thú vị Người mới thường muốn cache mọi thứ. Người có kinh nghiệm thường cache… ít lại. Lý do không phải vì họ ghét tốc độ — mà vì họ ghét “state bí ẩn”.

Ngoài cache kiểu Redis/Memcached, còn một trick “rất đời”: nếu kết quả quá to không nhét vừa cache nhanh, hãy tạo file kết quả và lưu vào object storage (S3/Blob…), rồi phục vụ file đó như một cache bền vững.

Events: dùng khi cần “phát sóng”

Event hub (một ví dụ quen: Kafka) giống queue, nhưng thay vì “hãy chạy job X”, bạn gửi “sự kiện Y vừa xảy ra”. Nhiều service có thể nghe cùng một sự kiện và làm phần việc của họ (gửi email chào mừng, kiểm tra gian lận, tạo tài nguyên…).

Đừng lạm dụng Nhiều lúc gọi API trực tiếp giữa hai service lại dễ hiểu hơn (log tập trung, luồng rõ, nhìn thấy response ngay). Event hợp khi: người phát không cần biết ai tiêu thụ, hoặc lưu lượng lớn và không quá “gấp từng giây”.

Push vs Pull: dữ liệu nên tự đến hay phải đi xin?

Pull là kiểu truyền thống: client hỏi thì server trả. Dễ làm, dễ hiểu. Nhưng nếu client hỏi liên tục để “refresh” (như inbox), bạn sẽ trả đi trả lại một đống dữ liệu giống nhau.

Push là kiểu “có gì mới thì báo”: client đăng ký, server chủ động đẩy cập nhật khi dữ liệu đổi. Trải nghiệm mượt hơn, nhưng để push cho rất nhiều client thì hệ thống phía sau phải được tổ chức tốt.

Khi push rất hợp

Nhiều service nội bộ cùng cần 1 dữ liệu
Dữ liệu đổi không quá thường xuyên

Khi pull hợp lý

Client ít, nhu cầu đơn giản
Ưu tiên dễ vận hành

Scale cho “rất nhiều client”

Push: thường đi qua queue + nhiều processor
Pull: thường có lớp cache server/read replica phía trước

Hot paths: chỗ phải nghiêm túc nhất

Thiết kế hệ thống dễ bị “ngợp” vì có quá nhiều tương tác. Cách gỡ: tập trung vào hot paths — phần quan trọng nhất và phần ăn nhiều lưu lượng nhất. Những chỗ này ít lựa chọn hơn, và nếu sai thì “nổ” cũng to hơn.

Gợi ý thực tế Khi bắt đầu một thiết kế, hãy tự hỏi: “Nếu chỉ được làm đúng 2 phần, mình phải làm đúng phần nào để hệ không sập?” Câu trả lời thường nằm ở hot paths.

Logging & metrics: nhìn được thì mới sửa được

Mình cực đồng ý với nguyên tắc: log mạnh ở unhappy paths. Tức là các nhánh trả lỗi/không thoả điều kiện (422, từ chối billing, chặn abuse…), hãy log rõ “vì sao” (điều kiện nào kích hoạt).

Và tối thiểu bạn nên thấy được: CPU/memory, độ dài queue, thời gian xử lý request/job. Với request time, hãy nhìn cả p95/p99 (những request chậm nhất), vì đôi khi “vài request chậm” lại rơi đúng vào nhóm khách hàng lớn nhất.

Một câu nói khó chịu nhưng đúng Trung bình (average) đôi khi là cái bẫy. Bạn cần nhìn phần “đuôi” để biết ai đang đau.

Killswitch, retry, và thất bại “có văn hoá”

1) Killswitch: tắt nhanh hơn deploy

Một “công tắc khẩn cấp” giúp bạn tắt một luồng tự động đang chạy sai mà không cần chờ deploy. Trong sự cố, vài phút khác biệt là cả thế giới.

2) Retry không phải thần dược

Retry mù có thể làm hệ kia chết nhanh hơn (vì bị spam thêm tải). Với call lớn, nên có circuit breaker: lỗi nhiều quá thì tạm ngừng gọi để hệ kia hồi phục.

3) Ghi (write) mà bị lỗi 5xx: “đã ghi hay chưa?”

Đây là nơi idempotency key phát huy: mỗi request ghi mang một mã duy nhất, phía nhận lưu mã đó để tránh xử lý lại cùng một thao tác khi client retry.

4) Fail open vs fail closed

Khi một phần phụ trợ chết (ví dụ rate limit dùng Redis), bạn cần quyết định: fail open (cho qua) hay fail closed (chặn). Thực dụng: rate limit thường fail open để tránh biến lỗi phụ thành sự cố lớn; auth thì nên fail closed vì sai một cái là rò dữ liệu.

Điểm mấu chốt “Thất bại” là chắc chắn sẽ có. Thiết kế tốt là khiến thất bại nhỏ lại, chậm lại, và dễ kiểm soát.

Checklist áp dụng nhanh (copy về dùng trong review)

Mục	Câu hỏi phải trả lời	Dấu hiệu “ổn”
Hot paths	Chỗ nào chạy nhiều nhất và quan trọng nhất?	Thiết kế ưu tiên rõ ràng, không bị loãng
State	State nằm ở đâu? Có bao nhiêu nơi ghi?	Ít điểm ghi, trách nhiệm rõ
DB	Schema có đọc được không? Index theo query chính chưa?	Query hợp lý, tránh N+1, có kế hoạch replica
Fast vs slow	Việc nào phải nhanh? Việc nào có thể làm nền?	Background job cho việc nặng, có throttle
Cache	Cache vì lý do gì? Có nguy cơ stale không?	Cache tối thiểu, có TTL/invalidate rõ
Events	Cần fan-out thật không? Hay gọi API là đủ?	Event dùng đúng chỗ, không biến hệ thành “mù log”
Observability	Khi lỗi, mình có biết “lỗi vì sao” không?	Log unhappy path, theo dõi p95/p99, queue size
Graceful failure	Khi component chết, hệ làm gì?	Killswitch, circuit breaker, idempotency, fail open/closed hợp lý

Kết bài (ngắn gọn nhưng đau) Thiết kế hệ thống tốt hiếm khi “khoe kỹ thuật”. Nó giống hệ thống ống nước: chạy êm lâu ngày thì chẳng ai nhớ tới, nhưng lúc làm sai thì… cả nhà biết ngay.

Tham khảo: Bài gốc của Sean Goedecke (link ở dưới). Đây là bản diễn giải lại bằng tiếng Việt để học và áp dụng nhanh.
Nguồn: https://www.seangoedecke.com/good-system-design/

Web/System Architecture

noreply@blogger.com (Le Dang Trung Hieu) — Wed, 07 Jan 2026 01:56:00 +0000

Nghiên cứu AI · Anthropic · 06/2026

📅 16 tháng 6, 2026 | ✎ Zoe Hitzig, Maxim Massenkoff và cộng sự | ⏱ ~12 phút đọc

Claude Code: Người hiểu việc mới là người thắng — không phải người code giỏi nhất

Anthropic vừa công bố nghiên cứu phân tích gần 400.000 phiên Claude Code thực tế. Kết quả chỉ ra một điều ngược với suy nghĩ ban đầu của nhiều người: AI đang viết code ngày càng nhiều, nhưng kỹ năng tạo ra khác biệt không còn là "biết code tốt" — mà là "hiểu rõ bài toán cần giải quyết".

~400KPhiên làm việc được phân tích

~235KNgười dùng trong mẫu nghiên cứu

20hThời gian dùng Claude Code mỗi tuần

+27%Giá trị trung bình mỗi tác vụ tăng trong 7 tháng

🔍 Những điểm chính của nghiên cứu

Con người giữ khoảng 70% quyết định lập kế hoạch (làm gì, theo hướng nào); Claude giữ phần lớn quyết định triển khai (code ra sao, chạy lệnh nào).
Người có chuyên môn cao trong lĩnh vực đang làm kéo được nhiều việc hơn từ AI sau mỗi câu lệnh — tới 2 lần so với người mới.
Nghề nghiệp kỹ thuật không vượt trội quá xa so với các nghề khác nếu người dùng hiểu rõ bài toán của mình.
Tỷ trọng phiên dành cho debug giảm gần một nửa trong 7 tháng; tăng mạnh ở vận hành, phân tích dữ liệu và viết tài liệu.
Giá trị trung bình một tác vụ tăng khoảng 27% theo thời gian, tính theo mức giá freelance thị trường tương đương.

Vì sao nghiên cứu này đáng đọc

Điểm hay của nghiên cứu này là nó không nhìn vào benchmark học thuật. Thay vào đó, Anthropic nhìn vào việc thật ngoài đời: ai đang dùng Claude Code, họ dùng để làm gì, thành công tới mức nào và yếu tố nào kéo kết quả đi lên.

Trong bối cảnh nhiều đội ngũ đang bàn chuyện thay người viết code bằng AI, nghiên cứu này đưa ra một góc nhìn chín chắn hơn: AI có thể gánh rất nhiều phần triển khai, nhưng không tự thay thế được năng lực hiểu vấn đề, hiểu ràng buộc và ra quyết định đúng.

Nếu phải rút còn một ý: AI không làm chuyên môn trở nên vô nghĩa — ngược lại, chuyên môn tốt còn giúp AI làm được nhiều việc hơn.

Claude Code đang được dùng để làm gì

Anthropic chia mỗi phiên làm việc vào một nhóm chính. Nhìn vào đó thấy rõ Claude Code không còn chỉ là công cụ sửa bug:

Building: tạo mới tính năng, script, sản phẩm.
Fixing: sửa lỗi, gỡ bug, xử lý vấn đề đang vướng.
Testing / Orchestrating: viết test, phối hợp pipeline, gọi chuỗi tự động hóa.
Operating: deploy, cấu hình hệ thống, vận hành môi trường.
Understanding / Planning: đọc hệ thống cũ, hiểu kiến trúc, lên kế hoạch trước khi sửa.
Analyzing / Communicating: phân tích dữ liệu, viết báo cáo, tạo tài liệu.

Hình 1. Tỷ trọng các nhóm công việc trong Claude Code — 56% thuộc nhóm code và test, 17% vận hành, 13% phân tích và tài liệu.

Ai quyết định cái gì: người hay AI

Một phát hiện rất dễ nhớ: người quyết định làm gì, Claude quyết định làm như thế nào. Con người đóng vai trưởng nhóm giao bài, AI nhận phần tay chân kỹ thuật ở mức ngày càng sâu hơn.

Loại quyết định	Do con người	Do Claude
Lập kế hoạch (mục tiêu, hướng tiếp cận, tiêu chí xong việc)	~70%	~30%
Thực thi (chọn file, viết code, chạy lệnh, thứ tự làm)	~20%	~80%

Một phiên điển hình có khoảng 4 lượt qua lại giữa người và Claude. Mỗi prompt kích hoạt khoảng 10 hành động từ phía Claude; một số phiên vượt quá 100 hành động.

Hình 2. Con người nắm phần lập kế hoạch, Claude nắm phần thực thi — cách phân công tự nhiên trong agentic coding.

Đây là chỗ hay bị hiểu sai. Thấy AI làm được nhiều bước không có nghĩa là con người đã hết vai. Vai trò chỉ dời từ "người trực tiếp làm" sang "người đặt bài toán, kiểm soát hướng và chốt tiêu chuẩn".

Chuyên môn càng rõ, AI làm được càng nhiều

Anthropic đánh giá mức chuyên môn thể hiện trong phiên theo thang 5 mức, từ novice đến expert. Họ không nhìn vào chức danh mà nhìn vào cách người dùng mô tả yêu cầu, cách kiểm tra đầu ra và ai sửa ai trong cuộc trao đổi.

Điều này khá sát thực tế. Một quản lý tài chính không biết Python vẫn có thể là "expert" nếu họ hiểu rõ quy tắc đối soát, kiểm soát được edge case và biết kết quả nào mới dùng được.

Mức độ	Biểu hiện	Số hành động Claude thực hiện/prompt
Novice	Yêu cầu chung chung, ít ràng buộc, ít phát hiện lỗi tinh tế	~5 hành động ~600 từ đầu ra
Intermediate	Biết mục tiêu, biết điều kiện đạt, có thể kiểm tra và phản biện	~8 hành động ~1.600 từ đầu ra
Expert	Hiểu sâu, nêu edge case, kiểm thử đúng chỗ, sửa hướng nhanh	~12 hành động ~3.200 từ đầu ra

Hình 3. Người hiểu việc hơn không chỉ có kết quả tốt hơn — họ còn "kéo được nhiều lao động hơn" từ AI trong mỗi lần giao việc.

Công việc đang dịch chuyển ra sao trong 7 tháng

Từ tháng 10/2025 đến tháng 4/2026, cơ cấu công việc trên Claude Code thay đổi rõ rệt:

Tỷ trọng phiên sửa code hỏng (fixing) giảm từ 33% xuống 19%.
Tỷ trọng phiên vận hành phần mềm (operating) tăng từ 14% lên 21%.
Tỷ trọng phiên phân tích dữ liệu và viết tài liệu gần như tăng gấp đôi.
Giá trị trung bình mỗi tác vụ tăng khoảng 27% tính theo mức giá freelance thị trường.

Hình 4. Tỷ trọng công việc dịch chuyển từ fixing sang operating và analyzing trong 7 tháng quan sát.

Nhìn theo góc vận hành: công cụ càng trưởng thành thì người dùng càng bớt dùng nó để chữa cháy từng lỗi nhỏ, và bắt đầu dùng cho những đầu việc mang tính hệ thống hơn.

Tỷ lệ thành công khác nhau như thế nào

Anthropic đo thành công theo nhiều lớp — không chỉ cảm giác "có vẻ xong", mà còn tín hiệu xác minh như test pass, commit, pull request hoặc xác nhận rõ ràng.

Phiên mức novice: xác suất thành công có xác minh khoảng 15%.
Phiên từ mức intermediate trở lên: thành công có xác minh khoảng 28–33%.
Tính cả partial success: novice ~77%, intermediate trở lên ~91–92%.
Phiên gặp trục trặc mà thất bại hoàn toàn: novice ~19%, expert chỉ ~5–7%.

Hình 5. Mức chuyên môn càng cao thì xác suất thành công và có xác minh càng lớn.

Nghề kỹ thuật có lợi thế lớn không

Một kết quả khá bất ngờ: ở các phiên tạo ra code, nghề phần mềm đạt verified success khoảng 34%, trong khi các nghề khác đạt khoảng 29%. Nếu tính partial success, hai nhóm gần như ngang nhau (~89% vs ~88%).

Nói cách khác, khi AI đã gánh phần triển khai, khoảng cách giữa "biết code chuyên nghiệp" và "hiểu rõ bài toán cần giải quyết" bắt đầu thu hẹp lại.

Hình 6. Chênh lệch thành công giữa nghề phần mềm và nghề khác không quá lớn khi chuyên môn lĩnh vực của người dùng đủ tốt.

Điều này không có nghĩa kỹ năng kỹ thuật mất giá trị. Ý đúng hơn: kỹ thuật đang bớt là "điều kiện duy nhất bắt buộc", còn hiểu nghiệp vụ và biết điều phối AI đang trở thành lợi thế lớn hơn trước.

Workflow nên áp dụng khi làm việc với coding agent

Chốt bài toán trước khi chạm vào code

Viết rõ mục tiêu, đầu ra mong muốn, dữ liệu đầu vào, ràng buộc, edge case và định nghĩa "xong" là gì. Đây là bước quan trọng nhất.

Giao việc theo từng lớp — bối cảnh trước, chi tiết sau

Cho AI hiểu bức tranh lớn trước, rồi mới giao phần cụ thể. Tránh ném yêu cầu mơ hồ nhưng kỳ vọng kết quả đúng ngay.

Buộc AI tự kiểm tra đầu ra

Yêu cầu test, log, so sánh expected output, liệt kê giả định và nêu rõ chỗ chưa chắc chắn trước khi giao kết quả.

Đánh giá bằng tín hiệu xác minh, không phải cảm giác

Ưu tiên pass test, commit, diff rõ ràng, file đầu ra dùng được — thay vì "nhìn trông ổn". Đây là cách phân biệt partial success và verified success.

Sửa brief trước khi sửa AI

Nếu kết quả lệch, xem lại chính brief và tiêu chí done trước. Nhiều khi lỗi không nằm ở model mà ở cách giao việc.

Đóng gói thành playbook dùng lại

Phiên làm tốt nên được biến thành template prompt, checklist review và workflow chuẩn để cả team cùng nhân rộng.

Tóm lại: bản chất của câu chuyện này là gì

Bản chất không phải "AI thay người code". Bản chất là công việc đang được tái chia lại: máy nhận thêm phần thi công, còn con người được đẩy mạnh hơn vào phần ra đề, đặt chuẩn, kiểm tra và chọn hướng.

Nói theo cách gần gũi: trước đây anh phải tự cầm cuốc đào đất. Bây giờ anh có máy xúc. Nhưng nếu anh không biết mảnh đất nào cần đào, đào tới đâu, và đào để làm gì — thì có máy mạnh mấy cũng chỉ làm nhanh cái sai.

Với những ai đang làm marketing, tài chính, vận hành hay sản phẩm: người thắng không phải người chat nhiều với AI nhất, mà là người biết chuyển bài toán công việc thành brief đủ rõ để AI làm phần nặng.

Nguồn: Agentic coding and persistent returns to expertise — Anthropic Research, 16/06/2026.

Tác giả: Zoe Hitzig, Maxim Massenkoff, Eva Lyubich, Shaoyi Zhang, Ryan Heller, Peter McCrory.

Phân Tích từ 1,500 Bài Nghiên Cứu: Lật Tẩy 6 Lầm Tưởng Về Prompt Engineering

noreply@blogger.com (Le Dang Trung Hieu) — Thu, 18 Sep 2025 03:47:00 +0000

Ghi chú: Nội dung bài viết này được dịch và biên tập từ bài viết gốc trên trang tin của tác giả Aakash Gupta: "I Studied 1,500 Academic Papers on Prompt Engineering. Here’s Why Everything You Know Is Wrong".

Toàn bộ các luận điểm, số liệu và trích dẫn trong bài đều dựa trên phân tích của tác giả gốc.

Phân Tích 1,500+ Nghiên Cứu: Lật Tẩy 6 Lầm Tưởng Chết Người Về Prompt Engineering

Trong kỷ nguyên của AI, phần lớn những "bí quyết" về kỹ thuật tạo câu lệnh bạn biết đều sai lầm. Hãy khám phá sự thật đằng sau những gì các công ty triệu đô đang thực sự làm để thành công.

Trong kỷ nguyên của Trí tuệ nhân tạo Tạo sinh (Generative AI), "Prompt Engineering" (Kỹ thuật tạo câu lệnh) đã nổi lên như một kỹ năng tối quan trọng, được ví như chiếc chìa khóa vàng để khai phá tiềm năng vô hạn của các mô hình ngôn ngữ lớn (LLMs). Khắp các diễn đàn, mạng xã hội từ LinkedIn đến Twitter, chúng ta bị "bội thực" bởi vô số lời khuyên, mẹo vặt và các khóa học cấp tốc hứa hẹn biến bất kỳ ai thành một "phù thủy prompt".

Thế nhưng, điều gì sẽ xảy ra nếu tôi nói với bạn rằng, phần lớn những "bí quyết" mà bạn đang tiếp thu mỗi ngày không chỉ vô ích mà còn đang phản tác dụng?

Sau sáu tháng đắm mình trong thế giới học thuật, phân tích hơn 1.500 bài báo nghiên cứu và đối chiếu với các chiến lược thực tiễn của những công ty công nghệ có doanh thu trên 50 triệu đô la mỗi năm (ARR), một sự thật đáng báo động đã lộ diện: những doanh nghiệp thành công nhất đang làm điều hoàn toàn ngược lại với những gì đám đông tung hô. Có một khoảng cách khổng lồ giữa những gì "nghe có vẻ hợp lý" và những gì thực sự hiệu quả.

Việc phân biệt được đâu là lời khuyên sáo rỗng và đâu là chân lý được kiểm chứng bằng dữ liệu có thể là yếu tố quyết định sự thành bại của một dự án AI. Nó là ranh giới giữa việc tạo ra các tính năng AI làm người dùng kinh ngạc và việc "đốt tiền" vào những thử nghiệm không mang lại giá trị.

Bài viết này sẽ lật tẩy 6 lầm tưởng phổ biến và nguy hiểm nhất đang kìm hãm sự phát triển của bạn, đồng thời chỉ ra những sự thật được khoa học chứng minh mà các gã khổng lồ công nghệ đang âm thầm áp dụng.

Phần 1: Khoảng Trống Chết Người Giữa "Cảm Tính" và "Thực Chứng"

Trước khi đi vào từng lầm tưởng cụ thể, chúng ta cần hiểu gốc rễ của vấn đề: Tại sao những lời khuyên sai lầm lại có sức sống mãnh liệt đến vậy?

Câu trả lời nằm ở "khoảng trống phương pháp luận" (methodology gap) giữa nghiên cứu học thuật và thực hành trong ngành.

Lời khuyên phổ thông: Thường xuất phát từ những thử nghiệm ban đầu trên các mô hình AI cũ, kém thông minh hơn. Chúng dựa trên kinh nghiệm cá nhân, các bài kiểm tra A/B quy mô nhỏ, hoặc các khung lý thuyết không tính đến sự phức tạp của môi trường vận hành thực tế. Chúng được lan truyền vì chúng cảm thấy đúng, hợp với trực giác của con người.
Nghiên cứu học thuật: Ngược lại, các nghiên cứu khoa học được tiến hành trong môi trường được kiểm soát chặt chẽ. Chúng sử dụng các bộ dữ liệu khổng lồ, so sánh đối chứng một cách có hệ thống trên nhiều kiến trúc mô hình khác nhau, và áp dụng phân tích thống kê nghiêm ngặt để xác định yếu tố nào thực sự cải thiện hiệu suất.

"Trong lĩnh vực AI, khoảng cách giữa những gì nghe có vẻ thông minh và những gì thực sự hiệu quả là cực kỳ lớn. Mọi người đang ra quyết định dựa trên trực giác thay vì bằng chứng."

Phần 2: Lật Tẩy 6 Lầm Tưởng Phổ Biến Nhất Về Prompt Engineering

Lầm tưởng 1: Prompt Càng Dài, Càng Chi Tiết Càng Tốt

Đây là quan niệm sai lầm phổ biến và ăn sâu vào tiềm thức nhất. Chúng ta cho rằng, cũng giống như giao tiếp với con người, việc cung cấp cho AI càng nhiều ngữ cảnh, hướng dẫn chi tiết thì kết quả nhận về sẽ càng chính xác.

Thực tế: Cấu trúc quan trọng hơn độ dài.

AI không suy nghĩ như con người. Một nghiên cứu cho thấy các prompt ngắn có cấu trúc giúp giảm 76% chi phí API mà vẫn duy trì chất lượng tương đương. Những prompt quá dài thậm chí còn gây hại do tạo ra "nhiễu" thông tin. Một prompt 50 từ được tổ chức tốt có giá trị hơn một prompt 500 từ lộn xộn.

Lầm tưởng 2: Càng Nhiều Ví Dụ (Few-Shot Prompting) Càng Hiệu Quả

Kỹ thuật này dẫn đến giả định rằng, cứ thêm ví dụ là kết quả sẽ tốt lên.

Thực tế: Ví dụ có thể gây nhiễu và làm giảm hiệu suất của các mô hình tiên tiến.

Với các mô hình tinh vi như GPT-4 hay Claude, việc cung cấp các ví dụ không cần thiết có thể làm mô hình bối rối hoặc "thiên vị" (bias) theo các khuôn mẫu trong ví dụ mà không thể tổng quát hóa cho các đầu vào mới.

Lầm tưởng 3: Trau Chuốt Câu Chữ Là Quan Trọng Nhất

Nhiều đội ngũ dành hàng giờ để "gọt giũa câu chữ", một nỗ lực phần lớn là lãng phí.

Thực tế: Định dạng (Format) đánh bại nội dung (Content).

Cách bạn cấu trúc và định dạng prompt có tác động lớn hơn nhiều. Ví dụ, việc sử dụng định dạng thẻ XML (<tag>...</tag>) với Claude mang lại hiệu suất tăng 15% so với ngôn ngữ tự nhiên.

Lầm tưởng 4: Chain-of-Thought (Chuỗi Tư Duy) Là Chìa Khóa Vạn Năng

Thành công của CoT trong toán học khiến mọi người lầm tưởng rằng nó có thể áp dụng cho mọi vấn đề.

Thực tế: Chain-of-Thought chỉ hiệu quả cho các tác vụ cụ thể.

Nó không phải là giải pháp toàn năng. Với phân tích dữ liệu, phương pháp "Chain-of-Table" cho thấy sự cải thiện 8.69% so với CoT truyền thống.

Lầm tưởng 5: Chuyên Gia Con Người Là Người Viết Prompt Giỏi Nhất

Giả định này có vẻ hợp lý vì con người hiểu ngữ cảnh, nhưng thực tế lại khác.

Thực tế: AI tối ưu hóa prompt tốt hơn và nhanh hơn con người.

Các hệ thống tối ưu hóa tự động có thể tạo ra prompt hiệu quả hơn, chỉ cần 10 phút so với 20 giờ của con người. Trí tuệ con người nên được dùng để xác định mục tiêu và đánh giá kết quả.

Lầm tưởng 6: Prompt Chỉ Cần "Thiết Lập Một Lần Và Quên Đi"

Đây có lẽ là lầm tưởng nguy hiểm nhất, cho rằng prompt sẽ hoạt động tối ưu mãi mãi.

Thực tế: Tối ưu hóa liên tục là yếu tố sống còn.

Hiệu suất prompt suy giảm theo thời gian. Một quy trình cải tiến có hệ thống có thể mang lại mức tăng trưởng hiệu suất kép lên tới 156% trong 12 tháng.

Phần 3: Playbook Của Các Công Ty Triệu Đô: Họ Thực Sự Làm Gì?

Họ không chạy theo lời khuyên trên mạng xã hội. Họ có một "playbook" hoàn toàn khác:

Tối ưu hóa theo chỉ số kinh doanh: Theo dõi sự hài lòng của người dùng, tỷ lệ hoàn thành tác vụ, và tác động doanh thu.
Tự động hóa việc tối ưu hóa prompt: Xây dựng các hệ thống để kiểm tra và cải thiện hiệu suất liên tục.
Cấu trúc hóa mọi thứ: Ưu tiên định dạng, tổ chức và các dấu phân cách rõ ràng.
Chuyên môn hóa kỹ thuật theo tác vụ: Kết hợp kỹ thuật tối ưu hóa phù hợp với từng bài toán.
Coi prompt như một sản phẩm: Bảo trì, cải tiến và tối ưu hóa liên tục dựa trên dữ liệu người dùng.

Kết Luận: Thay Đổi Tư Duy Để Dẫn Đầu Cuộc Chơi AI

Hiểu rõ những sự thật này mang lại lợi thế cạnh tranh khổng lồ. Đã đến lúc chúng ta cần thay đổi câu hỏi cốt lõi.

Thay vì hỏi: "Làm thế nào để viết prompt tốt hơn?", hãy bắt đầu hỏi: "Làm thế nào để chúng ta có thể tối ưu hóa các tương tác với AI một cách có hệ thống dựa trên bằng chứng thực nghiệm?"

Sự thay đổi trong tư duy này sẽ dịch chuyển bạn từ việc chạy theo xu hướng sang việc đi theo dữ liệu. Các công ty chiến thắng trong cuộc đua AI sẽ là những người đi theo bằng chứng, ngay cả khi nó mâu thuẫn với quan điểm phổ thông. Nghiên cứu đã rất rõ ràng. Câu hỏi là, bạn đã sẵn sàng bỏ qua những lầm tưởng và làm theo những gì thực sự hiệu quả chưa?

Tổng Quan về 15 Phương Pháp Nghiên Cứu Người Dùng (UX)

noreply@blogger.com (Le Dang Trung Hieu) — Tue, 05 Nov 2024 03:35:00 +0000

Trong quá trình tiến hành nghiên cứu người dùng và nghiên cứu UX, việc chọn phương pháp nghiên cứu phù hợp là điều quan trọng để hiểu rõ hành vi và thái độ của người dùng. Dưới đây là mô tả chi tiết từng phương pháp nghiên cứu, chia theo bối cảnh sử dụng, kèm theo ví dụ thực tiễn minh họa và công cụ áp dụng trong nghiên cứu thị trường.

Nhóm Phương Pháp Tự Nhiên - Không Yêu Cầu Kịch Bản (Natural Use of Product)

1. Eyetracking (Theo Dõi Chuyển Động Mắt)

Mục tiêu: Xác định các điểm thu hút sự chú ý trên giao diện để tối ưu hóa thiết kế.
Ví dụ thực tiễn: Một công ty thương mại điện tử lớn như Lazada sử dụng eyetracking để theo dõi cách người dùng tương tác với hình ảnh sản phẩm và vị trí đặt nút "Mua ngay". Kết quả giúp họ tối ưu hóa vị trí các nút kêu gọi hành động (CTA) để tăng tỷ lệ chuyển đổi.
Công cụ áp dụng: Tobii Pro, EyeLink.

2. Clickstream / Analytics (Phân Tích Lưu Lượng Truy Cập)

Mục tiêu: Theo dõi hành vi người dùng trên trang web để hiểu cách họ điều hướng và tương tác.
Ví dụ thực tiễn: Shopee sử dụng công cụ phân tích như Google Analytics để xem người dùng thường nhấp vào các danh mục sản phẩm nào nhiều nhất, từ đó tối ưu hóa trải nghiệm khách hàng và tổ chức lại nội dung theo nhu cầu thực tế.
Công cụ áp dụng: Google Analytics, Mixpanel, Hotjar.

3. A/B Testing (Thử Nghiệm A/B)

Mục tiêu: Thực hiện so sánh có kiểm soát giữa hai hoặc nhiều phiên bản của một yếu tố trên trang web hoặc ứng dụng (như giao diện, nội dung, hoặc chức năng) để xác định phiên bản nào mang lại hiệu quả tốt hơn dựa trên các chỉ số hiệu suất định trước. Điều này giúp doanh nghiệp đưa ra quyết định dựa trên dữ liệu thực nghiệm, thay vì dựa vào phỏng đoán.
Ví dụ thực tế:
- Facebook: Khi muốn cải tiến giao diện người dùng, Facebook thường xuyên thực hiện thử nghiệm A/B trên một phần nhỏ người dùng trước khi triển khai rộng rãi. Ví dụ, họ thử nghiệm hai cách bố trí news feed khác nhau để xem phiên bản nào giữ chân người dùng lâu hơn và tạo ra nhiều tương tác hơn. Kết quả từ thử nghiệm giúp Facebook lựa chọn thiết kế tối ưu, tăng mức độ hài lòng của người dùng và thời gian sử dụng ứng dụng.
- Google: Thử nghiệm A/B được Google sử dụng để tối ưu hóa hầu hết các sản phẩm của họ. Một ví dụ nổi tiếng là họ đã thử nghiệm 41 sắc thái màu xanh khác nhau cho liên kết quảng cáo để tìm ra màu sắc thu hút người dùng nhấp chuột nhiều nhất, từ đó tăng doanh thu quảng cáo.

4. Field Studies (Nghiên Cứu Thực Địa)

Mục tiêu: Quan sát cách người dùng sử dụng sản phẩm trong bối cảnh thực tế của họ.
Ví dụ thực tiễn:
- Samsung: Cử các nhà nghiên cứu đến nhà người dùng để quan sát cách họ sử dụng điện thoại thông minh trong các hoạt động hàng ngày. Những quan sát này giúp cải thiện các tính năng phần mềm, đặc biệt là các tiện ích liên quan đến đa nhiệm và trải nghiệm người dùng.
- IKEA: Nhân viên nghiên cứu đến thăm nhà khách hàng để xem cách họ sử dụng và bố trí đồ nội thất, từ đó phát triển các giải pháp nội thất linh hoạt và thực tế hơn.
- Nescafé: Thực hiện nghiên cứu thực địa tại các hộ gia đình để quan sát cách mọi người chuẩn bị cà phê vào buổi sáng. Những nghiên cứu này giúp cải tiến sản phẩm cà phê hòa tan sao cho phù hợp với nhu cầu tiện lợi và hương vị của người dùng.
- Unilever: Gửi nhóm nghiên cứu đến các vùng nông thôn để hiểu cách mọi người sử dụng và bảo quản sản phẩm vệ sinh và chăm sóc cá nhân, từ đó điều chỉnh thiết kế bao bì và các sản phẩm mới.
- Toyota: Quan sát cách người dùng lái xe và xử lý các tình huống trên đường nhằm cải thiện hệ thống hỗ trợ người lái và nâng cấp các tính năng an toàn.

5. Contextual Inquiry (Nghiên Cứu Bối Cảnh)

Mục tiêu: Thực hiện phỏng vấn người dùng trong khi quan sát họ sử dụng sản phẩm, giúp hiểu rõ bối cảnh và nhu cầu cụ thể.
Ví dụ thực tiễn:
- Trello: Để cải thiện sản phẩm quản lý công việc của mình, Trello có thể cử nhóm nghiên cứu đến các công ty hoặc nhóm làm việc từ xa để quan sát cách người dùng sử dụng ứng dụng khi lập kế hoạch và theo dõi dự án. Nhóm nghiên cứu sẽ vừa quan sát vừa đặt câu hỏi để hiểu rõ hơn những thao tác và lý do đằng sau mỗi bước trong quá trình sử dụng Trello, chẳng hạn như cách người dùng tạo bảng, thêm thẻ, gán nhiệm vụ, và sử dụng các nhãn hoặc tính năng cộng tác.
- Asana: Thực hiện nghiên cứu bối cảnh bằng cách trò chuyện với các quản lý dự án và nhóm làm việc trong lúc họ sử dụng ứng dụng để tổ chức và phân công công việc. Qua đó, họ sẽ tìm hiểu các chức năng nào giúp ích và những điểm nào còn gây trở ngại, từ đó điều chỉnh các tính năng như lịch công việc và tích hợp công cụ khác.
- Slack: Quan sát cách các đội nhóm sử dụng ứng dụng để trao đổi và phối hợp trong thời gian thực. Nhóm nghiên cứu sẽ đặt câu hỏi trong quá trình quan sát để hiểu rõ hơn các phương pháp giao tiếp, việc sử dụng kênh công khai và riêng tư, và cách họ xử lý thông báo.
- Microsoft Teams: Thực hiện phỏng vấn trong lúc người dùng sử dụng phần mềm để tổ chức các cuộc họp, trò chuyện nhóm, và chia sẻ tài liệu. Những quan sát này giúp nhóm phát triển hiểu rõ cách các tính năng như chia sẻ màn hình, tạo phòng họp riêng, và tích hợp với các ứng dụng khác được sử dụng trong công việc thực tế.
Công cụ áp dụng: Miro, Notion.

Nhóm Phương Pháp Có Kịch Bản Hướng Dẫn (Scripted Use of Product)

6. Usability Testing (Kiểm Tra Khả Năng Sử Dụng)

Mục tiêu: Kiểm tra sản phẩm với người dùng thực tế để phát hiện ra các vấn đề và cải thiện trải nghiệm.
Ví dụ thực tiễn: Zalora tổ chức các buổi kiểm tra khả năng sử dụng với người dùng mới để xác định những trở ngại khi họ thực hiện các bước mua sắm trên ứng dụng. Những phản hồi từ buổi kiểm tra này giúp cải thiện giao diện và các bước thanh toán.
Công cụ áp dụng: UserTesting, Maze, Lookback.

7. Remote Moderated Testing (Thử Nghiệm Từ Xa Có Hướng Dẫn)

Mục tiêu: Thực hiện kiểm tra khả năng sử dụng từ xa với sự giám sát của người nghiên cứu.
Ví dụ thực tiễn: Grab tổ chức các buổi thử nghiệm từ xa qua Zoom để nhận phản hồi từ người dùng về tính năng mới như GrabFood và GrabExpress. Điều này giúp họ nắm bắt phản hồi nhanh chóng và điều chỉnh trước khi triển khai rộng rãi.
Công cụ áp dụng: Zoom, UserZoom, Lookback.

8. Usability Benchmarking (Đánh Giá Khả Năng Sử Dụng)

Mục tiêu: Đánh giá hiệu suất của sản phẩm qua các chỉ số định sẵn và so sánh với tiêu chuẩn ngành.
Ví dụ thực tiễn: Ngân hàng ACB sử dụng phương pháp này để đo lường và so sánh hiệu suất ứng dụng di động của họ với các ứng dụng ngân hàng khác, từ đó điều chỉnh và cải thiện trải nghiệm người dùng.
Công cụ áp dụng: UsabilityHub, UserZoom, Crazy Egg.

Nhóm Phương Pháp Giới Hạn Sử Dụng Sản Phẩm (Limited Use of Product)

9. Concept Testing (Thử Nghiệm Ý Tưởng)

Mục tiêu: Đánh giá ý tưởng sản phẩm với người dùng để giảm thiểu rủi ro khi phát triển.
Ví dụ thực tiễn: Spotify thực hiện thử nghiệm ý tưởng cho tính năng mới như chế độ "nghe offline" trước khi triển khai bằng cách giới thiệu tính năng cho nhóm nhỏ người dùng và thu thập ý kiến phản hồi.
Công cụ áp dụng: Figma, InVision, SurveyMonkey.

10. Card Sorting / Tree Testing (Phân Loại Thẻ / Thử Nghiệm Cấu Trúc Cây)

Mục tiêu: Tìm hiểu cách người dùng tổ chức và phân loại thông tin để cải thiện cấu trúc trang web.
Ví dụ thực tiễn: Wikipedia đã tiến hành phân loại thẻ để tìm hiểu cách người dùng mong muốn sắp xếp các bài viết và danh mục, từ đó tổ chức lại cấu trúc nội dung để dễ truy cập hơn.
Công cụ áp dụng: Optimal Workshop, UsabilityHub.

11. Diary Studies (Nghiên Cứu Nhật Ký)

Mục tiêu: Thu thập thông tin về hành vi và cảm nhận của người dùng trong thời gian dài.
Ví dụ thực tiễn: Fitbit yêu cầu người dùng ghi lại hoạt động hàng ngày và cảm nhận về các chức năng của thiết bị trong một tháng. Những phản hồi này giúp phát triển các tính năng như theo dõi giấc ngủ và mức độ hoạt động.
Công cụ áp dụng: Dovetail, Notion.

12. Desirability Studies (Nghiên Cứu Độ Mong Muốn)

Mục tiêu: Đo lường độ hấp dẫn và sự thu hút của một sản phẩm hoặc tính năng mới.
Ví dụ thực tiễn: Apple thực hiện nghiên cứu độ mong muốn để xem người dùng có hứng thú với các tính năng mới như Face ID hay không, từ đó điều chỉnh các khía cạnh thiết kế và quảng bá.
Công cụ áp dụng: UsabilityHub, SurveyMonkey.

Nhóm Phương Pháp Không Sử Dụng Sản Phẩm (Decontextualized - Not Using Product)

13. Focus Groups (Nhóm Thảo Luận)

Mục tiêu: Thu thập ý kiến từ nhóm người dùng về sản phẩm hoặc ý tưởng mới.
Ví dụ thực tiễn: Netflix tổ chức các buổi thảo luận nhóm để tìm hiểu sở thích xem phim và phản hồi về giao diện mới trước khi áp dụng thay đổi rộng rãi.
Công cụ áp dụng: Zoom, Miro, Microsoft Teams.

14. Interviews (Phỏng Vấn)

Mục tiêu: Phỏng vấn sâu để hiểu rõ hơn về nhu cầu và mong muốn của người dùng.
Ví dụ thực tiễn: Adobe phỏng vấn các nhà thiết kế đồ họa để hiểu cách họ sử dụng công cụ và các khó khăn gặp phải, từ đó cải tiến phần mềm như Adobe Photoshop và Illustrator.
Công cụ áp dụng: Otter.ai, Zoom, Google Meet.

15. Surveys (Khảo Sát)

Mục tiêu: Thu thập dữ liệu từ số lượng lớn người dùng để phân tích các xu hướng chung.
Ví dụ thực tiễn: Tiki gửi khảo sát đến khách hàng để hỏi về trải nghiệm giao hàng và sự hài lòng, từ đó cải thiện quy trình vận hành.
Công cụ áp dụng: Google Forms, Typeform, Qualtrics.

Trí Tuệ Nhân Tạo 2024: Xu hướng AI trong môi trường làm việc toàn cầu

noreply@blogger.com (Le Dang Trung Hieu) — Fri, 11 Oct 2024 02:10:00 +0000

Liệu trí tuệ nhân tạo có "đánh cắp" việc làm của chúng ta?

Các cuộc thảo luận về tác động của trí tuệ nhân tạo (AI) tại nơi làm việc đã diễn ra phổ biến trong nhiều thập kỷ. Công nghệ trí tuệ nhân tạo có khả năng làm tăng năng suất làm việc và mang lại nhiều lợi ích cho các lĩnh vực như sản xuất và dịch vụ.

Tuy nhiên, bên cạnh những lợi thế đó, vẫn có lo ngại rằng con người có thể bị thay thế bởi các hệ thống tự động hóa ngày càng thông minh. Ứng dụng trí tuệ nhân tạo đang dần trở thành một yếu tố quan trọng trong chuỗi cung ứng và nhiều lĩnh vực khác.

Kể từ khi trí tuệ nhân tạo (AI) phát triển mạnh mẽ vào năm 2022, các cuộc thảo luận về việc áp dụng AI và các thuật toán tiên tiến đã trở nên sôi nổi. Các lãnh đạo doanh nghiệp tin rằng AI sẽ là chìa khóa cho sự phát triển của thị trường lao động và nền kinh tế toàn cầu. WEF khuyến nghị rằng việc sử dụng AI một cách rộng rãi có thể thúc đẩy sự đổi mới và mang lại lợi ích cho cả doanh nghiệp và người lao động.

Ai đang sử dụng trí tuệ nhân tạo - AI?

75% nhân viên văn phòng được khảo sát đang sử dụng AI tại nơi làm việc vào năm 2024, cho thấy xu hướng sử dụng AI ngày càng lan rộng.
Trong số này, gần một nửa (46%) đã bắt đầu sử dụng trong sáu tháng qua, nhờ mô hình ngôn ngữ và các công cụ AI khác.
75% công ty cho biết họ đang tìm cách dụng AI để duy trì tính cạnh tranh trong vòng 5 năm tới, nhấn mạnh sự quan trọng của khoa học dữ liệu và xử lý dữ liệu.
37% nhân viên trong lĩnh vực tiếp thị và quảng cáo đã áp dụng AI vào năm 2023, góp phần thúc đẩy phân tích dữ liệu và dịch vụ khách hàng hiệu quả hơn.
Hơn 68% lãnh đạo doanh nghiệp cho biết họ gặp khó khăn trong việc tìm kiếm nhân tài có kỹ năng quản lý hệ thống trí tuệ nhân tạo. Họ cũng lo ngại về bảo mật dữ liệu và an toàn thông tin, và cần có những giải pháp sáng tạo để bảo vệ dữ liệu trước các mối đe dọa mới.
45% nhân viên lo lắng về việc AI có thể thay thế công việc của họ, đồng thời nhận thức được tác động của AI đối với trường lao động và lao động tri thức.

90% người được khảo sát khẳng định AI đã giúp họ tiết kiệm thời gian và tối ưu hóa hiệu quả làm việc.
29% lãnh đạo doanh nghiệp hoàn toàn ủng hộ việc sử dụng AI, trong khi 12% khác rất ủng hộ. Điều này cho thấy AI đóng vai trò quan trọng trong đổi mới và phát triển.
Các lập trình viên sử dụng AI đã hoàn thành nhiều hơn 126% dự án so với những lập trình viên không sử dụng AI, nhờ vào ứng dụng công nghệ đột phá.
65% nhân viên cho biết họ đã sử dụng ChatGPT, một công cụ AI tạo ra các cuộc trò chuyện và tương tác cá nhân hóa.

Lãnh đạo doanh nghiệp nên làm gì trước “làn sóng” AI?

Trong bối cảnh toàn cầu hóa, trí tuệ nhân tạo (AI) đang trở thành yếu tố quan trọng trong sự cạnh tranh của các doanh nghiệp Việt Nam. Ngành thông tin và truyền thông đang phát triển nhanh chóng, và các công ty khởi nghiệp đang chú trọng tuyển dụng nhân viên có kỹ năng về AI. Tuy nhiên, nhiều lãnh đạo vẫn còn thiếu kiến thức và khả năng áp dụng công nghệ này.

Sự phát triển bền vững của các công ty ở Việt Nam đang đối mặt với nhiều rủi ro, nhất là khi các nhà lãnh đạo phải thích ứng với sự thay đổi nhanh chóng trong công nghệ.

Nhiều doanh nghiệp hiện đang tích cực áp dụng trí tuệ nhân tạo (AI) để thúc đẩy tăng trưởng và nâng cao hiệu quả hoạt động. Theo báo cáo của Microsoft và LinkedIn, các lãnh đạo doanh nghiệp ở Việt Nam nhận thức rõ rằng việc ứng dụng AI một cách rộng rãi là rất quan trọng để duy trì tính cạnh tranh trong bối cảnh kinh tế toàn cầu đầy thách thức.

Tuy nhiên, không ít doanh nghiệp đang lo lắng về việc thiếu kỹ năng và đào tạo nhân viên phù hợp để quản lý hệ thống AI. Giám đốc Microsoft Việt Nam nhấn mạnh rằng việc khuyến khích các tổ chức trong nước sử dụng công nghệ AI sẽ thúc đẩy sự đổi mới và giúp họ thích ứng với những thay đổi trong môi trường kinh doanh.

Trí tuệ nhân tạo có hơn con người trong việc lãnh đạo tổ chức?

Một cuộc khảo sát từ Diễn đàn Kinh tế Thế giới cho thấy khoảng 75% doanh nghiệp đang lên kế hoạch sử dụng AI trong vòng 5 năm tới. Trong số đó, ngành tiếp thị là những ngành có tỷ lệ sử dụng các công cụ AI cao nhất, tiếp theo là các lĩnh vực như sản xuất và tài chính.

AI đã gần như gấp đôi khả năng cá nhân hóa trải nghiệm khách hàng trong sáu tháng qua, từ đó cải thiện chất lượng trải nghiệm. Tổng giám đốc Microsoft Việt Nam dự đoán rằng AI sẽ mở ra nhiều cơ hội mới trong phát triển chuỗi cung ứng và ứng dụng generative AI để tối ưu hóa quy trình vận hành.

Lợi Ích Của Việc Áp Dụng AI Trên Phạm Vi Rộng

Các doanh nghiệp sử dụng AI đang thấy lợi ích của việc áp dụng công nghệ này. Nó giúp giảm chi phí, tiết kiệm thời gian và tăng hiệu quả. Các lĩnh vực trí tuệ như tài chính, giáo dục và chăm sóc sức khỏe đã bắt đầu ứng dụng trí tuệ nhân tạo để cải thiện trải nghiệm khách hàng và xử lý dữ liệu.

Tuy nhiên, việc sử dụng AI từ lãnh đạo đến nhân viên vẫn cần hỗ trợ mạnh mẽ hơn. Cần có chính sách khuyến khích và áp dụng AI trên toàn cầu. Điều này sẽ giúp các doanh nghiệp tại Việt Nam không lỡ những lợi ích mà công nghệ AI mang lại.

Trí tuệ nhân tạo đã thực sự tác động đến tăng trưởng kinh tế?

Tập đoàn công nghệ hàng đầu thế giới, bao gồm Microsoft và LinkedIn, tin rằng AI sẽ tạo ra sự khác biệt rõ rệt cho các doanh nghiệp toàn cầu. Tuy nhiên, các công ty sử dụng AI cần chú trọng vào việc đào tạo nhân viên, và khắc phục các thiếu hụt về kỹ năng để có thể tận dụng tối đa lợi ích của công nghệ AI trong tương lai.

Source tham khảo: https://www.aiprm.com/ai-in-workplace-statistics/

quy luật “Tý Ngọ lưu chú” của kinh lạc

noreply@blogger.com (Le Dang Trung Hieu) — Mon, 02 Sep 2024 08:53:00 +0000

Giai Điệu Của Sự Sống: Giải Mã Đồng Hồ Sinh Học & Nghệ Thuật Sống Khỏe Thuận Tự Nhiên

Giai Điệu Của Sự Sống

Bạn có bao giờ cảm thấy một cơn buồn ngủ ập đến lúc 3 giờ chiều? Hay bất chợt tỉnh giấc giữa đêm mà không rõ lý do? Đó không phải là ngẫu nhiên. Đó là cơ thể bạn đang ngân lên giai điệu của riêng nó, một nhịp điệu được trí tuệ cổ xưa khám phá từ hàng ngàn năm trước.

Theo Y Học Cổ Truyền Trung Quốc, cơ thể không phải là một cỗ máy, mà là một khu vườn sống động, nơi dòng năng lượng (gọi là "Khí") chảy qua 12 kinh mạch chính như những dòng sông nuôi dưỡng sự sống. Trong một chu kỳ 24 giờ, mỗi cơ quan sẽ có 2 giờ để "tỏa sáng" - hoạt động ở công suất đỉnh cao. Việc thấu hiểu và sống hòa hợp với "Đồng hồ sinh học" này chính là nghệ thuật chăm sóc khu vườn nội tại của bạn, giúp nó luôn xanh tốt và tràn đầy sức sống.

Ù tai, đau đầu, tâm trạng thất thường, khó thư giãn.

Lộ Trình Sống Thuận Tự Nhiên

Buổi sáng (5:00 - 11:00): Thức dậy, uống nước ấm, thải độc. Ăn sáng đủ chất. Tập trung làm việc hiệu quả nhất.
Buổi trưa (11:00 - 15:00): Ăn trưa nhẹ nhàng, nghỉ ngơi 15-20 phút. Giải quyết các công việc nhẹ.
Buổi chiều (15:00 - 19:00): Uống nhiều nước, học tập hoặc vận động nhẹ. Ăn tối sớm.
Buổi tối (19:00 - 23:00): Dành thời gian cho các mối quan hệ, thư giãn và chuẩn bị cho giấc ngủ. Đi ngủ trước 23:00.

Location Intelligence là gì? và cách nó thay đổi cuộc chơi Geomarketing

noreply@blogger.com (Le Dang Trung Hieu) — Sun, 04 Aug 2024 12:07:00 +0000

Như những gì mọi người thường biết, Geomarketing nói tới các chiến lược marketing sử dụng thông tin địa lý để triển khai các chiến dịch tiếp thị. Có thể kể đến như thể loại Quảng Cáo Ngoài Trời (Billboard Advertising), nơi đặt các bảng quảng cáo gần các khu mua sắm và khu vực có lưu lượng giao thông cao để thu hút sự chú ý của người đi đường. Hay phát tờ rơi và catalogue tại các khu dân cư gần cửa hàng của họ để thu hút khách hàng tới mua sắm...

Với sự phát triển mạnh mẽ của công nghệ di động và dữ liệu lớn, lượng dữ liệu vị trí thu thập từ các thiết bị di động và cảm biến tăng đáng kể. Khi kết hợp với hệ thống thông tin địa lý (GIS), công nghệ này đã mở rộng ứng dụng ra nhiều lĩnh vực, trở thành công cụ mạnh mẽ để phân tích dữ liệu không gian và hỗ trợ ra quyết định. Điều này mở ra cơ hội lớn cho việc ứng dụng trí tuệ vị trí trong kinh doanh và quản lý, và khái niệm về "Location Intelligence" ra đời với nhiều ứng dụng đặc sắc.

Trong bài này chỉ nói đến việc ứng dụng Location Intelligence (LI) vào Marketing.

Trong khi sở thích của người tiêu dùng có thể được suy ra bằng dữ liệu lịch sử về doanh số bán hàng hoặc lịch sử tìm kiếm, Location Intelligence bổ sung bối cảnh không gian địa lý cần thiết để chuyển đổi từ quan tâm sang có ý định mua. Năm 2017, Forrester phát hiện ra rằng dữ liệu vị trí trên thiết bị di động đã giúp các nhà tiếp thị kỹ thuật số tăng tỷ lệ chuyển đổi lên 60% và cải thiện ROI của các chiến dịch lên 68%. Những ứng dụng tuyệt vời có thể kể đến như:

Chọn Vị Trí Quảng Cáo Hiệu Quả Nhất

Tracking dữ liệu tuyến đường di chuyển chính của khách hàng hiện tại (lấy từ dữ liệu bên thứ nhất hoặc có trong các hệ thống CRM, kết hợp với dữ liệu di chuyển từ thiết bị di động), giúp các marketing tối ưu hóa vị trí quảng cáo ngoài trời (OOH) và tăng ROI. Thay vì cố gắng tiếp cận một lượng lớn khán giả bằng cách đặt quảng cáo ở những vị trí đông người (và đắt tiền), phân tích vị trí cho phép các nhà quảng cáo tập trung chiến dịch vào các khu vực thực sự thu hút các phân khúc khách hàng mà họ đang tìm kiếm.

Tạo phân khúc đối tượng tốt hơn

Một chiến dịch từ thương hiệu cà phê (dấu tên) đã sử dụng kết hợp dữ liệu địa điểm từ thiết bị di động và dữ liệu sở thích, để tìm một khu vực có sự tập trung cao độ của cả văn hóa hipster và cà phê. Ngược lại, các tập dữ liệu này có thể làm nổi bật những khu vực mà ít hoặc không có đối tượng mục tiêu, nhằm giảm các hoạt động truyền thông gây lãng phí chi phí.

Thúc đẩy khách hàng cũ giao dịch lại

Một cách để đo lường lòng trung thành của khách hàng là xem xét sự thay đổi về tần số họ xuất hiện trong các khu vực bán hàng theo thời gian, cho thấy khách hàng đã tăng hay giảm tần suất ghé thăm ở đâu. Tần suất ghé thăm tăng đại diện cho Customer Loyalty cao hơn, và ngược lại.

Trong trường hợp tần suất khách hàng trung thành lại giảm tại khu vực cụ thể, các chiến dịch marketing có thể nhắm mục tiêu đến những khách hàng trung thành trước đây này bằng các chương trình khuyến mãi và ưu đãi để tăng tần suất ghé thăm của họ.

Kết hợp dữ liệu nhân khẩu học và LI

Là ngành xuất khẩu lớn thứ bảy ước tính có giá trị 127 tỷ bảng Anh, du lịch là động lực tăng trưởng kinh tế quan trọng ở Anh. VisitBritain , cơ quan du lịch quốc gia, chịu trách nhiệm phát triển các chiến dịch tiếp thị quốc tế nhằm tăng khối lượng và giá trị của các chuyến thăm đến. Do đó, VisitBritain phải:

Xác định vị trí của thị trường có giá trị cao trên toàn thế giới
Phân bổ nguồn ngân sách cho các quốc gia xuất phát nơi du khách chi tiêu nhiều nhất

Bản đồ bên dưới hiển thị số lượng du khách đi công tác đến Vương quốc Anh trong quý 2 năm 2017 bằng cách sử dụng dữ liệu từ Khảo sát hành khách quốc tế (IPS).

Hơn 727.000 du khách đến Vương quốc Anh, chi tiêu tổng cộng là 388,44 triệu bảng Anh. Ở mỗi quốc gia trong số 57 quốc gia, có một hình lục giác màu tím có kích thước tỷ lệ thuận với số lượng du khách của quốc gia đó và vị trí của hình lục giác này đại diện cho vị trí sân bay họ xuất phát.

Mặc dù cần phải phân tích sâu hơn để xác định nên nhắm mục tiêu quảng cáo vào đâu để tiếp cận được những du khách có giá trị cao, nhưng mô hình này cho thấy một số thông tin chi tiết đáng chú ý về nơi VisitBritain nên tập trung các nỗ lực marketing quốc tế của mình.

Trong khi Đức là quốc gia có nhiều du khách nhất (116.000 người), thì số du khách Hoa Kỳ (70.200 người) chi nhiều tiền hơn (70 triệu bảng Anh) so với du khách Đức (45,41 triệu bảng Anh)
Mặc dù chỉ có 1.470 du khách doanh nhân Singapore đến thăm Vương quốc Anh nhưng họ đã chi 4,2 triệu bảng Anh, trung bình mỗi du khách chi khoảng 2.857 bảng Anh.
Nhiều du khách nữ khởi hành từ Đức (30.400) hơn Thụy Sĩ (16.500), nhưng khi so sánh mức chi tiêu trung bình của mỗi du khách, Thụy Sĩ dẫn đầu với mức chi tiêu trung bình của du khách nữ là 489 bảng Anh so với phụ nữ Đức chi 364 bảng Anh.

Bạn thấy đó, sử dụng dữ liệu lưu lượng khách và phân tích vị trí đã chứng minh là một công cụ mạnh mẽ cho các nhà tiếp thị trong không gian bán lẻ. Việc tối ưu hóa vị trí đặt quảng cáo dựa trên dữ liệu này giúp hiểu rõ nơi khách hàng mục tiêu sinh sống và di chuyển, từ đó đặt quảng cáo một cách hiệu quả hơn. Các cơ quan quảng cáo có thể thu thập thông tin giá trị về cơ sở khách hàng mà không cần dựa vào dữ liệu của bên thứ nhất hoặc CRM của khách hàng. Điều này cũng giúp xác định khu vực kinh doanh của đối thủ cạnh tranh, mở ra cơ hội quảng cáo mới và tập trung chiến dịch vào các đối tượng có ý định mua hàng cao.

Dữ liệu lưu lượng khách không chỉ giúp xác định các khu vực mua sắm ưa thích và tuyến đường di chuyển chính của đối tượng mục tiêu mà còn giúp tối ưu hóa vị trí tài sản quảng cáo ngoài trời và tăng ROI. Thay vì cố gắng tiếp cận một lượng lớn khán giả bằng cách đặt quảng cáo ở những vị trí đông người và đắt đỏ, phân tích vị trí cho phép các nhà quảng cáo tập trung chiến dịch vào các khu vực thu hút các phân khúc khách hàng cụ thể mà họ đang nhắm đến.

Thêm vào đó, phân tích vị trí còn cho thấy ai là đối tượng mục tiêu thực sự bằng cách kết hợp dữ liệu nhân khẩu học và tâm lý học lên dữ liệu lưu lượng khách. Điều này giúp tạo ra các phân khúc khán giả chính xác hơn, dẫn đến tiếp thị và quảng cáo hiệu quả hơn. Các chiến dịch DOOH có thể được lập kế hoạch dựa trên thời điểm khán giả mục tiêu có khả năng tiếp cận nhất, tối đa hóa tầm với của chiến dịch. Cuối cùng, dữ liệu lưu lượng khách giúp các nhà quảng cáo tối ưu hóa chi tiêu chiến dịch, tăng cường sự trung thành của khách hàng và cải thiện hiệu quả của các chiến dịch thư trực tiếp.

Source: bài viết tổng hợp từ nhiều nguồn

Thấy gì từ 900 lô trái phiếu riêng lẻ đang niêm yết?

noreply@blogger.com (Le Dang Trung Hieu) — Fri, 17 May 2024 13:07:00 +0000

Từ một task research gần đây về trái phiếu riêng lẻ, mình xin trích dẫn một vài phần trong đó để viết nên bài viết này. Nội dung là những thông tin mình trích xuất được từ hơn 900 lô trái phiếu riêng lẻ đang niêm yết trên thị trường. Hi vọng bài viết này có vài điểm thú vị để lại cho người đọc, từ đó mở ra cơ hội trao đổi nhiều hơn với thị trường đang lên này.

Nguồn dữ liệu lấy từ bảng giá giao dịch trái phiếu riêng lẻ của SSI: https://iboard.ssi.com.vn/ .

Noted: bài viết có lược bỏ những đoạn phân tích về thanh khoản trái phiếu bình quân, kỳ trả lãi, trái phiếu zero-coupon và loại trái phiếu (chuyển đổi, không chuyển đổi). Dữ liệu trong bài viết chia sẻ miễn phí qua link này.

----------------------------------------------------------------

Lê Đặng Trung Hiếu

Sale Supervisor

Phòng MG08, CTCP Chứng Khoán Vietcap

Tầng 16, Doji Tower, 81 Hàm Nghi, Quận 1, TpHCM

Kết nối bạn bè: Facebook | Github | Linkedin
----------------------------------------------------------------

Như thường lệ, dữ liệu xử lí bằng python, được up code lên github của tôi.

Step 1: import các thư viện xử lí dữ liệu quen thuộc, tiền xử lí dữ liệu ... lướt qua nhanh phần này.

Thử qua các loại pairplot để tìm kiếm sự bất thường, dễ dàng nhận thấy có "điểm lạ" ở lãi suất và kì hạn giữa trái phiếu doanh nghiệp và ngân hàng.

Bây giờ tìm tòi rõ hơn điểm khác biệt giữa trái phiếu doanh nghiệp & ngân hàng, bằng cách biểu diễn chart 3 yếu tố: phân loại trái phiếu ngân hàng & doanh nghiệp, mệnh giá, kì hạn như sau:

Đếm được 400 trái phiếu ngân hàng & hơn 500 trái phiếu doanh nghiệp. Trong đó như biểu đồ bên dưới, màu cam đại diện cho trái phiếu ngân hàng, diện tích đại diện cho số lô trái phiếu đếm được. Ta thấy trái phiếu ngân hàng thường có mệnh giá lớn hơn và trái phiếu doanh nghiệp thường có kì hạn ngắn hơn.

Bây giờ thêm yếu tố lãi suất vào chart, biểu diễn lại bằng catplot để nhìn rõ hơn như sau:

Màu càng đậm thể hiện mệnh giá càng lớn, nhìn thấy rõ ràng yếu tố trái phiếu ngân hàng thường có mệnh giá lớn hơn trái phiếu doanh nghiệp rất nhiều. Bên cạnh đó lãi suất phổ biến cũng thấp hơn nhiều, mức trung vị của trái tức ngân hàng là khoản trên 6% còn trái tức doanh nghiệp là khoản trên 10%. thể hiện trên boxplot bên dưới.

Tuy nhiên, nhìn lại chart catplot sẽ thấy có những trường hợp rất đặc biệt, là lô trái phiếu doanh nghiệp lãi suất 1% lại phát hành thành công. Đây là lô trái phiếu của Capitaland Tower.

Cả hai lô trái phiếu này có kỳ hạn 60 tháng với điểm hay là ngoài lãi suất, người sở hữu trái phiếu có thể dùng một phần hoặc toàn bộ số tiền gốc và lãi chưa thanh toán để góp vốn vào tổ chức phát hành, trở thành thành viên góp vốn sau khi thực hiện quyền này. Xem thêm bài viết gốc ở đây: https://www.dnse.com.vn/senses/tin-tuc/ai-da-mua-5000-ty-dong-trai-phieu-lai-suat-1-vua-phat-hanh-cua-capitaland-tower-33357949

Top 10 nhà phát hành trái phiếu là ai?

Toàn là trái phiếu ngân hàng, duy nhất có VJC lại lọt top với khoản 35 lô đang niêm yết :))

Các lô trái phiếu thường niêm yết mùa nào?

Count số lượng trái phiếu theo tháng, dựa vào ngày phát hành. Sau đó biểu diễn lại trên biểu đồ thì dễ dàng thấy trái phiếu riêng lẻ thường niêm yết vào giữa năm (tháng 6-7-8)

Nếu có thời gian hơn, chạy model facebook prophet có thể nhìn rõ hơn tính chu kì theo tuần, tháng của bảng data này. Mình kết thúc bài này chóng vánh tại đây, do mình phải lược bớt một số thông tin cột dữ liệu.

Cám ơn đọc giả đã đọc tới đây!

Kênh Donchian & ứng dụng mô phỏng thu về lợi nhuận 200% trong 4 năm

noreply@blogger.com (Le Dang Trung Hieu) — Tue, 02 Jan 2024 07:52:00 +0000

Kênh Donchian (Donchian Channel) là gì?

Kênh Donchian là một công cụ phân tích kỹ thuật được sử dụng để đo lường mức độ biến động tương đối của thị trường và dự đoán khả năng xuất hiện đột phá giá. Kênh donchian có ba đường, dải trên đại diện cho mức giá cao nhất của chứng khoán trong một khoảng thời gian, trong khi dải dưới đại diện cho mức giá thấp nhất trong thời gian đó. Khu vực giữa dải trên và dải dưới được gọi là kênh Donchian. Mặc dù đơn giản nhưng nó có tính ứng dụng cao trong việc nhấn mạnh xu hướng và có thể gợi ý thời điểm phù hợp để mở hoặc đóng một vị thế (hoặc mua bán cổ phiếu).

Kết hợp các đường trung bình động, chỉ báo khối lượng, và phân kỳ hội tụ trung bình động (MACD) với kênh Donchian có thể cung cấp một cái nhìn tổng thể hơn về thị trường. Các kênh này được phổ biến do đơn giản và hiệu quả, đặc biệt là trong việc theo dõi xu hướng và triển khai chiến lược theo đà. Chúng có thể được áp dụng cho nhiều thị trường, bao gồm cổ phiếu, hàng hóa, và ngoại hối.

Cách tính của Kênh Donchian như sau:
UC = Mức cao nhất trong N kỳ trước
Kênh giữa=( ( U C+L C ) / 2 )
LC = Mức thấp nhất trong N kỳ trước

Hình ảnh của Sabrina Jiang © Investopedia 2021

Trong ví dụ này, kênh Donchian là khu vực bóng mờ được giới hạn bởi các đường màu xanh lá cây phía trên và các đường màu đỏ phía dưới, sử dụng 20 ngày để xây dựng dải trong N khoảng thời gian. Khi giá di chuyển đến điểm cao nhất trong 20 ngày qua trở lên, các thanh giá sẽ “đẩy” đường màu xanh lên cao hơn. Khi giá giảm xuống mức thấp nhất trong 20 ngày trở lên, các thanh giá sẽ “đẩy” đường màu đỏ xuống thấp hơn.

Khi giá giảm trong 20 ngày kể từ mức cao, đường màu xanh lá cây sẽ nằm ngang và sau đó bắt đầu giảm xuống. Ngược lại, khi giá tăng từ mức thấp trong 20 ngày, đường màu đỏ sẽ nằm ngang trong 20 ngày và sau đó bắt đầu tăng.

Công dụng thực tế của kênh Donchian

Bao gồm việc xác định đột phá và đảo chiều giá, cung cấp quyết định chiến lược cho người giao dịch. Chiến lược này giúp tận dụng xu hướng giá và quyết định thời điểm vào hoặc thoát khỏi vị thế.

Đánh giá Sự Biến Động:

Kênh Donchian cho thấy mức độ biến động của tài sản, với kênh rộng hơn biểu thị biến động cao và kênh hẹp cho biết biến động thấp.
Giao dịch trong phạm vi hẹp của kênh Donchian có thể báo hiệu sự hợp nhất, với đột phá có thể xảy ra khi giá di chuyển vượt ra ngoài kênh.

Tìm Mức Hỗ Trợ và Kháng Cự:

Dải trên của kênh biểu thị mức giá cao nhất, có thể làm nền cho mức kháng cự.
Dải dưới là mức hỗ trợ, giúp xác định mức giá thấp nhất trong thời gian nhất định.

Xác Định Đột Phá:

Đột phá lên trên kênh có thể báo hiệu xu hướng tăng, đưa ra cơ hội mua.
Ngược lại, đột phá xuống dưới kênh có thể là tín hiệu để bán hoặc bán khống tài sản.

Theo Xu Hướng:

Kênh Donchian được sử dụng để theo dõi xu hướng và đưa ra chiến lược phù hợp, ví dụ như mua gần dải trên khi có xu hướng tăng.
Đường giữa cũng cung cấp một phương tiện để xác định mức hỗ trợ hoặc kháng cự tương đối.

Lệnh Dừng Lỗ:

Kênh Donchian là công cụ quản lý rủi ro, với lệnh dừng lỗ được đặt gần dải kênh để giảm thiểu tổn thất.
Có thể điều chỉnh lệnh dừng lỗ theo xu hướng, đặt nó gần dải trên khi giữ vị thế mua và ngược lại.

Lệnh Chốt Lời:

Đường giữa của kênh Donchian giúp xác định nơi đặt lệnh chốt lời, nơi có thể thoát khỏi vị thế và thu lợi nhuận.
Chiến lược chốt lời có thể liên quan đến việc sử dụng đường giữa như mức giá chốt lời hoặc chờ đến khi giá vượt qua dải đối diện.

Kết hợp Kênh Donchian với các công cụ phân tích kỹ thuật khác

Khi kết hợp Kênh Donchian với các công cụ phân tích kỹ thuật khác, người giao dịch có thể củng cố chiến lược giao dịch của mình. Dưới đây là một số ví dụ:

Đường Trung Bình Động và Khối Lượng:

Sử dụng đường trung bình động để làm mịn dữ liệu giá và xác nhận hoặc phân biệt xu hướng trên Kênh Donchian.
Biểu đồ khối lượng có thể được sử dụng để xác nhận tính vững chắc của đột phá được báo hiệu bởi Kênh Donchian.

Chỉ Số Sức Mạnh Tương Đối (RSI):

Sử dụng RSI để đo lường mức độ thay đổi giá nhanh chóng và nhận biết tình trạng quá mua hoặc quá bán.
Kết hợp RSI với Kênh Donchian để đưa ra quyết định mua hoặc bán. Ví dụ: đột phá với RSI cao có thể là dấu hiệu cần thận trọng trước khi mua.

Phân Kỳ Hội Tụ Trung Bình Động (MACD):

Sử dụng MACD để kết hợp chiến lược xu hướng và động lượng.
Giao nhau giữa đường MACD và đường tín hiệu có thể xác nhận tín hiệu từ Kênh Donchian. Ví dụ: đột phá trên và giao nhau tăng của MACD có thể là dấu hiệu xu hướng tăng mạnh.

Bằng cách này, việc kết hợp các công cụ này giúp người giao dịch có cái nhìn tổng thể và cung cấp sự chắc chắn hơn khi đưa ra quyết định giao dịch. Tính đa dạng của các chỉ báo kỹ thuật này giúp tăng cường khả năng dự đoán và quản lý rủi ro trong môi trường giao dịch.

Mô phỏng chiến lược giao dịch sử dụng Kênh Donchian 50 ngày & Backtest bằng Python

Noted:

Chiến lược đầu tư được áp dụng mô phỏng trong bài rất đơn giản và mang tính chất giới thiệu là chính, còn hiệu quả về mặt đầu tư thì cần phải có thời gian đánh giá lại. Cũng như còn tùy vào bối cảnh vĩ mô, tình trạng riêng của doanh nghiệp, và nhiều chỉ số khác nữa để ra quyết định đầu tư chuẩn xác.
Việc áp dụng bất kì chiến lược nào mà ko có quản trị vốn cũng mang lại rất nhiều rủi ro.
Giả định vốn ban đầu trong mô phỏng là 100tr, phí thuế = 0, không margin, loại bỏ các yếu tố chia tách hay phát hành cổ phiếu & lúc nào cũng đánh max vốn hiện có.

oke, thống nhất xong về hệ quy chiếu thì bắt đầu stat thôi. Đầu tiên là call & làm sạch dữ liệu đầu vào. Ở trong bài mình chọn HPG data từ 2019 (chọn bừa thôi, cổ phiếu khác làm tương tự). Nguồn data lấy từ Vpro của Vietcap.

Các thư viện cần dùng là pandas , numpy , matplotlib , pandas_ta , math

Tính toán đường DCU, DCL và trung bình DCM. Sau đó dùng matplotlib vẽ chart.

oke, giờ backtest tín hiệu, múc khi giá đóng cửa vượt DCU & chốt khi giá đóng cửa chạm DCL, sau đó cộng lũy tiến win/loss vào rồi tính ROI.

Giờ coi kết quả backtest & ROI cuối cùng.

Full code mình có up ở github của mình: https://github.com/cafechungkhoan/chu_gia/blob/master/Donchian%20Channel.ipynb

Các bạn bè (anh chị) có thể xem qua nha.
Một số bài viết khác cùng chuyên mục:

https://www.cafechungkhoan.com/search/label/ai?&max-results=12

----------------------------------------------------------------

Lê Đặng Trung Hiếu

Sale Supervisor

Phòng MG08, CTCP Chứng Khoán Vietcap

Tầng 16, Doji Tower, 81 Hàm Nghi, Quận 1, TpHCM

Kết nối bạn bè: Facebook | Github | Linkedin
----------------------------------------------------------------

Phân tích kỹ thuật không chỉ là đồ thị (sưu tầm)

noreply@blogger.com (Le Dang Trung Hieu) — Wed, 09 Aug 2023 07:21:00 +0000

Loạt bài viết về PTKT của bác Linh Tinh, chưa từng gặp tác giả nhưng những gì tác giả chia sẻ thật giá trị.

Không chỉ là đồ thị, Phân tích kỹ thuật là cả một hệ thống tư duy

1. PTKT vs. bói toán

Các bác đã đi xem bói bao giờ chưa?
Em đi rồi. Nhiều lần, nhiều nơi, từ trong Nam ra ngoài Bắc.
Mỗi thày mỗi vẻ, nhưng thày nào cũng giống thày nào ở chỗ: "Tôi đã phán thì cấm có câu nào sai".

PTKT khác với bói toán ở chỗ đó.
PTKT không bao giờ khẳng định thị trường ngày mai hay tuần sau sẽ thế nào. Nó chỉ giúp ta đưa ra một khả năng, có thể xảy ra hoặc không xảy ra.
Trên cơ sở đó, ta sẽ lên 2 kế hoạch:

+ Ứng phó nếu nó xảy ra (kế hoạch chính), và
+ Ứng phó nếu nó không xảy ra (kế hoạch dự phòng)

Các bác đừng bao giờ hỏi một ông thày bói về kế hoạch dự phòng.
Nhưng nếu các bác gặp một chuyên gia nghiêm túc về PTKT, người ấy sẽ luôn sẵn sàng trình bày với các bác về kế hoạch dự phòng.

Không phải em.
Em toàn kế hoạch linh tinh thôi

----------------------------------------

Khi đưa cái cô người yêu đẹp phẳng lặng từ trước ra sau về nhà làm vợ, em đã phải dự phòng tình huống một ngày nào đó em sẽ được nhìn thấy nàng đầu tóc bèo nhèo, quần áo lèo tèo, ngồi xổm đánh răng vèo vèo bên cống của khu tập thể.

Em nghĩ, tưởng tượng được đến như thế mà vẫn yêu, vẫn lấy, mới đích thực là tình yêu .. linh tinh
Chiên chứng cũng thế.
Có kế hoạch chính, lại có cả kế hoạch dự phòng, cứ thoải mái mà chiên .. linh tinh

*****

Khi nói về kế hoạch dự phòng, em không có ý bảo rằng đó là nét riêng của PTKT, chỉ PTKT mới có.

Em chỉ muốn nhấn mạnh rằng: PTKT không phải là môn khoa học chính xác. Nó chỉ là công cụ giúp ta, dựa trên các dữ liệu quá khứ, đưa ra một khả năng cho tương lai.

Chỉ khi nào ta "quán triệt" được nguyên tắc đó, ta hãy đến với PTKT.

*****

Các bác sẽ hỏi em: "Thế cái kế hoạch dự phòng mà chú nói ở đây cụ thể là gì?"
Có một vài phương thức nhưng em xin nói cái đơn giản nhất: đó là stop loss.

Ở Tây, do được mua và bán trong phiên, câu chuyện stop loss là cực kỳ đơn giản. Mua 37, đặt stop-loss ở 36, lỡ có quyết định sai, ta chỉ lỗ có 1 giá, tức là chưa đầy 3%. Nhưng ở ta, do cái quái thai T+4, mức stop-loss khả thi nhất nhiều khi lên tới ... 20% hoặc hơn.

Loss đến thế thì ai dám chơi, nhở

Không sao.
Ta sẽ lồng kế hoạch dự phòng vào kế hoạch chính.
Tức là, khi có tín hiệu của PTKT, thay vì tất tay 100%, ta sẽ chỉ vào, thí dụ, 20%.
Mức cắt lỗ (sau T+3) có là 20% thì lỗ trên tổng vốn cũng chỉ là 4%.

20 lần lỗ 4% thì cũng đủ bay hết tài khoản
Nhưng đã là "chiên da" PTKT mà lỗ đến 20 lần liên tiếp thì .. linh tinh quá.
Giống em

2. Triết lý cơ bản của PTKT

Thế là em đã lải nhải xong câu chuyện đầu tiên: "PTKT không phải là bói toán, nhưng cũng không phải là môn khoa học chính xác".
Giờ, em xin chuyển sang câu chuyện thứ hai: triết lý cơ bản của PTKT.

Em có một người bạn. Rất mê hội họa. Kể cả tranh giun của Trạng Quỳnh.
Có lần em hỏi hắn: "Thấy cái gì ở đó mà mê thế?". Hắn trả lời: "Tất cả".
Lần đầu tiên trong đời, em thấy một tên nói năng còn linh tinh hơn cả mình

*****

Dưng mà, PTKT cũng linh tinh như thế.
Bởi vì, PTKT cho rằng, mọi thứ đã được thể hiện hết vào giá, kể cả việc ông A, Chủ tịch HĐQT của công ty B, bị đi ngoài sau khi ăn hải sản đêm qua.

PTKT không quan tâm vì sao giá lại lên hoặc xuống.
PTKT chỉ quan tâm 2 chuyện. Một, giá hiện tại thế nào. Hai, lịch sử diễn biến giá ra sao.
Trên cơ sở đó, xây dựng mối liên hệ giữa hiện tại với quá khứ và lên kế hoạch cho một khả năng mà PTKT cho rằng có thể sẽ xảy ra trong tương lai.

Như các bác đã thấy, cả 2 chuyện mà PTKT quan tâm đều được thể hiện trên chart.
Vì vậy mà có người nổi tiếng đã từng nói: "PTKT rất thích hợp cho người vừa điếc, vừa lười".
Giống em

*****

Từ câu nói nổi tiếng trên, em suy ra rằng, nếu đã định gắn bó với PTKT, nên nghễnh ngãng một tí thì tốt.
Bởi vì, khi ngắm chart mà tai lại cứ vểnh lên nghe đủ tin tốt, xấu về công ty, sớm hay muộn cũng bị những thông tin đó chi phối, dẫn đến thiên lệch trong nhận định.

Cách dễ nhất để mất tiền là đem lòng yêu một công ty.
Cách dễ nhất để không kiếm được tiền là đem lòng ghét một công ty.

PTKT bảo rằng: hãy coi các công ty là những tấm vé để vào xem một trận đá bóng.
Ta dùng PTKT để phe vé. Ta không dùng PTKT để nhận định trận cầu trong sân là "đỉnh cao" hay "phọt phẹt".
Đỉnh cao mà mua 100 bán 101 thì cũng không bằng phọt phẹt mua 10 bán 11.
3. Price is not random

Vâng, mọi yếu tố đều được phản ánh vào giá. Triết lý ấy của PTKT, nhiều người đã biết.

Tuy nhiên, nếu chỉ dừng ở đó, PTKT vẫn không có đất để tồn tại. Để tồn tại, PTKT cần một triết lý nữa, kém nổi tiếng hơn triết lý thứ nhất rất nhiều nhưng tiếc thay, nó lại là rường cột của PTKT. Đó là: giá không diễn biến một cách ngẫu nhiên.

Kết hợp lại, ta có một câu đầy đủ về triết lý của PTKT: mọi yếu tố đều được phản ánh vào giá và giá không diễn biến một cách ngẫu nhiên.

May thế.
Chứ cứ như cái màn hình phẳng nhà em, vui buồn một cách ngẫu nhiên, bố ai mà hiểu cho nổi

*****

Các bác sẽ bảo: "Chú này ăn nói linh tinh. Anh/chị đố chú đoán được giá của SSI ngày mai đấy".

He he .. em mà không ăn nói linh tinh thì còn tó gì là em nữa

Khi nói về diễn biến giá, ta không nói về một ngày mà nhiều ngày, nhiều tháng, thậm chí nhiều năm.

Khi thời gian theo dõi diễn biến giá đủ dài, các bác sẽ thấy giá hoặc là bò lên (để tạo thành up-trend), hoặc là bò xuống (để tạo thành down-trend), hoặc là đi ngang trong biên độ hẹp (thứ mà ta vẫn gọi là sideways, "dập dình không rét mà run").

Các bác lại cười: "Càng nói càng vớ vẩn. Giá thì chỉ có lên, xuống hoặc đi ngang. Chẳng nhẽ có cái loại giá đi giật lùi!".

Không vớ vẩn đâu.
Lên mà em nói ở đây là xu thế lên theo thời gian, là up-trend.
Xuống mà em nói ở đây là xu thế xuống theo thời gian, là down-trend.
Và đi ngang mà em nói ở đây là xu thế tích lũy theo thời gian, để chờ vọt hoặc gãy đổ.

Không có trend, chúng ta không kiếm được tiền đâu.
Và PTKT sinh ra để tìm trend trong một khung thời gian.
Nếu là daily trader, anh/chị ta sẽ tìm trend trong chart của 1 ngày.
Nếu là short-term trader, anh/chị ta sẽ quan tâm tìm trend trong daily chart hoặc weekly chart.
Nếu là long-term trader, anh/chị ta có thể tìm trend trong ... gì nhở, quên béng mất rồi, linh tinh quá

Giờ thì chắc các bác đã thấy: nếu giá diễn biến một cách ngẫu nhiên, PTKT sẽ không có đất để tồn tại.

Chỉ có tình yêu linh tinh là tồn tại được trong môi trường ngẫu nhiên thôi
Cho em nghỉ tí.
Cứ nói đến tình yêu là lại súc động dớt nước mắt

-----------------------------

Theo trình tự, sau câu chuyện mở đầu về trend, sẽ là câu chuyện về lý thuyết sóng Elliot.
Nhưng em sẽ bỏ qua phần này.
Vì thú thực là em cũng đếch hiểu gì về cái thứ linh tinh đó cả

Em sẽ lải nhải tiếp về:

4. Một vài khái niệm cơ bản liên quan đến trend (pull-back, channel)
5. Các loại đồ thị và ý nghĩa (line, candlestick, bar)
6. Hỗ trợ và kháng cự, break-down và break-out
7. Ý nghĩa của khối lượng giao dịch
8. Basic Indicators
9. Basic Oscilators
10. Build Your Own System
11. Basic Patterns
12. Trading in uptrend, uptrend pullback and downtrend pullback
13. Linh tinh
4. Một số khái niệm cơ bản liên quan đến trend:

Phần này, em sẽ nói rất ngắn về một số khái niệm cơ bản. Sở dĩ phải nói vì em sẽ nhắc tới chúng khá nhiều trong các phần tiếp theo.

Trước hết là pull-back.

Khi giá đang trong xu thế lên mà có đoạn nào đó quay đầu đi xuống, sau đó lại đi lên để hình thành đỉnh mới cao hơn đỉnh cũ thì cái đoạn "quay đầu đi xuống" đó được gọi là pull-back (dân ta gọi nôm là "điều chỉnh").

Tương tự, khi giá đang trong xu thế xuống mà có đoạn nào đó quay đầu đi lên, sau đó lại đi xuống tiếp để hình thành đáy mới thấp hơn đáy cũ thì cái đoạn "quay đầu đi lên" đó cũng được gọi là pull-back.

Lấy ví dụ VNI trong thời gian gần đây nhá:

Tiếp theo là "kênh giá" (channel).

Ta có "kênh giá" khi các đáy và các đỉnh của một đường zig-zag nằm hoàn toàn giữa 2 đường thẳng song song:

-----------------------------------

Bây giờ, em muốn mời các bác xem mối liên hệ giữa thời gian và trend.

Dưới đây là đồ thị hàng ngày của SAM, từ tháng 3/2009. Trên đồ thị, có thể dễ dàng nhận thấy SAM ở trong up-trend trong thời gian từ tháng 3/2009 đến cuối tháng 10/2009:

Tiếp theo, mời các bác xem đồ thị tuần của SAM trong 3 năm. Theo các bác thì SAM đã thoát ra khỏi down-trend hay chưa?

Linh tinh thế đấy

----------------------------------------

Tại sao em lại giới thiệu với các bác 2 đồ thị của SAM?
Vì chúng ta đã nói chuyện với nhau về "khung thời gian" trong PTKT.

Là một nhà đầu tư ngắn hạn, chúng ta thường chỉ xem đồ thị ngày. Mà đúng là chỉ cần đồ thị ngày bởi SAM đã tăng giá hơn gấp 3 trong khoảng thời gian từ tháng 3/2009 đến tháng 10/2009.

Nhưng, một nhà đầu tư dài hạn sẽ hết sức khấp khởi chờ đợi khoảnh khắc SAM vọt qua đường cản màu đỏ trên đồ thị tuần.

Bởi trên đó là cả một khoảng trống mênh mông cho đến tận ... 100!

Sao ta không làm thế này nhỉ:

Mua SAM vào đầu tháng 5/2009, khi SAM đã chính thức đi qua 20, trên cả đồ thị ngày và đồ thị tuần.
Bán 1/2 SAM với giá 40 vào nửa cuối tháng 10/2009, khi SAM không thể vượt qua đỉnh 40 được thiết lập vào nửa sau của tháng 6/2009, trên cả đồ thị ngày và đồ thị tuần.
Ta đã thu hồi vốn.
Với 1/2 SAM còn lại, giá vốn bằng 0, ta rung đùi ngồi chờ ngày SAM vượt qua lời nguyền màu đỏ trên đồ thị tuần.

Đấy là em mơ ước linh tinh thế.
Chứ SAM mà vào tay em, chắc em phọt hết từ giá .. 22.
Bán được giá 40 thì người ta đã không gọi em là .. Linh Tinh

Francisco
ối, qủa này em thấy linh tinh thật
cái lời nguyền màu đỏ của bác chỉ có, và chỉ được củng cố bởi cáí mốc ngày 23/10 của SAM
trước khi xảy ra tuần đó, tuần SAM đạt 43.1, các chuyên gia tinh tinh sẽ nối nối, vẽ vẽ ra vô số các đường, ngắn có dài có, xanh có, đỏ có và cũng bẩu là các lời nguyền xanh xanh đỏ đỏ ngắn hạn dài hạn
rồi cũng sẽ có người sẽ tự hoỉ linh tinh như cái dòng tô đậm trên và kết quả là sẽ hoàn toàn khác với cái mà bác viết ở trên
mà thôi, cứ linh tinh cho đời nó tươi, bác nhỉ

Không phải.

Như bác đã thấy, đường đó tồn tại (và có thể vẽ ra) từ trước ngày 23/10, bằng cách nối đỉnh của tuần 15/02/2007 với đỉnh của tuần 05/10/2007 và 02/11/2007.

Từ 28/3/2008 đến 25/4/2008, trong vòng 4 tuần, SAM tạo ra một vùng RS tại 40.

Cuối tháng 8, đầu tháng 9/2008, SAM đã cố gắng test vùng RS 40 nhưng không thành.

Tuần 12/6/2009 và tuần sau đó, SAM lại test vùng này lần nữa. Bất thành.

Một kẻ theo trường phái "linh tinh" như em, vì vậy, sẽ cực kỳ để ý khi SAM nỗ lực lần thứ 3 vào tuần 23/10/2009, tại nơi mà vùng RS 40 trùng với đường cản màu đỏ.

Không vượt qua được thì đành phải bán thôi.
Vì sao biết, và chắc, là không vượt qua được?

Chuyện còn dài, cho em nói nốt đã nhé.
Khi nào hết chuyện, em sẽ quay lại trả lời câu này

-----------------------------

Linh tinh thêm về trend

4.1- Em đã để ý nhưng không thấy bác nào hỏi em: "Tại sao chú lại viết là vào SAM khi nó đã "chính thức" vượt qua 20? Sao chú không vào từ dưới 20 bởi trước đó, SAM có những 8 tuần dao động dưới 20! Giả sử chú vào từ 15 thì lên 20 chú đã chén được hơn 30% rồi".

Các bác hỏi toàn câu hay. Chả bù cho em, toàn hỏi những câu linh tinh

Em không vào SAM dưới 20 bởi như em đã nói: PTKT được sinh ra để tìm trend. Có trend thì mới go long hoặc go short. Không có trend, ngồi ngắm màn hình phẳng cho lành.

Em không vào SAM dưới 20 bởi bắt được một tín hiệu tốt để IN là quan trọng nhưng tránh được một tín hiệu tồi, hay một tín hiệu giả, còn quan trọng hơn.

Em sẽ nói sau về hệ tín hiệu. Lúc này, em chỉ muốn nhấn mạnh: em vào SAM sau khi nó chính thức vượt 20 bởi ở đó, và chỉ ở đó, em mới nhận được toàn bộ tín hiệu khẳng định cho 1 uptrend.

Có bác sẽ vặn vẹo: "PTKT có thể làm được nhiều việc khác, chả riêng gì việc tìm trend".
Đúng là như vậy.
Màn hình phẳng nhà em thỉnh thoảng vẫn dùng vạt áo để vắt mũi cho con.
Nhưng em không khi nào dám gọi cái áo mà nàng đang mặc là cái mùi-xoa cả

4.2- Bác Invo và em, hôm qua, mỗi người vẽ một đường trend-line. Đường của bác ấy màu đen, trông khỏe hơn đường của em. Đường của em màu đỏ, yếu hơn, nhưng lại cách mạng hơn. Rút cuộc là huề

Nhưng vấn đề chính không phải ở chỗ ấy.

Sự khác biệt giữa bác Invo và em cho ta thấy rất rõ: mua bán theo trend-line (và theo kênh giá) có thể mang tới những sai lầm to lớn như thế nào.

Như em đã nói, kẻ trend-line dễ lắm. Chỉ cần một cái thước kẻ và một cái bút chì, xoẹt một phát là xong cái trend-line. Ngồi nghĩ thêm 1 phút lại có thể xoẹt cái thứ hai. Thấy chưa yên tâm, loay hoay thêm phút nữa lại xoẹt được cái thứ ba trông chả giống gì 2 cái đầu.

Chả cần kẻ.
Nhìn chart thì thấy rõ là giá đang đi lên hay đi xuống. Vẽ thêm cái trend-line chẳng qua chỉ để trang trí thôi.
Giống như lót cái đệm tre xuống ghế lái để có cảm giác mát bàn tọa vậy.
Ghế da, kính dán V-Koooool, điều hòa tốt, có mặc 5 quần dạ, 3 quần xịp thì bàn tọa vẫn mát như thường

Tóm lại: trend-line chỉ kẻ cho vui. Đừng bao giờ mua bán theo trend-line.
Hay nói đúng hơn: đừng bao giờ sử dụng trend-line là công cụ duy nhất để ra quyết định.

4.3- Để nhận biết trend, nên xem đồ thị nào?

Nên xem cả đồ thị ngày và đồ thị tuần. Đồ thị ngày nên để thời gian tối thiểu là 6 tháng (em thường để 1 năm). Đồ thị tuần nên để tối thiểu là 3 năm.

Cách bố trí trục tung của đồ thị cũng rất quan trọng. Một số website cung cấp đồ thị rất củ chuối. Giá đã tăng 100% mà nhìn trên đồ thị vẫn như đang đi ngang, cho dù ta đã zoom vào và chỉ nhìn trong 3 tháng hay 1 tháng.

Hãy chọn đồ thị có thể cho các bác thấy khoảng dao động ít nhất là 50% (bên dưới hoặc bên trên đường giá, tùy theo việc ta đang ở trong downtrend hay uptrend). Thí dụ, giá đang ở mức 22, ta đang ở trong uptrend thì phía trên của đồ thị phải có đủ khoảng trống cho ta nhìn thấy mức giá 30-33. Nếu ta đang ở trong downtrend thì phía dưới cần có đủ khoảng trống để ta nhìn thấy mức giá 11-13.

Đừng bao giờ dùng đồ thị kiểu này. Trông có vẻ "up" rồi "down" nhưng thực ra, tính từ giá 13, mỗi chiều chỉ được hơn 10% chứ mấy.

5. Các loại đồ thị và ý nghĩa

Đây là đồ thị dạng "line" của SD7:

Đây cũng chính là đồ thị đó nhưng dạng "candlestick" (dạng nến):

Vẫn là nó, nhưng dạng "bar" (cột) hay còn gọi là OHLC, viết tắt của các từ Open (mở cửa), High (giá cao nhất), Low (giá thấp nhất) và Close (giá đóng cửa):

------------------------------------------------------

5.1- Đồ thị dạng "line":

Là đồ thị đơn giản nhất, gồm các đoạn thẳng nối các mức giá (thường là giá đóng cửa) với nhau. Xem một đồ thị line, ta có thể dễ dàng nhận thấy xu thế của giá trong từng giai đoạn nhất định.

Tuy nhiên, diễn biến trong phiên thế nào thì ta không thấy trên đồ thị "line" được.

5.2- Đồ thị dạng "candlestick":

Do người Nhật phát minh ra nhưng không phải để theo dõi giá chứng mà để theo dõi giá .. gạo và cá

Đồ thị nến biểu thị giá mở cửa, giá đóng cửa, giá cao nhất và giá thấp nhất trong một khoảng thời gian (15 phút, một giờ, một phiên, một tuần v..v). Đồ thị nến của SD7 mà em đưa ra ở trên biểu thị các mức giá của một phiên.

Hình dưới đây mô tả các cấu phần của đồ thị nến. Như các bác thấy, thân nến chỉ xuất hiện khi giá mở cửa chênh lệch so với giá đóng cửa:

Trong hình trên, khi giá đóng cửa thấp hơn so với giá mở cửa, người ta để thân nến màu đen (đặc). Ngược lại, nếu giá đóng cửa cao hơn so với giá mở cửa, người ta để thân nến màu trắng (rỗng). Ở ta, do đỏ là xuống mà xanh là lên nên mọi người hay dùng màu đỏ để thay cho màu đen và màu xanh lá cây để thay cho màu trắng.

Một số website cho phép các bác tùy chỉnh màu của thân nến.
Thỉnh thoảng em lại chỉnh cho màu của chúng trùng với màu nền.
Nhìn vui lắm. Như xem tranh trong phòng mất điện vậy

Khi mà giá mở cửa = giá đóng cửa, thân nến không còn nữa. Thay vào đó là một vạch ngang. Đó chính là thứ mà dân PTKT gọi là Doji.

Ở trên các bác đã thấy Doji hình chữ thập. Dưới đây là 2 kiểu Doji nữa:

-----------------------------------------------------------------------------

Đồ thị nến, kết hợp với màu xanh hoặc đỏ của thân nến, nói được nhiều thứ lắm.

Một thân nến đỏ và dài, kết hợp với một cột khối lượng cao cao ở dưới, cho ta thấy một lượng cung khá lớn đã ép giá đi xuống một quãng thật dài sau khi mở cửa đầy hứa hẹn. Các tâm hồn trinh thám gọi đó là một phiên "oánh xuống"

Một thân nến dài màu xanh là bài ca hy vọng của các loài chim cánh cụt. Họ sẽ nói "BBs đang oánh lên"

Hai thân nến màu xanh và đỏ, cùng dài như nhau, đứng cạnh nhau đem đến sự "bâng khuâng" cho các tâm hồn đã rã rời vì chứng.

Đồ thị nến nổi tiếng lắm. Bởi người Nhật, với thói quen "user friendly" cố hữu, đã soạn sẵn các bộ nến khác nhau để mô tả các trạng thái khác nhau của thị trường. Thí dụ, cứ nhìn thấy bộ nến A xuất hiện thì sắp có đảo chiều, nhìn thấy bộ nến B xuất hiện thì sắp có ... chia thưởng 2:1

Em đùa đấy. Làm tó có cái bộ nến nào mô tả được tình trạng in giấy bán lấy tiền

Chính vì có các bộ nến "mỳ ăn liền" như vậy nên nhiều người mê đồ thị nến lắm.
Nhưng cũng chính vì thế mà họ chết cũng nhiều. Thôi thì chả mất gì của mình, em với các bác cùng cầu nguyện cho họ cái nhé

Chả nói đâu xa, ngày 5/11/2009, họ nhìn thấy bộ nến sau đây của VNI, được gọi là Sao Mai Doji, một trong những mẫu hình tin cậy nhất của việc kết thúc một downtrend:

Nhưng sau đó là thế này đây, vật vã cho đến tận ngày 17/12/2009:

------------------------------------------------------------------

Đưa ra ví dụ trên, em không có ý coi thường các mẫu hình của đồ thị nến.
Chúng có ích lắm, thậm chí rất có ích và cũng rất thú vị.

Nhưng, em thực lòng khuyên các bác, nếu mới bắt đầu, không nên lao ngay vào bát mỳ ăn liền đó.

Hãy nghiên cứu chúng độ 1 năm.
Sau đó kiểm chứng độ tin cậy của chúng trên thị trường Việt Nam khoảng 2 năm.
Ngồi nghĩ để "điều chỉnh lại cho phù hợp" khoảng 2 năm nữa.
Sau đó thì nên .. dùng thử xem thế nào
Dùng thử 2 năm, lại đem vào "vi chỉnh" thêm khoảng 2 năm nữa.
Tổng cộng là mấy năm rồi nhỉ? 9 à?
Không sao.
Lỗ 9 năm. Chỉ cần lãi 1 năm là gỡ lại hết

Bác nào muốn bắt đầu 9 năm trường kỳ đó thì có thể tham khảo các mẫu hình của đồ thị nến tại đây (chưa biết tiếng Anh thì coi như thêm 1 năm học tiếng Anh nữa là 10 ):

www.candlesticker.com/

--------------------------------------------------------------------

5.3- Đồ thị dạng bar:

Đồ thị dạng bar (cột) đơn giản lắm. Nó cũng cho ta thấy diễn biến trong phiên như đồ thị nến nhưng do nó gầy guộc nên trông không xi-nhê như đồ thị nến (lại nhớ màn hình phẳng rồi ).

Dưới đây là một mẫu bar. Nguyên lý vẽ cao nhất - thấp nhất giống như đồ thị nến nhưng đóng cửa, mở cửa thì lại khác. Gạch bên trái luôn biểu thị giá mở cửa. Gạch bên phải luôn biểu thị giá đóng cửa.

5.4- Rốt cục là dùng đồ thị nào?

Vâng, lải nhải mãi rồi cũng phải trả lời câu hỏi này.

Dùng loại nào là tùy các bác. Thấy thích cái nào, quen cái nào thì dùng cái ấy. Cụ Phái vẽ bút chì đẹp gấp 30.000 lần ông Chương vẽ sơn dầu

Tuy nhiên, sau khi đã rõ về kháng cự - hỗ trợ, về trend-line và nhất là về Fibonacci, em tin là các bác sẽ chỉ dùng đồ thị bar và đồ thị nến

Em hay dùng .. linh tinh

Em nghẻo đây

-------------------------------------------------------------

Mùa thu lá bay
Sau khi nhìn cái chat SAM, em hiểu anh định nhắn rằng nếu nhìn xa hơn thì SAM vẫn còn nằm trong downdtrend.

Không, em không nhắn nhủ gì về tương lai của SAM cả
Vì mục tiêu 'trực quan", em sẽ còn lôi nhiều mã nữa ra làm ví dụ.
Những mã được lôi ra như thế, chỉ phục vụ cho mục đích .. linh tinh tại đây, không phục vụ cho bất kỳ mục đích nào khác đâu

Mùa thu lá bay
1/ Trong đồ thị ngày, có người lãi to và có người chết luôn. Điều đó có nghĩa là tác động của đồ thị ngày rất lớn. Phải chiến thắng (ý em là trade thành công) được đồ thị ngày mới có cơ hội ngó tới đồ thị tuần đúng không?

Không phải.
Khi đi tìm trend, nên xem cả 2 đồ thị ngày và đồ thị tuần.
Không phải đồ thị ngày là "bậc thấp", còn đồ thị tuần là "bậc cao"

Mùa thu lá bay
2/ Nếu điều 1 đúng, chiến thắng được đồ thị ngày, thì vẫn phải nhớ cái mốc kháng cự của đồ thị tuần để mà chui ra trong khi nhìn đồ thị ngày vẫn đang uptrend đúng không?

Trên nguyên tắc, một mốc kháng cự (hay hỗ trợ) hình thành trong thời gian càng lâu thì sức mạnh của nó càng lớn. Vì vậy, R-S mà ta nhìn thấy trên đồ thị tuần có ý nghĩa lớn hơn so với R-S mà ta nhìn thấy trên đồ thị ngày.
Tuy nhiên, không phải cứ đến mốc kháng cự (ở bất kỳ đồ thị nào) là "chui ra".
Em nhớ có tay lẩm cẩm nào đó đã nói rằng: "kháng cự và hỗ trợ" sinh ra là để bị phá
Theo cái logic lẩm cẩm ấy thì ta chỉ cần nâng mức quan sát tại đó lên tối đa mà thôi

Mùa thu lá bay
3/ Nếu điều 2 sai, thì nếu uptrend của đồ thị ngày vào đúng mốc kháng cự của đồ thị tuần, có được hiểu là phá vỡ downtrend hay không, nếu không thì điều kiện phá vỡ là gì?

Kháng cự là kháng cự, mà trend là trend. Có lúc trùng, nhiều lúc không.
Dấu hiệu phá vỡ ta nói sau nhé

Mùa thu lá bay
4/Doanh nghiệp cạnh tranh càng ngày càng khốc liệt, phân hóa rất nhanh. Vậy đồ thị tuần 3 năm có điều chỉnh lại không, ví dụ 2 năm 1 năm chẳng hạn, nếu không cái bóng quá khứ của nó đè nặng đến quyết định của mình quá.

Trường phái linh tinh không quan tâm đến who is who in rock'n'roll
Trường phái linh tinh chỉ đi tìm trend.
Thấy trend, trường phái linh tinh tính thử xem trend đó có thể dài đến đâu.
Đến được đó thì tốt. Không đến được đó thì .. chuồn chuồn
Cứ có lãi là được

6. Hỗ trợ và kháng cự, breakdowns, breakouts, trend and counter-trend traders:

Hỗ trợ và kháng cự là hòn đá tảng của PTKT.

Như em đã nói với các bác, với em, PTKT sinh ra là để tìm trend.
Không có trend, em không kiếm được xèng, dù chỉ là xèng linh tinh

Nhưng dùng cái gì để nhận biết trend bây giờ ?
Chẳng nhẽ lại ngắm từ tháng 3/2009 đến hết tháng 10/2009 rồi lên đây hớn hở khoe với cả làng: "Hơ hơ, em vừa phát hiện ra một úp chén"

Hỗ trợ và kháng cự là một trong những công cụ có thể giúp ta nhận biết sớm về một possible trend.

-------------------

Trong quá trình đi lên, có những lúc giá tạm thời dừng lại, nhì nhà nhì nhằng xung quanh một mức nào đó rồi .. quay đầu đi xuống (tức nhể )
Trong quá trình đi xuống cũng vậy, có những lúc giá tạm thời dừng lại, bật lên bật xuống một tí rồi .. quay đầu đi lên (thích nhể )

Đi lên, chạm một mức nào đó, quay đầu đi xuống thì người ta gọi cái mức đó là "kháng cự" (resistance).
Đi xuống, chạm một mức nào đó, quay đầu đi lên thì người ta gọi cái mức đó là "hỗ trợ" (support).

Em thích nôm na nên học một chị nổi tiếng ở đây, gọi "kháng cự" là "cản trên" và gọi "hỗ trợ" là "cản dưới" cho nó dễ hình dung

Em mời các bác xem đồ thị dưới đây của PVD:

Trên đồ thị này, có thể thấy rất rõ sau khi bật từ 80 (đường số 4) lên 95 (đường số 2) vào nửa sau của tháng 8/2009, giá của PVD chững lại một thời gian rồi quay đầu đi xuống 90 (đường số 3). Khi đó, ta có thể gọi 95 là cản trên của PVD.

Tại 90, PVD bật lên lần 2, gặp cản 95, nhì nhằng 1 vài ngày rồi đi tiếp lên 100 (đường số 1). Không qua nổi 100, PVD quay đầu đi xuống, lưu luyến 95 một tí rồi ngồi bệt xuống 90 vào đầu tháng 10/2009. Nhưng, như bị thúc vào đít, PVD lại đứng lên test 100 lần 2. Đến lúc này, ta có thể gọi 90 là cản dưới của PVD.

Test 100 bất thành, PVD quay về 95, rồi 90. Do 90 đã thành "cản dưới", PVD bật lên 1 phiên rồi rơi độp một phát qua 90 về tận cản dưới 80. Tại đây, PVD bùng lên rất mạnh để test lại 95 nhưng không thành công, rơi về 80, bật lên 90 rồi lại rơi về 80 trước khi chia tách.

Ta nhận thấy:

+ Giá hình như không diễn biến một cách tình cờ. Rõ ràng là tại những ngưỡng nhất định, giá có những hành vi nhất định.
+ Cản không phải là sàn hay trần bê tông. Cứ có khoan Makita thật tốt, khoan được hết.
+ Đành rằng là khoan được hết nhưng dường như thời gian đổ bê tông càng lâu, cản càng cứng.
+ Cản trên hay dưới thay đổi theo thời gian. Thí dụ, đường 4, đầu tháng 8, là cản trên nhưng nếu bị vượt qua, lại trở thành cản dưới cho nửa đầu tháng 11. Tương tự, đường 2, tháng 10, là cản dưới nhưng nếu bị xuyên thủng, lại trở thành cản trên cho nửa sau tháng 11.
+ Khi đã vượt qua hay xuyên thủng được cản, giá thường có xu hướng pull-back để test lại các ngưỡng này (những chỗ em khoanh tròn).
+ Giá dường như có trí nhớ nên dù đã chia tách, vẫn cố gắng vận động theo các ngưỡng như trước đây (69-70 tương đương 92, 65 tương đương 86 và 60 tương đương 80).
+ Giống như trend-line, việc vẽ các đường từ 1 đến 7 là hoàn toàn theo ý muốn chủ quan. Một người khác, không linh tinh như em, có thể dịch đường 1 xuống một tí để tạo ngưỡng 96-98 thay vì 100. Đường số 2 cũng có thể dịch xuống một tí để có ngưỡng 92-93. Vì vậy, khi nói về một ngưỡng cản nào đó, ta nên suy nghĩ về nó như một khoảng giá hơn là một mức giá.

Có thể nói thêm một vài điểm nữa nhưng theo em, 7 điểm trên đây là những điểm đáng chú ý nhất. Em sẽ lần lượt bình từng điểm.
Nhưng mà phải chờ em đọc thêm sách đã.
Bi bô nãy giờ hết cả vốn dồi
Xí hổ qué

P.S.: Màn hình phẳng nhà em vừa ghé qua, hỏi: "Thế hôm nay PVD là pull-back sau khi thủng 60 hay đang chuẩn bị bật lên như hồi giữa tháng 12? Giá 60 là tương đương 80 đấy, cản cứng đấy".
Đúng là cái quân 2D
Toàn hỏi linh tinh

--------------------------------------------------------

6.1- Giá không diễn biến một cách tình cờ. Tại những ngưỡng nhất định, giá thường có những hành vi nhất định.

Tại sao lại thế?
Vì bản tính của con người là không đổi, hay nói đúng hơn là có thay đổi nhưng .. chậm hơn rất nhiều so với giá chứng khoán

Khi PVD bay từ 80 lên 95 trong vòng 4 phiên (giữa tháng 8/2009), do nó bay quá nhanh nên nhiều người bắt hụt. Họ có tiếc không? Chắc chắn là có. Họ có hy vọng là nó sẽ quay lại 80 không? Chắc chắn là có. Thế mà nó chả chịu quay lại gì cả, còn dập dình như trêu ngươi ở mức giá 94-96 những 8 phiên liền.

Ngày 07/9/2009, PVD sụt xuống 87.5, mất gần 10% so với giá 95. Những tâm hồn tiếc nuối mức giá 80 cho đây là cơ hội, lao vào và tham gia đẩy PVD lên đỉnh cao mới 105 vào ngày 17/9/2009.

Ngày 02/10, sau gần một tháng, PVD từ đỉnh 105 quay trở lại mức 90. Rẻ quá, gần 1 tháng rồi mới có giá đó. Thế là lại lao vào và đẩy PVD lên trở lại 100 vào ngày 15/10.

Cái tâm lý "rẻ rồi", "rẻ quá" ấy là một trong những yếu tố góp phần tạo ra cản dưới

Một mức giá được coi là "rẻ rồi", "rẻ quá" bởi người ta so sánh nó với mức giá thấp hơn gần nhất (latest lower low). Trong ví dụ trên, ngày 2/10 được so với ngày 7/9 và sau đó, các ngày 27 và 29/10 lại được so với ngày 2/10.

Ngày 2/11, khi PVD xuyên thủng 90, người ta lại đi tìm một mức giá thấp hơn gần nhất để so sánh. Trên đồ thị, có thể thấy rất rõ đó là mức 80 (cuối tháng 7, đầu tháng 8). Thế là, như có phép màu, ngày 11/11, PVD bật lên từ giá 80

Nếu tâm lý "rẻ rồi", "rẻ quá" góp phần tạo ra cản dưới thì tâm lý "ước gì hòa vốn" góp phần tạo ra cản trên.

Ngày 16-17/9, khi PVD bật mạnh từ 95.5 lên 105, không ít người mắc cạn. Sau đó, khi giá PVD đi xuống 90, họ chỉ "ước gì" là họ đã không mua PVD. Cầu được ước thấy, con cá tưởng đã mất lại quay về vào ngày 15/10. Thế là họ bán. Và góp phần tạo ra cản trên cho PVD tại mốc 100. Điều tương tự xảy ra khi PVD quay lại mốc 90 vào ngày 1/12 và gần đây nhất là mốc 70-75 (tương đương 93-100) vào ngày 05/01/2010.

Tâm lý con người là như thế. Và khi nhiều người cùng hành động theo tâm lý ấy, họ vô tình tạo ra các loại cản trên và cản dưới.

Chúng ta có hiểu tâm lý ấy không? Có.
Chúng ta có muốn tận dụng tâm lý ấy không? Có.
Cho nên, chúng ta sẽ lao vào mua/bán tại những chỗ mà chúng ta cho là có cản dưới/cản trên, đúng không?
Đúng quá

Thế là ta tiếp tay cho kẻ gian rồi, biến chỗ mà chúng ta nghĩ rằng "có cản" thành "cản cứng", "cản thực sự" còn gì

BBs và kẻ gian rất thích chúng ta nghĩ như thế
Em là Linh Tinh, không phải BBs, cũng không phải kẻ gian

PS: Các bác thích tìm hiểu có thể đọc thêm về tâm lý học hành vi hoặc tài chính hành vi học, cognitive biases (loss aversion, sunk cost effect, disposition effect, outcome bias, recency bias, anchoring, bandwagon effect etc.)

---------------------------------------------------

6.2- Cản không phải là sàn hay trần bê tông. Cứ có khoan Makita thật tốt, khoan được hết.

Vâng, dùng khoan.
Không dùng đầu như thế này

Như trên em đã nói, cản trên và cản dưới không phải là thứ có thật, sờ nắn được.
Cản trên và cản dưới là do con người, dưới tác động của các quy luật tâm lý, tạo ra.
Không có gì bảo đảm là giá cứ chạm cản dưới là bật lên hay cứ chạm cản trên là quay đầu. Nếu dễ như thế, TTCK đã không có đất để tồn tại và cũng chẳng có em ngồi đây để nói phét.

Là sản phẩm do con người tạo ra thì con người cũng có thể phá được.
Phá cản trên, dùng tiền.
Phá cản dưới, dùng cổ.

Ta lùi ra một chút để ngắm đồ thị 1 năm của PVD:

Nhìn trên đồ thị này, có thể thấy rất rõ là đã 6 tháng nay, PVD đang dao động trong một dải hẹp. Nếu lấy lằn đen trung tâm làm mốc thì hai lằn xanh ở trên và dưới có độ lệch chỉ đâu đó khoảng 10%.
Với độ lệch nhỏ như thế, với KLGD ổn định ở mức thấp như thế, người ta nói PVD đang trong thời gian tích lũy.
Tích lũy để làm gì ?
Để chuẩn bị phá hoặc là cản dưới (break-down), hoặc là cản trên (break-out).

Kẻ kiên nhẫn sẽ chịu khó mua - bán PVD trong thời gian này. Xuống 80 múc, lên 92 - 95 bán, ăn khoảng 10-20% mỗi lần.
Em không kiên nhẫn, em lì đòn, em chờ breakdown hoặc breakout

Ta lại lùi ra thêm chút nữa để ngắm đồ thị 2 năm của PVD:

Trên đồ thị này, ta thấy thêm đường màu đỏ. Đường này giải thích cho ta vì sao PVD lại có một ngưỡng cản trong vùng giá 90. Ngưỡng cản này được tạo ra suốt từ tháng 5/2008 (sau khi chia tách), được test những 5 lần tại các điểm 2-3-4-5-6.
Do thời gian tồn tại quá lâu (16 tháng) nên khi PVD lần đầu tiên vượt qua cản này vào nửa sau tháng 8/2009, các bác có thể thấy nó đã cần một lượng tiền lớn như thế nào (đủ để nuốt ngót nghét 7 triệu cổ trong sàn và ngoài sàn).
Khoan Makita quả là tốt phải không

Qua được một ngưỡng cản như thế, kiểu gì cũng mệt nên chắc chắn sẽ có pullback.
Nhưng cản tiếp theo (100) thì PVD đầu hàng.
Mũi khoan đã cùn. 2 lần thử, 2 lần failed.
Xèng chứ có phải vỏ hến đâu mà lắm thế

Thế thì thứ gì lắm? Cổ. Nhiều vô biên. Vì in được.
Nên phá cản dưới thường là dễ hơn cản trên.
Các bác thấy đấy, xuyên từ dưới lên qua 90 thì khó chứ xuyên từ trên xuống qua 90 nó làm có 1 nhát là xong. Chỉ cần ngót nghét 700K cổ vào ngày 3/11. Lưu luyến pullback hử ? Tiếp cho nhát nữa 350K cổ ngày 6/11. Chết đứ đừ.

Nhưng cản dưới nữa (80) thì hơi khó, bởi nó quá gần với vùng giá 72 (đường màu đỏ đậm), vùng hậu phương vững chắc của PVD.
Để phá cản này, tốn cổ lắm, nhất là khi kinh tế đang phục hồi, không khéo mất cổ vào tay bà già như chơi

Tóm lại, cản sinh ra là để bị phá.
Chưa phá được thì cổ sẽ tích lũy và thường là sau một thời gian tích lũy đủ dài, nếu cản bị phá, cổ sẽ hoặc là rơi, hoặc là thăng, khá xa.

Là nhà đầu tư linh tinh, em không kiên nhẫn, em lì đòn, em chờ PVD phá kênh tích lũy

Màn hình phẳng nhà em ghé qua giục em đi ngủ.
Nàng ghé qua vai em, xem bài này rồi thỏ thẻ: "Thế KBC thì thế nào?".

Đúng là ngu lâu khó đào tạo.
Câu hỏi này còn .. linh tinh hơn cả câu hôm qua

---------------------------------------------------------------------

6.3- Đánh giá độ vững của cản:

"Thời gian tìm hiểu càng lâu, cuộc sống gia đình sau này càng hạnh phúc"
Vâng, Herbert George Wells - tiểu thuyết gia viễn tưởng vĩ đại người Anh - đã từng nói một câu như thế.
Công nhận người nước ngoài họ giỏi hơn dân An Nam mình.
Viết truyện viễn tưởng đã hay, nói chuyện viễn tưởng còn hay hơn nữa
Thở ra câu nào là câu ấy thành Science Fiction

PTKT có giống truyện viễn tưởng không?
Rất giống. Vì 2 lý do.
Thứ nhất, PTKT cũng có một câu na ná như thế: "Thời gian hình thành cản càng lâu, cản càng cứng".
Thứ hai, khi ta hỏi lại: "Có thật không đấy?", PTKT đưa ra câu trả lời giống hệt các tiểu thuyết gia viễn tưởng: "Nothing is impossible!"

Độ vững của cản tỷ lệ thuận với thời gian hình thành, theo em, cũng là hợp lý thôi. Cái này, em không nói, nhiều bác cũng đã biết.

Cái mà em muốn bàn ở đây là yếu tố "thời gian". Mời các bác xem đồ thị của AGF:

Trên đồ thị này, có thể thấy mức cản 30 của AGF là khá chắc chắn bởi nó được bắt đầu từ tháng 6/2009, tẹt đi tẹt lại nhiều lần trong tháng 9 và đầu tháng 10, sau đó tẹt tiếp 3 lần nữa trong khoảng thời gian từ giữa tháng 11 đến giữa tháng 12, tổng cộng khoảng 7 tháng, có thể nói là khá cứng.

Ta lùi xa một tí:

Giờ thì ta hiểu vì sao cái mốc 30 lại cứng thế. Hóa ra nó đã hình thành từ tháng 7, tháng 9/2008!

Trong ví dụ của AGF, ta thấy yếu tố "thời gian" được thể hiện qua các lần 'tẹt đi tẹt lại". Khoảng thời gian hàm chứa các cú "tẹt đi tẹt lại" ấy càng dài, cản càng có xu hướng cứng hơn.

Trong ví dụ tiếp theo, khoảng thời gian tuy ngắn hơn nhưng do giá dao động trong một phạm vi rất hẹp nên cũng tạo ra một vùng cản hẹp có độ cứng khá lớn.

Vùng 14-16 của BHC cứng đến nỗi cả tháng 11/2009, khi mọi CP đều mất giá kha khá, BHC vẫn dao động trong khung này, chỉ chịu đầu hàng sau 3 phiên có KLGD lớn hơn bình thường. Và, như các bác đã thấy, khi bị mất cản cứng 14, nó đã rơi thêm gần 30% mới chịu dừng.

Cản cứng như thế mà khi vượt (đầu tháng 10/2009) lại không kèm theo mức tăng đột biến của KLGD. Yếu tố này làm ta nghi ngờ khả năng BHC sẽ tạo được đỉnh mới cao hơn đỉnh tháng 6/2009. Do đó, khi thấy BHC vật vã vài ngày ở ngưỡng 20-21, quyết định duy nhất đúng của ta vào thời điểm đó là: phắn

Hai ví dụ trên cho ta thấy 2 cách mà "thời gian" có thể tác động vào độ cứng của cản.

"Thời gian" và "cản" còn có mối liên hệ nào nữa?
Còn một mối liên hệ nữa, đó là: khung thời gian mà các bác dự kiến tiến hành một thương vụ.

Nếu các bác định mua bán để ăn chênh lệch ngay trong phiên, một ngưỡng cản "nhè nhẹ" đã có thể coi là "cản cứng".
Nếu các bác định lướt sóng T+4, một ngưỡng cản "ro rõ" trên đồ thị ngày 6 tháng có thể coi là cản cứng.
Nếu các bác định ôm 1 vài tháng, một ngưỡng cản trên đồ thị tuần có thể sẽ có ích hơn bởi 5 vạch trên đồ thị tuần tương đương với 25 vạch trên đồ thị ngày.

Em sẽ nói kỹ hơn về KLGD tại mục KLGD. Ở phần này, liên quan đến KLGD, em chỉ muốn nhấn mạnh 2 ý:

+ Vượt cản trên mà không kèm theo KLGD tăng đột biến, nên thận trọng.
+ Vỡ cản dưới mà KLGD lại tăng, nhất là ở ngày thứ 2 sau khi vỡ cản, coi chừng. An toàn nhất là chuồn thật nhanh khi giá vươn lên tẹt lại cản vừa bị mất (pull-back). Trong ví dụ trên của BHC, đó là phiên giao dịch thứ 2 của tháng 12/2009.

Ngủ nhớ
Viết càng linh tinh, càng buồn ngủ
Câu này là em nói, không phải Sir Hơ Be

Các bác có biết em sẽ nằm mơ gì không?
Đây nè!
Hôm nay, PVD đã rơi khỏi cản 80.
Ngày mai, ngày thứ hai sau khi vỡ cản, PVD sàn cả phiên, rơi xa hơn nữa, tạo gap, KLGD tăng đột biến ...
Tèn tén ten

------------------

Với các bác thích trading trong phiên, một xê-ri đồ thị ngày của 5-10 ngày liên tiếp sẽ rất có giá trị. Đồ thị kiểu ấy, hình như website của VnDirect có cung cấp (lâu rồi không vào nên em không biết có còn không).

Tuy nhiên, không có cũng không sao bởi quy mô giao dịch của Việt Nam còn khá nhỏ, thị trường còn quá nhiều khuyết tật (không cho T+0, hạn chế biên độ, 2 đợt khớp lệnh định kỳ v..v.) nên đồ thị ngày của tuyệt đại đa số các mã trông .. rất linh tinh. Nói chung là không dùng được. Chẳng đẹp được như cái này đâu:

Nếu vẫn thích xem đồ thị ngày thì chỉ đồ thị của chỉ số HNX là xem tạm được.

---------------------------------------------------------------------

6.4- Khi đã bị vượt qua, cản trên trở thành cản dưới; khi đã bị xuyên thủng, cản dưới trở thành cản trên:

Em lấy lại đồ thị của AGF. Đồ thị này minh họa rất tốt cho việc một cản (30) thay đổi từ cản trên thành cản dưới như thế nào.

Việc này nó cũng đơn giản, nhiều bác đã biết nên em không nói gì thêm. Em chỉ muốn trình bày cách nhìn của em về sự thay đổi cản dưới - cản trên này.

Hãy coi VNI, khi đi lên, là một cuộc tấn công. Trên đường tấn công, ta phải lần lượt chiếm các cứ điểm của địch. Một cứ điểm của địch, sau khi bị ta chiếm, sẽ trở thành của ta và là hậu phương vững chắc cho ta khi ta lui binh.

Khi ta lui binh, tại từng cứ điểm, ta sẽ cầm cự. Nếu cứ điểm đó bị mất vào tay địch thì lần sau, khi tấn công trở lại, ta lại phải nghĩ cách chiếm lại cứ điểm này.

Tưởng tượng như thế vừa dễ hình dung việc cản trên - cản dưới đổi chỗ cho nhau, vừa rút ra được nhiều thứ hay lắm.

Thí dụ, ta biết Xuân Lộc là cửa ngõ Sài Gòn, đánh vào đây chắc là sẽ rất khốc liệt.
Thế mà ta chiếm ngon ơ. Chả tốn một sĩ, một tốt.
Nếu là tướng cầm quân, các bác sẽ nghĩ gì?
Bỏ mẹ, hay là nó đem quân vòng ngả Tây Ninh đánh vào mạn sườn mình

VNI hôm kia ào một phát qua 48x dễ quá nhể
Giống hệt hôm địch ào một phát đẩy ta ra khỏi cứ điểm 48x ngon quá nhể
Ta chứ có phải linh tinh đâu

Đại khái thế

-----------------------------------------------

6.5- Tình cũ không rủ cũng tới: pull-back!

He he .. món khoái khẩu nhất của em chính là đây.
Là em nói cái món "tình cũ" ý, không nói PTKT, các bác đừng hiểu nhầm.
Tiếc là em chả có món "tình cũ" nào cả, ngoài cái món màn hình phẳng càng ngày càng cũ dần.
Bác nào có cho em mượn nhá

Đùa thôi, với em, các cú pull-backs là một trong những nét đẹp nhất của PTKT. Trước khi đến với chứng khoán (và các thị trường commo khác), em không nghĩ cái đám đông "quân hồi bông phèng" lại có thể tạo ra một sản phẩm đẹp đến như vậy. Em chỉ ước gì mình nghiêm túc hơn một tí, bớt linh tinh đi một tí để có thể dành cả đời theo dõi, nghiên cứu và viết một cuốn sách 3 xu về vẻ đẹp, ý nghĩa cũng như công dụng của pull-backs thôi.

----------

Em đã giải thích thế nào là pull-back ở phần trước. Kết hợp với cản, ta có thể nói nôm na thế này:

+ Giá vượt lên trên cản rồi, lại vòng lại tẹt một phát hoặc vài phát, đó là pull-back.
+ Giá đã xuyên xuống dưới cản, lại vòng lên sờ một phát hoặc vài phát, cũng là pull-back.

Em nghĩ không cần phải có đồ thị minh họa nữa vì tới giờ này, các bác đã thấy những mấy cái rồi.

Hãy tưởng tượng một trận thư hùng, quân xanh ào vào đẩy quân đỏ ra khỏi cứ điểm. Quân đỏ dạt ra bên ngoài, chỉnh trang lại đội hình rồi lại tiến vào đẩy lui quân xanh. Hai bên cứ thế giằng co và cuối cùng, một bên thắng cuộc, thừa thắng xông lên đuổi bên kia tới tận cứ điểm sau và trận đánh lại tiếp diễn.

----------

Tại sao lại có pull-back? Theo cá nhân em, có thể vì mấy lý do (chưa đầy đủ đâu nhé):

+ Mệt. Nghỉ dưỡng sức.
+ Chiếm quá dễ. Ngại cạm bẫy. Giả đò rút để dụ địch lộ bẫy. Chắc không có bẫy mới tiến tiếp.
+ Chiếm được rồi, giả đò bị thương nặng để dụ tàn quân ra tiêu diệt nốt. Thịt xong tụi này thì tiến tiếp.
+ Xèng ít nhưng vẫn muốn ủn. Thế là cứ vừa mua, vừa bán. 100 xèng lúc đầu thành 100 cổ, 100 cổ đó đảo ra thành 110 xèng, 110 xèng lại đảo thành 120 cổ, cứ thế cuốn chiếu đi lên và dừng lại ở điểm cuối cùng là .. xèng (là cổ thì linh tinh quá, nhể).

Các bác ngắm pull-back đã nhiều, có thể phân biệt được lúc nào là "mệt", lúc nào là "chả vờ", lúc nào là "xèng ít mà lại muốn ủn ỉn" không?

Nếu là chả vờ, các bác có nhìn ra cách mà họ chả vờ không?

Em chịu.
Các bác đừng hỏi em.
Em chứ có phải cái đầu gối của các bác đâu

Các bác cáu rồi hả? Thế thì mời các bác xem cái hình của SD7 cho bớt cáu nhé. Chú ý cách đi lên theo kiểu bậc thang của SD7 trong tháng 8, tháng 9/2009 và các cột KLGD được em khoanh tròn:

4 possible reasons của pull-back đã đủ để đem lại cho pull-back sự quyến rũ huyền bí, thách thức trí tò mò và ước vọng khám phá của hàng vạn chàng trai .. linh tinh. Nhưng, cái hay của pull-back đâu chỉ có từng ấy. Như củ sâm Cao Ly, pull-back đem lại những công dụng hết sức thiết thực mà chả cần ai phải rõ bên trong nó hàm chứa những gì.

Pull-back giúp ta kiềm chế lòng tham khi thị trường tăng.
Pull-back giúp ta tĩnh tâm, không panic khi thị trường giảm.

Đã vượt lên trên mà biết là sẽ quay lại để tẹt một phát thì việc quái gì phải mua ở trên. Không mua ở trên thì không bị mang tiếng là tham, là ngu, các bác nhở

Đã chui xuống dưới mà biết là sẽ vòng lên để thơm biệt ly một nhát thì việc quái gì phải cắt đánh nhoằng một cái cho nó đau hết cả .. xương chậu. Không cắt "đánh nhoằng một cái" thì vừa không đau xương chậu, vừa được tiếng là người bình tõm, không pa líc, các bác nhở

Đấy là em cứ nói linh tinh thế chứ từ thưở chơi chứng đến giờ, xương chậu em đau kinh niên, lại còn bị mang tiếng là ... là ... Thôi, chả nói nữa, ngượng lắm

----------

Pull-back, kết hợp với cản, có thể tạo ra 4 cách chơi (trong bối cảnh uptrend):

+ Mua khi giá vừa vượt cản (vừa vượt nhé)
+ Mua khi giá đang trong giai đoạn pull-back
+ Mua khi giá vừa hoàn thành xong pull-back
+ Mua khi giá đã hoàn thành xong pull-back và vừa vượt qua đỉnh cũ.

Các bác chọn cách chơi nào? Theo các bác thì cách chơi nào là an toàn nhất?

Em linh tinh.
Em chọn cách chơi thứ 5: mua ở đỉnh của các loại đỉnh.
Mình ở nước nhiệt đới, phải ngồi cao thế nó mới mát

Ôi, pull-back, ôi củ sâm Cao Ly huyền bí!
I lao iu

P.S quan trọng:

+ Giống như cản, pull-back không phải là thứ nhất thiết sẽ xảy ra. Vì vậy, khi không thấy pull-back, hãy chửi thị trường, đừng chửi em, tội nghiệp.

+ Đáng phải có pull-back mà lại không có pull-back, coi chừng. Coi chừng cái gì ư? Em chịu. Đấy là em cứ nói linh tinh thế. Bác nào biết thì bảo em

------------------------------------------------------------------------------

6.6- Cản và cổ phiếu chia tách

Chia tách đã trở thành chuyện thường ngày ở huyện trên TTCK Việt Nam. Bên cạnh các vấn đề "linh tinh" mà báo chí đã nêu, chia tách còn làm cho dân PTKT nghiệp dư khá lúng túng bởi nó đảo lộn hết các loại đồ thị, các loại chỉ số mà người ta đang theo dõi bấy lâu nay.

Một số website cung cấp đồ thị đã được điều chỉnh sau chia tách, nhiều web khác thì không. Ngay cả các website cung cấp đồ thị sau chia tách, cũng có mã được điều chỉnh, mã không. Thí dụ như web của bác bin_putin cho tới nay chưa điều chỉnh lại đồ thị của PVD và BVS.

Có 2 chuyện làm em ngại. Một là, nếu ta theo dõi một CP nào đó đã lâu, các mức giá, ngưỡng cản trước đây có thể đã hằn quá sâu vào trí nhớ khiến ta đôi lúc bị hiện tại đánh lừa. Thí dụ, ta có thể có cảm giác sai lầm là giá hiện tại đang "quá rẻ", hay giá đang tiến tới một ngưỡng cản "quan trọng" trong khi trên thực tế không phải vậy. Hai là, với những CP mà ta mới tiếp cận lần đầu, việc xem một đồ thị không điều chỉnh sau chia tách có thể làm ta "loạn chiêu", dẫn đến những nhận định chẳng giống ai.

Hay nhất là sử dụng các website có cung cấp đồ thị điều chỉnh. Đây chưa hẳn là phương án tối ưu bởi đồ thị điều chỉnh sẽ làm ta mất đi cái "feel" về giá của CP trong quá khứ. Tuy nhiên, riêng với việc tính toán các ngưỡng cản, dùng đồ thị đã điều chỉnh, theo em, tốt hơn là dùng đồ thị chưa điều chỉnh.

Nếu các bác không thể kiếm một đồ thị như vậy, chỉ còn cách quy giá hiện tại về giá cũ, tức là giá mà các bác đã quen. Nếu các bác chưa nghiên cứu CP này bao giờ, tốt nhất là xem lại lịch sử của nó để tự "quy đổi" nếu nó đã từng chia tách.

Kinh nghiệm của em là bỏ qua các mã vừa chia tách, đợi khoảng vài tháng cho đồ thị và các loại indicators ngắn hạn của nó trở lại bình thường rồi mới trade. Trên sàn thiếu gì cơ hội đâu.

Một việc nữa nên lưu ý là khối lượng giao dịch. Một CP từ chỗ "hiếm" sẽ trở thành "ê hề" sau vài lần chia tách. Việc tính toán khối lượng khi cổ đó vượt cản, pull-back hay phân phối, vì vậy, cần có sự điều chỉnh phù hợp. Cái này nói để lưu ý thôi, không đòi hỏi phải chính xác tuyệt đối.

6.7- Vẽ cản là việc làm đầy tính chủ quan

Nếu là vẽ các đường ngang, thật sự không có cách nào khắc phục được tính chủ quan trong nhận định của từng người. Có người thấy phải dịch lên 1-2 giá mới đúng, có người lại cho rằng phải dịch xuống 1-2 giá mới chuẩn.

Có 3 cách có thể giúp ta giảm bớt chuyện cãi nhau. Một là, hãy cố gắng kẻ đường cản ngang sao cho nó đi qua càng nhiều mức giá đóng cửa càng tốt bởi với nhiều chuyên gia PTKT, giá đóng cửa là giá quan trọng nhất trong ngày. Hai là, xem thêm đồ thị tuần. Nếu đồ thị ngày và đồ thị tuần cho cùng một kết quả (một đường ngang) thì có thể yên tâm sử dụng đường ngang đó. Cuối cùng (và cũng là đơn giản nhất), hãy coi ngưỡng cản là một khoảng giá thay vì một mức giá. Nó sẽ giúp ta đỡ cãi nhau

Cách nào thì cách, em nghĩ cần bảo đảm sự nhất quán trong phương pháp kẻ. Một chiếc xe có tay lái hơi lệch một chút mà đi quen thì vẫn hay hơn là mỗi ngày đi một kiểu xe khác nhau.

6.8- Linh tinh

Câu chuyện về cản tương đối dài nên em xin dành mục sau cùng này để tóm tắt lại, nhấn mạnh những điểm mà em cho là quan trọng nhất.

Thứ nhất, cản và pullback không phải là thứ chắc chắn sẽ xảy ra. Ta chỉ nên xem chúng là những "khả năng" có xác suất xảy ra cao. Tuyệt đối không được "tin chắc" vào chúng bởi thứ gì mà ta thấy được thì hàng nghìn, hàng vạn người khác cũng thấy được. Phải đề phòng chuyện "tương kế tựu kế", "chim sẻ - bọ ngựa - ve sầu".

Cách đề phòng tương đối đa dạng (chờ đầy đủ các dấu hiệu, đánh theo kiểu "gửi quân thăm dò", chờ xu thế của VNI, chơi 2 tài khoản để thực hành giải pháp "cut-loss" ..). Hãy chọn cho mình giải pháp đề phòng thích hợp nhất. Cái này không ai khuyên ai được.

Thứ hai, cản sinh ra là để bị phá, như cứ điểm sinh ra là để bị chiếm trong chiến tranh. Cách chiếm, thời gian chiếm, kế chiếm v..v, vì vậy, có thể cho ta thấy rất nhiều điều. Hãy theo dõi các ngưỡng cản và phát hiện những điều bất thường, thí dụ như đáng lẽ phải pullback mà lại không pullback, đáng lẽ phải có KLGD lớn mà lại không thấy KLGD lớn hoặc KLGD lớn xuất hiện trước khi vượt cản chứ không phải sau khi vượt cản v..v.

Thứ ba, cản và pullback là công cụ giúp ta bình tĩnh trước thị trường chứ không phải chất kích thích làm ta tham lam. Đừng tìm hiểu về cản để chủ động biến mình thành counter-trend trader, lao vào tại bắt tại "cản dưới" rồi bán tại "'cản trên". Có lúc trúng, nhiều lúc sẽ trật. Nên kiên nhẫn và nâng mức độ chú ý lên tối đa tại các ngưỡng cản. Cứ để cho 2 bên đánh nhau, bên nào thắng thì ta theo. Pullback thành công là một trong các indicator cho thấy bên nào thắng.

Nhìn chung, không nên mua một CP đang trong thời kỳ tích lũy. Nó đã tích lũy thì sẽ đến lúc nó phá cản. Em nghĩ chỉ nên theo dõi nó, đừng mua nó bởi có biết nó sẽ phá cản theo hướng nào đâu mà mua.

Thứ tư, cần xác định rõ ta đang trade trong time-frame nào? Nếu là phe phẩy trong phiên, cách nhìn cản phải khác đi một chút so với lướt sóng T+ hoặc buy and hold vài tuần.

Thứ năm, cản không chỉ là các đường kẻ ngang. Ngoài các đường kẻ ngang, còn một số đường khác có thể dùng để tính toán ngưỡng cản, chẳng hạn như đường trend-line, hai biên của dải Bollinger, các đường SMA 20-50-200, các ngưỡng Fibonacci. Thứ nào cũng có mặt mạnh và mặt yếu của nó. Biết cả thì tốt. Không biết cũng không sao. Kinh nghiệm của em cho thấy chỉ cần các đường kẻ ngang là đủ.

PTKT, theo em, càng đơn giản càng tốt. Đừng biến đồ thị của mình thành một bát bún riêu còn mình thì thành chú hề ăn bún riêu
7. Lạm bàn về ý nghĩa của khối lượng giao dịch

Nếu chịu khó lang thang trên các diễn đàn chứng khoán Việt Nam, các bác sẽ thấy hàng ngàn, hàng vạn bài viết ngắn có, dài có, nghiêm túc có, linh tinh có về sóng Elliott, về Fibonacci, về Nến, về Pattern, về Indicators, về Oscillators v..v và v..v.

Nói chung là về mọi thứ, trừ một thứ.
Đó là khối lượng giao dịch.

Rất ít bài viết bàn sâu về khối lượng giao dịch như là một chỉ báo độc lập.
Người ta chỉ nói về nguyên tắc chung, hay xa hơn một tí thì nói về KLGD như là một tín hiệu để support và confirm cho trend và khuôn mẫu giá.

Không ai đi sâu phân tích ý nghĩa tự thân của KLGD và nâng nó lên thành lý thuyết cả.

Bởi vì, những người biết thì sẽ không bao giờ nói.
Còn những người nói thì thường là không biết gì.
Giống em

----------------------------------------

KLGD chính là SD8.
Vâng, không phải SD7 (đực) hay SD9 (cái) mà là SD8 (Hi-Fi Stereo)

Do KLGD được tạo ra cùng lúc bởi 2 hành vi bán và mua nên về nguyên tắc, nếu chỉ nhìn vào cột KLGD trên đồ thị, ta không thể nói "bán nhiều hơn mua" hay "mua nhiều hơn bán".

Giá đang trong xu thế lên, KLGD tăng, người lạc quan sẽ tự nhủ rằng "Mua nhiều nhể" trong khi kẻ bi quan than thầm là "Bán nhiều quá".
Giá đang trong xu thế xuống, KLGD giảm, kẻ bi quan sẽ nói rằng "Chẳng có cầu" trong khi người lạc quan lại khấp khởi mừng thầm "Cung đang cạn kiệt".
Chẳng phải SD8 thì là gì

Khi em nói "những người biết sẽ không bao giờ nói" còn "những người nói thì thường là không biết gì", em không có ý coi thường ai cả.
Bởi vì, chỉ những người nằm trong chăn mới biết chăn có rận.

Để đưa một CP (thậm chí là cả VNI) đi lên, họ liên tục bán và mua. KLGD, vì vậy, cứ thế tăng.
Một hôm nào đó, họ giảm khối lượng giao dịch của chính họ để test cầu.
Nếu cầu vẫn ổn, quá trình đi lên sẽ tiếp diễn cho đến lượt test sau.
Nếu cầu không ổn, họ biết họ phải làm gì. Quá trình đi lên sẽ vẫn tiếp diễn nhưng chỉ họ biết là đỉnh đã gần kề.

Hay là, cổ phiếu liên tục tăng trần, cầu trần chất đống, các bác ngồi TGV vi vu ngắm cảnh, chẳng ai muốn bán. KLGD cứ thế giảm dần.
Rung một phát, KLGD tăng vọt. Các bác giống em, ta đua nhau phắn bởi rõ là "phân phối đỉnh".
Nào ngờ chúng nó đểu, chúng nó rũ bỏ mình. Mình vừa lao ra thì tàu phi tiếp. KLGD lại giảm dần.
Họ sẽ hé cửa cho mình chen vào. Chắc chắn rồi.
Lần này thì mình được đi tàu thật. Tàu suốt

KLGD là trong tay họ.
Tiết giảm giao dịch để đo cầu thì chỉ có họ mới biết họ đã tiết giảm bao nhiêu và lượng cầu không phải của họ là bao nhiêu.
Rung cây để dọa khỉ thì chỉ có họ mới biết bao nhiêu khỉ là của nhà họ và bao nhiêu khỉ là của nhà bên cạnh.

Các bác có nghĩ là họ sẽ gọi các bác ra để thủ thỉ vào tai các bác những thông tin đó không?

Thế mà chưa chi đã tự ái khi nghe em nói "những người biết sẽ không bao giờ nói" còn "những người nói thì thường là không biết gì"

Mai em nói tiếp nhé.
Không biết gì, nói thoải mái

-------------------------------------------

7.1- Nước nổi thuyền nổi

Này các bác,
Cái bọn "nằm trong chăn mới biết chăn có rận" ý, chẳng nhẽ ta lại chịu thua chúng?

Các bác có khuyên thế nào thì khuyên, em dứt khoát không chịu.
Đến oai như màn hình phẳng nhà em, suốt ngày bắt em nằm ngoài chăn mà em còn chả chịu nữa là
Em là em cứ phải chui vào.
Có tí toáy bắt được con rận nào hay không thì chưa biết, cứ phải chui vào cái đã

Có một người (nổi tiếng lắm vì chuyên bị kẻ trộm hỏi thăm) đã từng phán: "Kẻ trộm, dù khôn đến mấy, bao giờ cũng để lại dấu vết".
Gần đây, em hỏi bác ý là đã hệ thống hóa xong các dấu vết ấy chưa. Nếu xong rồi thì cho em nghía tí.
Bác ấy bảo bác ấy đã chuyển ngành.
Bây giờ bác ấy là .. kẻ trộm.
May mà lúc gặp bác ý, trong túi em không có xu nào

Cái bọn chui trong chăn cũng thế. Kiểu gì cũng để lại dấu vết.

Dấu vết mà hòa đồng với môi trường xung quanh thì ta có nhìn thấy được không? Không.
Vậy ta sẽ nhìn thấy dấu vết khi nào? Khi nó không hòa được với môi trường, khi mặt cỏ màu xanh mà vết bùn lại là màu xám, khi tường nhà ta màu trắng mà dấu tay của chúng lại là màu đen.

Ta đi tìm dấu vết ở chỗ có sự khác thường so với lẽ thông thường.
Muốn làm được việc ấy, trước hết, ta phải hiểu cái lẽ thông thường.
Vậy cái lẽ thông thường của KLGD (hay nói đúng hơn là của mối quan hệ giữa KLGD và giá) là gì?
Là nước nổi thì bèo phải nổi và nước chìm thì bèo cũng phải chìm.

Giá đang trong xu thế tăng thì KLGD cũng phải tăng. Đó là lẽ thông thường.
Bởi vì, giá càng tăng thì càng nhiều cậu, nhiều mợ muốn ấn nút bán. Để giá tăng được tiếp, cầu phải đủ lớn để nuốt dần và nuốt hết các cậu, các mợ ý.

Giá trong xu thế tăng, nếu tăng nhanh quá, có thể làm cho cầu e ngại và vì vậy, tạo nên các cú "điều chỉnh". Để cho giá tăng được tiếp, lượng giao dịch trong thời gian điều chỉnh phải giảm xuống. Nếu tăng thì cầu đã sợ lại càng thêm sợ, trend đứt mất còn đâu.

Tóm lại, khi thị trường đang ở trong giai đoạn bullish thì KLGD phải tăng lên khi giá tăng và giảm đi khi giá điều chỉnh. Đó là lẽ thông thường.

Đêm qua, khi thấy em ngâm nga chân lý ấy, màn hình phẳng nhà em nổi hứng bảo: "Suy ra, khi thị trường đang ở trong giai đoạn bearish, KLGD phải có xu hướng tăng khi giá giảm và yếu đi khi giá nỗ lực vòng lại các đỉnh cao trước đây".

Sao mà đời em khổ thế.
Vớ phải cái món đã hay nói leo thì chớ, lại còn nói linh tinh

Các bác cho em nghỉ tí, không em đến chết vì bực mất.
Trong lúc em nghỉ, mời các bác xem tạm cái đồ thị tuần của PVA.
Đừng hỏi gì vội, cứ ngắm đã nhé.

5/2/2010
Trước khi tiếp tục, em xin khuyến nghị các bác một việc quan trọng:

TUYỆT ĐỐI KHÔNG TÌM CÁCH ÁP DỤNG KIỂU PHÂN TÍCH TRÊN ĐÂY VÀO THỊ TRƯỜNG HIỆN NAY

Chúng ta mới đang ở đầu phần 7.
Đến cuối phần 7 em sẽ giải thích lý do.

------------------------------------------------------------------------

Trước khi đi tiếp, em xin nhấn mạnh lại 2 ý quan trọng bởi cái mà chúng ta cần, mọi lúc mọi nơi, là một sợi chỉ đỏ xuyên suốt toàn bộ quá trình tư duy.

Đứng trước một sự vật cực kỳ phức tạp như thị trường chứng khoán, nếu không tự hình thành cho mình một sợi chỉ đỏ dẫn đường, ta sẽ rất dễ lạc đường, thậm chí là đi vào mê lộ.

Trong quá trình build-up sợi chỉ đỏ, một biểu hiện nữa mà ta cần tránh là "hái hoa vệ đường".
Mục tiêu của ta là cùng sợi chỉ đỏ đi hết con đường chứ không phải sà xuống ngắt hoa bên đường.

Cái đồ thị PVA mà em đưa ra, thực chất, chỉ là một bát bún riêu. Đừng chú ý vào nó mà hãy suy nghĩ thật kỹ về 2 điều tối quan trọng, tính tới thời điểm này:

+ Như giá, KLGD không diễn biến một cách ngẫu nhiên. Thậm chí, nó có thể bị điều khiển.
+ Ta chỉ có thể nhận ra dấu vết của sự điều khiển khi KLGD diễn biến khác với lẽ thông thường.

Em đã nói về lẽ thông thường khi thị trường đang ở trong giai đoạn bullish.
Màn hình phẳng nhà em, với khả năng suy diễn đại tài (về mọi chuyện), đã thở ra ngay cái lẽ thông thường của thị trường bearish

Vì một số lý do, em không nhất trí với phương pháp suy diễn và kết quả suy diễn của màn hình phẳng nhà em nhưng do câu chuyện quá dài, lại không mấy liên quan đến thị trường bullshit, ý quên, bullish hiện nay nên em tạm gác nó sang một bên. Chỉ xin đưa ra đồ thị tuần 3 năm qua của VNI để chứng minh rằng: màn hình phẳng nhà em nói sai!

Các bác nghe để biết vậy thôi, đừng mách màn hình phẳng nhà em nhé
Để hối lộ các bác, em xin xì ra thêm một lý do nữa này: ta làm gì có kiểu chơi cài đặt stop-loss khắp nơi như Tây để khi giá xuống, mọi automated systems sẽ tự động "bấm nút"

Lần sau không nói xấu màn hình phẳng nữa.
Tốn quà hối lộ lắm

------------------------------------------------------------------

7.2- Đi tìm sự khác thường ở chỗ nào và bằng cách nào?

Trong cuộc sống hàng ngày, các bác luôn thấy mình hoàn toàn bình thường, đúng không?

Ăn bình thường, ngủ bình thường, đi bình thường, làm việc bình thường.
Ba chuyện linh tinh cũng .. bình thường

Vậy nên, khi các bác đi khám sức khỏe, mấy ông bà bác sỹ thường bảo các bác làm những việc không bình thường để phát hiện ra sự bất thường trong sức khỏe của các bác, nếu có. Thí dụ, họ bắt các bác chạy thật nhanh, sau đó đo điện tim hoặc bắt các bác nhịn đói, sau đó xét nghiệm máu và nước tiểu v..v và v..v.

----------

Ta đã đồng ý với nhau rằng: thị trường, bao gồm cả giá và khối lượng, có thể bị điều khiển bởi những thế lực rất lớn (mọi thị trường trên thế giới đều thế, không chỉ riêng Việt Nam đâu).

Ta cần phải đồng ý với nhau tiếp rằng:

+ Vì họ là những thế lực lớn nên lượng mua và lượng bán cũng phải lớn. Otherwise, họ chỉ là .. loong toong, tức là còn kém cả Linh Tinh nhà em.

+ Vì họ là thế lực lớn và là dân chuyên nghiệp nên họ phải make money. Họ sẽ cố gắng mua làm sao cho rẻ nhất và bán làm sao cho đắt nhất (tính cho một chu kỳ kinh doanh chứ không phải tính cho 1-2 ngày, thậm chí 1-2 tuần).

+ Họ sẽ không thể mua rẻ - bán đắt nếu như không có chúng ta, đối tượng để họ manipulate. Để lừa được ta mua đắt và bán rẻ, họ phải hiểu tâm lý của ta. Chỉ khi hiểu tâm lý của ta, họ mới biết phải "nhử" như thế nào (để ta nhào vào mua) và "rung" kiểu gì (để ta lao ra bán).

Chắc không bác nào phản đối 3 cái assumptions trên đây

----------

Từ mệnh đề thứ hai, em suy ra rằng, họ sẽ hoạt động tích cực nhất tại vùng gần đáy và gần đỉnh. Ngoài ra, trên đường đi từ đáy lên đỉnh hoặc từ đỉnh xuống đáy, họ sẽ gặp các loại cản. Nếu không ra tay xử lý, họ sẽ không thể đi tiếp để thu lợi cao nhất.

Tức là, hệt như khi ta đi khám sức khỏe, ta phải theo dõi họ ở những chỗ mà họ chắc chắn sẽ hoạt động khác với nhịp thường ngày.

Tóm lại: nên đi tìm sự khác thường trong hoạt động của họ tại những vùng mà ta cho là gần đáy, gần đỉnh, gặp cản hoặc có thể break ra khỏi môi trường tích lũy.

Từ mệnh đề thứ nhất, em suy ra rằng lượng mua và bán của họ sẽ cùng lúc tạo ra KLGD lớn và quan trọng hơn cả: sự dao động giá. Vì vậy, để tìm mối quan hệ giữa giá và khối lượng, ta phải xem đồ thị bar hoặc đồ thị nến. Đồ thị line chẳng giúp ích được gì.

Bây giờ thì các bác đã tin em chưa khi em nói rằng: các bác sẽ chuyển sang sử dụng đồ thị nến hoặc đồ thị bar thay cho đồ thị line

Từ mệnh đề thứ ba, em suy ra rằng, để phân tích hành động của họ, em phải hiểu tâm lý của chính em, con gà gô của thị trường chứng khoán và con gà sống thiến của gia đình. Em phải hiểu diễn biến giá như thế nào sẽ làm em tham nhất và diễn biến giá như thế nào sẽ làm em sợ nhất. Trên cơ sở đó, em mường tượng các techniques của họ. Nếu đồ thị mà em xem cho thấy diễn biến khớp với techniques mà em mường tượng thì ..

Em lảm nhảm dài như thế, các bác chắc chán lắm rồi hả

Thế để em tóm tắt lại thành 1-2 điểm chính cho dễ nhớ nhé:

+ Chú trọng tìm sự khác thường tại những vùng mà ta cho là gần đáy, gần đỉnh, gặp cản hoặc có thể break ra khỏi môi trường tích lũy.

+ Không thể phân tích KLGD một cách độc lập mà phải đưa nó vào trong mối quan hệ với dao động giá, tức là phải xem đồ thị bar hoặc đồ thị nến.

+ Techniques mà MMs và BBs sử dụng được xây dựng dựa trên sự hiểu biết về tâm lý của bầy gà. Ta chính là gà và vì vậy, ta phải hiểu chính ta trước khi muốn hiểu MMs và BBs.

Bây giờ, em mời các bác quay lại cái đồ thị tuần của PVA. Các bác sẽ thấy 3 ý này được thể hiện trong các chú giải như thế nào.

Để kết thúc phần 7.2, em xin hỏi các bác một câu thôi: vì sao em không sử dụng chart ngày mà lại sử dụng 2 cái chart tuần ở phần này

Sở dĩ em hỏi vì em thấy em linh tinh mãi rồi mà chả thấy bác nào nói gì cả.
Các bác nói gì đi chứ.
Nếu không thích nói linh tinh thì nói .. lung tung cũng được

---------------------------------------------------------------------------------

7.3- Một vài ví dụ về mối quan hệ giữa KLGD và dao động giá

Tại phần 7.2, ta đã thống nhất với nhau rằng: nên để ý tìm sự khác thường tại những vùng mà ta cho là gần đáy, gần đỉnh, gặp cản hoặc có thể break ra khỏi môi trường tích lũy. Ta cũng đồng ý với nhau rằng: không thể phân tích KLGD một cách độc lập mà phải đưa nó vào trong mối quan hệ với dao động giá.

Vậy thế nào là khác thường?

Đó là, đang trong xu thế tăng, giá tăng rất mạnh mà KLGD không tăng theo, hoặc KLGD tăng rất mạnh, giá cố vươn lên độ cao mới nhưng kết cục lại lình xình, hoặc giá cố vươn lên độ cao mới nhưng dao động rất nhỏ, KLGD yếu.

Trường hợp thứ nhất được gọi là các cú đánh thốc (up-thrust).
Trường hợp thứ hai là phân phối đỉnh (có thể kéo dài 2-3 ngày nếu cần phân phối số lượng lớn).
Trường hợp thứ ba, các bác biết rồi, được gọi là "cò không tiến" (no-demand)

Gặp cản, phá cản mà KLGD không có gì đột biến.
Đang trong xu thế xuống, KLGD đang giảm dần bỗng dưng tăng nhè nhẹ.
Tất cả đều là sự khác thường.

Tại phần 7.2, ta cũng đã đưa ra giả thiết về việc techniques mà MMs và BBs sử dụng được xây dựng dựa trên sự hiểu biết về tâm lý của bầy gà.

Gà thì nhiều tâm lý lắm nhưng nổi nhất là tâm lý .. sợ lỗ (giống em )
Vì sợ lỗ nên khi giá giảm, gà thường là không bán ra bởi bán ra là lỗ thật, nắm giữ thì còn hy vọng là giá sẽ lên trở lại, ít nhất là hòa vốn.
Thế nhưng, tệ một nỗi, đến khi giá đã giảm rất sâu thì chỉ cần thêm một cú sụt mạnh là gà thôi hát bài ca hy vọng. Nhắm mắt nhắm mũi .. cắt.

Do gà chỉ mong hòa vốn nên khi giá vòng lên đi qua chỗ gà ngồi, nếu để giá lình xình bay lượn trước mặt gà, thể nào gà cũng bán. Muốn gà không bán, phải đi qua thật nhanh, tạo cho gà cảm giác "còn lên nữa". Cho nên, khi gặp cản, ta thường thấy các cú đánh thốc (up-thrust).

Do gà rất sợ các cú sụt mạnh sau khi giá đã giảm khá sâu nên sau khi tạo xong đáy 1, giá thường vòng lên một tí rồi sụt xuống đáy 2 thấp hơn đáy 1. Nếu đáy 1 gà chưa nhả thì đáy 2 tới 90% là nhả.

Đáy 2 ấy, người ta gọi là panic low, được sinh ra để rũ gà

Nhưng thôi, lảm nhảm mãi em thấy cũng chán. Ta chuyển qua ngắm cái đồ thị nhé.

-----------

Em tìm mãi mới được một cái đồ thị có đầy đủ cả đánh thốc tại đỉnh, đánh thốc tại cản, phân phối đỉnh, no-demand, panic low v..v.
Để bảo đảm tính khách quan, không gây ảnh hưởng đến công việc kinh doanh của các bác, em xóa hết các dữ liệu liên quan, chỉ để lại dao động giá và khối lượng.

Khi xem đồ thị này, em mong các bác:

+ Để ý so sánh KLGD của một ngày với KLGD của những ngày trước đó và sau đó.
+ Đặt KLGD trong mối quan hệ với dao động giá, cụ thể là hôm đó giá lên hay xuống, trong ngày dao động thế nào, nhiều hay ít, đóng cửa ra sao.

Em sẽ thử bình luận từng ngày một. Để dễ theo dõi, em đánh số thứ tự các ngày từ 1 đến 95.

Em xin nhấn mạnh:

+ Bình luận này chỉ để làm rõ phương pháp VSA (Volume Spread Analysis) mà em đã nói ở phần 7.2.
+ Bình luận việc gì sau khi nó đã xảy ra thì chả có gì là thách thức cả. Các cụ gọi là "nói vuốt đuôi". Cho nên, nếu có đúng, cũng chẳng có gì đáng khen.
+ Bình luận này mang nặng tính chủ quan, dựa trên các assumptions của phương pháp VSA. Nó không phải là bình luận duy nhất. Nhìn từ một góc khác, hoặc sử dụng một phương pháp khác, có thể có bình luận khác.

Ta bắt đầu nhé.

Phần trước của đồ thị này là một rally khá dài

Nến số 01: Dấu hiệu xấu đầu tiên. Mở cửa cao hơn đỉnh của ngày hôm trước, sau đó nỗ lực vươn lên thử độ cao mới nhưng ngay lập tức bị đè xuống bởi lượng bán rất lớn. Cuối cùng đóng cửa ở mức thấp nhất trong ngày, tạo nến đỏ.

04: Dấu hiệu xấu thứ hai. Mở cửa cao hơn đóng cửa ngày hôm trước, vươn lên thử lại độ cao của ngày số 1, lại bị đè xuống. Đóng cửa ở mức thấp nhất trong ngày, thậm chí thấp hơn cả ngày hôm trước và ngày số 1. KLGD khá lớn.

05: Đặc biệt xấu. Lần thứ 3 vươn lên nhưng lượng bán quá mạnh nên cuối ngày đành phải đóng cửa ở mức thấp.

Bình luận: Cao độ của các ngày 1-4-5 đã tạo thành "vùng bán" (selling zone, cản trên). Mọi nỗ lực đi tiếp đều phải tìm cách vượt qua selling zone này. Với một selling zone dày đặc như vậy, chỉ có thể vượt qua và tiếp tục rally nếu có sự chuẩn bị đầy đủ, kỹ càng

07: Test bằng cách cho sụt nhanh qua cản xem động tĩnh thế nào. Kết quả: KLGD ở mức vừa phải, thậm chí là thấp so với mấy ngày trước đó. Đám đông vẫn bán tín bán nghi, chưa chịu bán.

08: Cho sụt tiếp cú nữa. Lần này có kết quả. Lượng bán bung ra nhiều. Smart money vào cuộc bởi KLGD tăng, đóng cửa tuy vẫn thấp hơn mở cửa nhưng tăng khá so với mức thấp nhất trong ngày. Một cú absorb điển hình. Cần test tiếp để confirm.

09: Mở cửa thấp hơn đóng cửa ngày hôm trước để tạo tâm lý yếu. Trong phiên cho sụt tiếp (sâu hơn cả mức thấp nhất của ngày hôm trước) để test cung. Thành công bởi KLGD giảm, có thể cho lên.

10: Test lần cuối cùng. Mở nhích nhẹ, trong phiên yếu dần, đóng cửa thấp hơn mở cửa nhưng không thấy cung.

Bình luận: Với một selling zone còn treo lơ lửng ngay phía trên, cú test này hơi đơn giản. Lượng cung absorb được vào ngày thứ 8 là không đáng kể. Trong bối cảnh đó, có 2 lựa chọn. Một là để thị trường nguội dần, chờ thời cơ mới. Hai là tạo cú thúc (thrust) để nhanh chóng băng qua selling zone.

11-14: Người ta chọn phương án 2, liên tục tạo gap để nhanh chóng vượt qua selling zone! KLGD tuy tăng nhưng rõ ràng là không mạnh. Cú thrust đã thành công nhưng hiểm nguy luôn chực chờ bởi phía sau (selling zone) là cả một đạo quân súng ống sẵn sàng, có thể nã đạn vào lưng "quân ta" bất cứ lúc nào.

15. Dấu hiệu xấu. Nỗ lực vươn lên tạo đỉnh mới thất bại bởi lượng bán quá lớn (xem KLGD). Đóng cửa ở mức thấp nhất trong ngày.

16. Một cú đánh thốc để tạo tâm lý "tích cực". Rất tiếc là giá tăng rất mạnh nhưng KLGD không tăng, thậm chí giảm nhẹ. Dấu hiệu xấu thứ hai.

17: Tiếp tục xấu. Vươn lên tạo new high nhưng lại không thể đóng cửa ở nửa trên của nến. Suy ra, lượng bán cực kỳ lớn.

18: Cực xấu. KLGD tăng rất mạnh nhưng đóng cửa thấp hơn nến 17. Suy ra, bán là chính.

20-21: Xác nhận tình hình xấu. Điểm tăng nhưng KLGD không tăng. Đặc biệt, dao động giá khá nhỏ bởi cứ tăng là bị bán. 2 nến này là điển hình của tình trạng không có cầu (no-demand).

23: Tạo đỉnh. Mở giá tăng mời gọi, sau đó tạo new high, KLGD kỷ lục, dao động giá cực lớn, đóng cửa ở mức thấp nhất trong ngày.

Bình luận: Sau nhiều dấu hiệu xấu, cần cẩn thận với các cú đánh thốc với KLGD thấp như nến số 16, nhất là khi sau nến đó xuất hiện tình trạng no-demand (giá không tăng được, KLGD lình xình)

25-27: 2 cú sụt nhanh để khóa đường xuống Hoa Quả Sơn (lock in). KLGD tăng, đóng cửa cao hơn mức thấp nhất trong phiên cho thấy khả năng dân phe hoạt động mạnh. Các cú hồi với KLGD thấp ở nến 26-28 cho thấy rõ tình trạng no-demand.

29-30. Sụt rất nhanh qua cản. KLGD không tăng. Nhân dân anh hùng cương quyết tử thủ.

31-32: KLGD lèo tèo. No-demand! Y như rằng nến 33 đỏ.

35-40: KLGD lèo tèo dù nến 36 tăng rất mạnh. Tiếp tục no-demand!

42: Cố gắng vươn lên nhưng thất bại. Đóng cửa thấp hơn mức cao nhất trong ngày, KLGD tăng. Suy ra, bán là chính.

44-45: Sụt rất mạnh nhưng KLGD giảm. Ai cũng đợi chạm cản bật lên.

46: Chờ đợi vô vọng. Giá xuyên cản, dao động giá rất lớn, KLGD cũng rất lớn, có người quyết bán.

47: Sụt rất mạnh, KLGD giảm. Liệu có ai dám mua sau khi nhìn thấy nỗ lực khởi nghĩa bị đập tan ở nến 46?

48: Một nến rất thú vị. KLGD tăng vọt, đóng cửa tốt nhưng dao động giá quá lớn, đóng cửa lại thấp hơn nhiều so với đỉnh nên nhiều khả năng đây là khối lượng giả, được tạo ra bởi dân phe.

49: Xác nhận khối lượng giả của nến 48. Nến xanh nhưng KLGD giảm. Lại no-demand. Ngay sau đó (nến 50) là đỉnh.

51-55: KLGD giảm dần. Thị trường nguội dần. Đặc biệt chú ý nến 54, điển hình của no-demand.

56-57-58: Tạo đáy 1, KLGD tăng, bắt đầu bán. Do KL khá hơn các nến từ 52 đến 55 nên có lý do để nghi ngờ rằng smart money đã vào. Đặc biệt chú ý hai nến 57-58 có KL nhỏ hơn nến 56, lực bán giảm dần.

59-60: vòng lên test cung. Không thấy.

61-62: Cú test quyết định, sụt rất mạnh tạo panic low. KL không bằng 56-57-58 cho thấy lực bán đã cạn. Cuối ngày 62 nến xanh. Strong signal!

70-71:Hai nến quyết định, đặc biệt là nến 71. Tuy nhiên, nến 70 là nguy cơ tiềm ẩn.

72: Xấu. Tưởng nến 70 đã bắt hết. Nào ngờ vẫn còn và còn khá nhiều. Tình hình không thuận.

73: Lặp lại cú đánh thốc của nến 16 sau khi nhận thấy tình hình không thuận. Chú ý KLGD giảm mạnh, hệt như nến 16.

74-77: Lặp lại các nến 17-23. Để ý các mức cao nhất trong ngày và mức đóng cửa (nêu cao để đập)

87-95: No-demand! Khó đi xa nhưng cũng đã nguội kha khá. Liệu thời điểm đã chín muồi cho một cú test ra trò? Hay là đánh thốc lên?

Em chịu.
Bác nào biết bảo em với nhé

Em chúc các bác ngủ ngon và không mơ .. linh tinh

--------------------------------------------------------------------------

7.4- Lời cuối về khối lượng

Các bác ạ, các bác có nhận thấy điều gì không, có nhận thấy điểm mâu thuẫn nào không?

He he .. em đang rủ các bác uống thuốc độc mà các bác không biết

Từ đầu tới giờ, sợi chỉ đỏ xuyên suốt của em là "đi tìm trend" trong các khung thời gian.

Nói về cản trên, cản dưới và pull-back là để giúp chúng ta suy nghĩ về điểm khởi đầu POSSIBLE, điểm kết thúc POSSIBLE cũng như độ dài POSSIBLE của any trend.

Nói về khối lượng cũng nhằm mục đích ấy.

----------

Như em đã nói, để phân tích bất kỳ sự việc nào, bao giờ cũng có nhiều trường phái. VSA chỉ là một trong nhiều trường phái phân tích khối lượng. Đừng để VSA, cùng với ví dụ của em, làm các bác quên đi mục tiêu chính của mình là "xây dựng một phương pháp phân tích khối lượng phục vụ cho việc tìm trend".

Em mong các bác, sau khi xem 2 đồ thị mà em post lên (đồ thị tuần của PVA và đồ thị vô danh sáng nay), hãy cố gắng quên hết và quên thật nhanh các bình luận linh tinh. Thay vào đó, hãy tập trung nắm cho được cái hồn của phương pháp VSA, cô đặc nó lại thành hệ nguyên tắc kết nối với nhau bằng logic và sử dụng hệ nguyên tắc đó để tự phân tích, tự dự đoán, tự kiểm nghiệm rồi tự hoàn thiện.

Lúc nào được như Trương Vô Kỵ ngửa mặt lên trời cười hà hà bảo Thái sư phụ: "Con quên hết rồi" là lúc đó thành công.

Nếu các bác sa đà vào những bình luận linh tinh của em mà quên đi sợi chỉ đỏ, đó là em thất bại.

----------

Điểm yếu nhất của phương pháp VSA chính là assumption cơ bản của nó: thị trường có thể bị MMs và BBs điều khiển. Nó thực hành phân tích khối lượng dựa trên giả định rằng thị trường là một cá thể có tư duy và ta đang cố gắng để hiểu tư duy của nhân vật ấy.

Đã có vô vàn bài viết phê bình giả định này. Đọc bài nào cũng thấy .. có lý không chịu được

Thực ra, khi thị trường đã đủ lớn, không một thế lực nào có thể control được thị trường, muốn lên là lên, muốn xuống là xuống. MMs và BBs thời nay hiểu rõ điều đó nên họ uốn theo thị trường chứ không tìm cách control thị trường.

Vậy nên, khi thực hành phương pháp VSA, các bác phải hiểu điểm yếu của nó để tìm cách khắc phục. Đừng cho nó là "đúng quá" hay "duy nhất đúng" mà lên Hoa Quả Sơn có ngày.

----------

Ngoài điểm yếu về phương pháp luận, VSA còn một số điểm yếu sau đây:

+ Khả năng áp dụng tại TT Việt Nam bị hạn chế bởi yếu tố biên độ giao dịch. Thí dụ, một CP tại NYSE có thể có một cú up-thrust 9.3% nhưng ở HOSE, ta sẽ không bao giờ nhìn thấy một cú up-thrust như thế. Cái hồn của VSA là khối lượng + dao động giá. Dao động giá bị khống chế thì thật là .. hết cả hồn

+ Việt Nam không có thói quen và cũng không có công cụ để cài stop-loss nên thường là không có các dao động giá được sinh ra để bắt stop-loss. Khi áp kỹ năng VSA vào Việt Nam, vì vậy, phải có sự điều chỉnh phù hợp. Nếu không, sẽ không thể hiểu vì sao tại điểm X lẽ ra phải có một nến đỏ dài (hoặc một nến xanh dài) + KLGD lớn mà lại không có.

Cuối cùng, như các bác đã thấy, áp VSA vào đồ thị là áp phân tích CHỦ QUAN cho một việc ĐÃ XẢY RA RỒI. Mọi giai đoạn UP và DOWN đều đã được thể hiện trên đồ thị. Vì vậy, một nến ngắn ngủn + KLGD yếu trước giai đoạn DOWN sẽ được hiểu ngay là no-demand. Giả sử như nến đó xảy ra ngày hôm nay, các bác có dám chắc đó là no-demand?

Vì vậy, hãy nắm bắt cho được nguyên lý vận hành của VSA, hiểu nó từ cả 2 chiều để rồi tự hoàn thiện thành một phương pháp phù hợp với TT Việt Nam. Đừng sa đà vào các bình luận cụ thể của em, các bác nhé.

----------

Các bác phân tích được KLGD thì MMs và BBs cũng phân tích được.

Thông tin họ nhiều hơn các bác (em nói rồi). Kỹ thuật họ thạo hơn các bác. Thông tin kết hợp với kỹ thuật tạo ra vô vàn kiểu đánh khác nhau.

Điện Biên Phủ có thể là trận đánh lừng danh nhưng đánh Sài Gòn mà lại bê nguyên xi kiểu đánh của Điện Biên Phủ thì thất bại là điều chắc chắn.

Đã gọi là đánh thì chả trận nào giống trận nào. Vì vậy, càng sa đà chiêu thức, càng dễ bị lừa.

Tóm lại, nếu các bác không chú ý phương pháp mà lại sa đà vào các bình luận linh tinh của em, đó là em hại các bác.

Mà em thì quý các bác lắm.
Chả muốn hại các bác tẹo nào.
Hại các bác chết, em đến teo tóp vì buồn với màn hình phẳng nhà em mất thôi

Phù, rốt cuộc rồi cũng linh tinh xong phần khối lượng, thách thức to lớn nhất của PTKT.
Giờ ta chuyển sang phần nào nhỉ?

Em nhớ rồi, phần chán nhất và vớ vẩn nhất của PTKT: Indicators and Oscillators
Nhưng không nói gì về nó thì lại không được coi là chiên da.
Mà em thì háo danh, thích được gọi là chiên da lắm

------------------
Với các bác thích đọc thêm về VSA, em xin giới thiệu 2 cuốn sách của Tom Williams (đọc cuốn nào cũng được vì nội dung cũng same same nhau thôi):

1. The Undeclared Secrets That Drive the Stock Market
2. Master the Markets

Cả 2 cuốn đều có dưới dạng PDF, có thể download free trên mạng.

www.4shared.com/file/52414141/b5bffe6c/The_Undeclared_Secrets_That_Drive_Stock_Market.html?start=
www.4shared.com/file/36817133/43a74b86/T_Williams_-_Master_the_Market.html?err=no-sess

Nếu các bác không download được, bảo em để em chuyển các bản của em cho bác Involio post lên đây.

------------------------------------------------------

Tiếng.Tơ.Đồng
em xin lanh chanh 1 tí, muốn đánh lên, thốc lên, tạo 1 xu hướng uptrend thì luôn có những phiên test cung n đo lường luợng tiền (đo cầu) rồi lúc bấy mới tạo mồi. Hiện tại mới chỉ ra no-demand, chưa có hiện tượng test cung n đo mồi cầu, nên e nghĩ chưa đến lúc đánh thốc. TT hiện tại dường như đang vận hành 1 cách tự nhiên. K biết có đúng k ta? bác LT còn chịu thì vịt giời như em làm sao biết dc.
Thị trường lúc nào cũng rất .. tự nhiên bác ạ
Bởi lẽ, nếu có can thiệp thì bản thân cái sự can thiệp ấy cũng là sản phẩm của .. tự nhiên

Theo kinh nghiệm của cá nhân em thì một uptrend dài không bao giờ khởi đầu bằng một cú đánh thốc.
Cú đánh ấy chỉ xảy ra hoặc là khi vượt cản, hoặc là gần các loại đỉnh.

Riêng màn hình phẳng nhà em thì hơi khác.
Trèo lên xe, chưa kịp đóng cửa, đã dí chân ga sát sàn rồi
Được cái chưa gây tai nạn bao giờ vì lúc nào cũng quên nhả phanh tay

-------------------------------------------------------------------

Babylon
Sexy
Linh Tinh
VNI hôm nay hay không các bác ?

Cái "quả" của ngày hôm nay bắt nguồn từ cái "nhân" đã có từ ngày 25/1 và 1/2

Cái này là bác Tép nói.
Không phải bác Tôm

Các bác theo dõi cái cách họ test nhé. Nhất là ở PVD ý

cứ như thần giao cách cảm nhỉ
hôm nay lại test xem tình sâu đậm đến đâu .

Cóa phải cái nhân vượt ngưỡng mà Vol ko đủ, rùi hôm sau lại giảm so vs hôm trước ko bác
Không liên quan đến ngưỡng bác ạ
Hai ngày đó giá tăng nhưng KLGD thì .. hết hồn
Điển hình của no-demand.

Các bác hình như đã phát hiện ra cái mã vô danh mà em post lên làm ví dụ.
Thế thì thôi, em không dám nói tiếp về mã đó nữa, sợ lắm

Em đùa đấy. Em không nói tiếp bởi một ngày tăng nhẹ với KLGD nhỏ có thể là no-demand trong hoàn cảnh này nhưng lại là strong signal trong hoàn cảnh khác. Em sợ nói nhiều quá (trong những ngày này) sẽ tạo thành lối mòn trong tư duy, để rồi cứ thấy xanh nhẹ + KLGD nhỏ là cho rằng "no-demand".

PTKT không công thức như thế được đâu các bác ạ, nhất là khi các bác đưa biến tâm lý vào.

Vì lý do này mà mặc dù hết sức tôn trọng các Indicators của PTKT (bao gồm cả các Oscillators) nhưng em không mê chúng lắm.

Do những bộ óc vĩ đại phát minh ra, các Indicators của PTKT chắc chắn là có chỗ dùng. Nhưng, dùng lúc nào và dùng thế nào thì lại phải rất để ý đến mặt hạn chế của chúng: đó là tính "công thức".

Các bác thấy em khéo léo quảng cáo PR cho phần tiếp theo hay không
Hơi linh tinh tí, nhưng mà cũng được, nhở

Không dẻo mỏ như thế, sống thế tó nào được với 2D

-------------------------------------------------------

tin
.. Tại sao những lần trước vượt cản thì BBs thường dùng cú đánh up thrust , mà lần này lại ko?
Có thể vì khi bắt đầu 1 đợt tăng lớn thì thường TT không vượt cản bằng cách này, mà chọn cách lui lại 1 bước chuẩn bị . Móng có chắc thì nhà mới cao .
Vậy là giả thiết sẽ có một đợt tăng giá bền vững, nhưng là bao giờ?
Chết đơ có thể bắt đầu từ low panic và kết thúc khi vượt cản đầu tiên và có cú pullback hoàn chỉnh. Sau đó thì
Đừng lo trễ tàu, vì tàu đi rất từ từ .
Không đúng thì kiếm bác linh tinh hỏi lại.
Em rất sợ up-thrust đấy bác ạ

Bác đừng cố đoán hành vi ngày mai, ngày kia của BBs.
Họ có thể lùi một bước, mà cũng có thể lùi 2-3 bước

Nói thì rất dài nên em xin lấy một ví dụ để các bác dễ hình dung.

Khi lái xe trên đường phố Hà Nội, các bác thường xuyên gặp cảnh thằng dở hơi đằng trước tự nhiên đi chậm lại dù trước mặt nó không có vật cản. Rồi nó dừng, bật đèn lùi và .. lùi thật (t.. s... bố nó)

Các bác sẽ không ngạc nhiên bởi đó là nét văn minh của đất ngàn năm .. quái vật.

Nó đi chậm lại là dấu hiệu A. Các bác cảnh giác.
Nó dừng và bật đèn lùi là dấu hiệu B, confirm dấu hiệu A, các bác lầm bầm "t.. s.. bố mày" và bóp còi inh ỏi.
Nó lùi thật là dấu hiệu C, confirm sự thay đổi trạng thái. Các bác đành phải lùi theo.

Thị trường chứng khoán cũng thế
Hôm qua ta thấy dấu hiệu A. Ta cho rằng dấu hiệu A này có thể là tiền đề để dẫn đến tín hiệu B.
Hôm nay, ta nhìn thấy tín hiệu B. Ta lầm bầm, bóp chặt ví
Ngày mai, ta nhìn thấy tín hiệu C, confirm sự thay đổi trạng thái. Ta hành động.

Em cứ viết "ta, ta" thế cho oai chứ cái loại linh tinh như em, mới thấy tín hiệu A là đã xoắn hết cả lên rồi
Đúng là gà, các bác nhở

8. Basic Indicators and Oscillators

Hôm trước, em bảo đây là phần "chán nhất và vớ vẩn nhất" của PTKT.
Chả thấy bác nào phản đối gì cả.
Suy ra, ở đây toàn bác hiền.
Ở chỗ khác mà ăn nói linh tinh như thế, khéo em chẳng còn răng ăn Tết

Trong phần này, em sẽ cố gắng bi bô về Moving Average, MACD, RSI và Stochastic Oscillator.

8.1- Moving Average

Hôm nay là mùng 5 Tết.
Một ngày buồn vì vừa tợp xong ngụm rượu sắn trước đĩa bánh chưng, màn hình phẳng đã giật giọng: "5 ngày gần đây nhất, bình quân mỗi ngày ông uống bao nhiêu rượu?".
Từ đêm 30 Tết đến giờ, ngày nào hắn cũng hỏi câu ấy

Đêm 30, em cộng số rượu mà em đã uống trong các ngày 26, 27, 28, 29 và 30 Tết lại với nhau (vì đó là 5 ngày gần nhất) rồi chia cho 5. Kết quả là 7 chén/ngày.
Ngày mùng 1, hắn lại hỏi, em bỏ ngày 26 Tết đi, cộng các ngày 27, 28, 29, 30 và mùng 1 lại, chia cho 5. Kết quả là 15 chén/ngày
Các ngày sau cũng thế. Cứ nghe câu hỏi là em lại giật mình thon thót, vội vàng nhẩm tính số rượu đã uống trong 5 ngày gần nhất, chia cho 5 rồi báo cáo kết quả lên cấp trên.

Các bác mà bị hỏi như em, chắc phát điên rồi. May cho màn hình phẳng nhà em là em mát tính, lại khôn nữa.
Tính được 15-20, em toàn khai là 4 với 5

Cái kiểu tính giá trị trung bình trong N ngày gần nhất như thế, trong chứng khoán cũng có và được gọi là Moving Average, viết tắt là MA (trung bình trượt, trung bình di động).

Em mời các bác xem đồ thị của VNI trong năm qua. Trên đồ thị này, em nhờ máy tính vẽ hộ 2 đường trung bình giản đơn (Simple Moving Average - SMA) của 10 ngày gần nhất và 25 ngày gần nhất (các bác có thể bảo máy tính vẽ SMA của bao nhiêu ngày cũng được):

Chắc các bác đã nhận thấy:

+ 2 đường MA đỏ và tím uốn lượn mượt mà chứ không "khúc khuỷu" như đường giá. Đó là một trong các ứng dụng của MA. Nó giúp ta nhận biết trend một cách dễ dàng hơn.
+ Cả 2 đường MA đều không bắt đầu từ điểm khởi đầu của đường giá. Lý do rất đơn giản: đường MA10 phải đợi đến hết phiên giao dịch thứ 10 mới tính được. Đường MA25, tương tự, phải đợi đến hết phiên thứ 25 (giá mà câu hỏi của màn hình phẳng nhà em được chuyển thành "Trong 100 năm gần nhất, mỗi năm ông uống bao nhiêu rượu?" )
+ Số ngày sử dụng để tính MA càng ít, đường MA càng bám sát hơn diễn biến của giá.
+ Đường MA là kết quả xử lý dữ liệu trong quá khứ. Nó đi sau giá và vì thế, không đưa ra bất kỳ dự báo nào cho tương lai.

Trong ví dụ trên, Công ty FPTS dùng giá đóng cửa để tính SMA. Trên thực tế, ta có thể dùng giá nào cũng được (giá mở cửa, giá cao nhất, giá thấp nhất, giá bình quân trong phiên v..v).

Người ta sử dụng các đường MA để:

+ Dự báo uptrend hay downtrend. Thí dụ, với nhiều chuyên gia PTKT, việc đường giá cắt đường SMA 200 (trung bình giản đơn 200 ngày) từ dưới lên có thể báo hiệu một uptrend mạnh. Ngược lại, việc đường giá cắt đường SMA 200 từ trên xuống có thể báo hiệu một downtrend đã cận kề. Việc sử dụng con số nào là tùy theo thói quen và kinh nghiệm của mỗi người. Nhiều người thích dùng 200 nhưng cũng nhiều người dùng 180. SMA 50 đôi khi cũng được sử dụng để dự báo trend.

+ Tạo tín hiệu mua và bán. Cách thứ nhất là dùng tổ hợp "giá - MA". Thí dụ, khi đường giá cắt đường SMA 25 từ dưới lên thì mua, ngược lại thì bán. Cách thứ hai là dùng tổ hợp của 2 đường MA. Thí dụ, khi đường SMA10 cắt đường SMA25 từ dưới lên thì mua, ngược lại thì bán.

Trong đồ thị dưới đây, em dùng tổ hợp "giá - SMA25" để tạo tín hiệu mua và bán. Tính từ tháng 8/2006, em có 12 tín hiệu mua và ngần ấy tín hiệu bán:

Đồ thị tiếp theo, em dùng tổ hợp SMA10 - SMA25 để tạo tín hiệu mua và bán. Tính từ tháng 8/2006, em có 10 tín hiệu mua và ngần ấy tín hiệu bán:

Câu hỏi đặt ra là: tại sao lại dùng SMA10 và SMA25 mà không dùng SMA 5 hay SMA 50 v..v ?

Bởi vì, nếu số ngày để tính SMA nhỏ quá, đường SMA sẽ bám rất sát đường giá và tạo ra quá nhiều tín hiệu mua -bán. Ngược lại, nếu số ngày để tính SMA lớn quá, đường SMA sẽ rời xa đường giá, khiến ta ra quyết định mua và bán quá muộn.

Em đã thử vẽ SMA với nhiều giá trị khác nhau và nhận thấy các đường SMA10 và SMA25 tạo ra tín hiệu có lý nhất, không sớm quá và cũng không muộn quá, nhất là khi sử dụng tổ hợp "giá - SMA 25" (các bác có thể vào FPTS vẽ thử).

Bảng dưới đây cho thấy kết quả của việc mua - bán theo 2 hệ tín hiệu mà em giới thiệu ở trên:

Lợi nhuận hơi "còi" một tí nhưng các bác có thể thấy ngay là số lần cho tín hiệu đúng nhiều hơn hẳn số lần cho tín hiệu sai và nếu ta nhất quán tuân theo hệ tín hiệu, về dài hạn, ta sẽ không lỗ.

Mục tiêu của em là KHÔNG LỖ.
Chơi chứng mà lỗ thì chán lắm, thà về đếm rượu với màn hình phẳng còn hơn

Các bác sẽ hỏi: "Vì sao không lấy ví dụ của một cổ phiếu cụ thể mà lại lấy ví dụ VNI?".

Bởi vì, ở ta, cổ tốt cổ lởm đa phần đều lên và xuống theo VNI hết, mấy cổ được như VNM và BVH, tăng phăm phăm khi VNI dập dình. Vì vậy, tốt hơn cả là cứ theo VNI mà chiến. Ngoài ra, dùng VNI để tạo tín hiệu sẽ giúp ta khắc phục được tình trạng cổ phiếu chia tách liên miên trên thị trường Việt Nam (đường MA của các cổ phiếu chia tách sẽ biến dạng kinh khủng nếu đồ thị mà ta theo dõi không được điều chỉnh sau chia tách).

Các bác lại hỏi: "Thế 3 năm chỉ được mua - bán có hơn chục lần à?"

Hề hề .. đã bảo là "chán nhất và vớ vẩn nhất" mà lị.
Phải mua mua bán bán liên miên và lỗ chỏng vó nó mới vui, đúng không

--------------------------------------------------

Các đường SMA10 và SMA25 có sẵn trên mọi website cung cấp dịch vụ đồ thị.

Nếu ta kiềm chế được thói quen nhảy nhót và kiềm chế được sự "ganh tị" với người bên cạnh (khi thấy anh/chị ta trúng quả BVH trong thị trường dập dình), ta chỉ cần chưa đầy 1 giờ để hiểu và xây dựng cho mình một hệ tín hiệu kinh doanh với kết quả, như các bác đã thấy, chả tồi tí nào.

Lời hứa của em với bác Involio thế là đã được thực hiện (cần chưa đến 1 ngày)

Quan trọng hơn cả, cả 2 hệ tín hiệu mà em đưa ra đều có khả năng giúp các bác tránh được cú sụt khủng khiếp từ tháng 10/2007 đến tháng 6/2008.

Tránh được cú ấy chỉ bằng một công cụ của thời kỳ đồ đá, liệu có mấy người ?
Mây hồng, mây tím, bướm xanh, bướm đỏ mà làm gì !

-----------------------------------------------------------------

Mùa thu lá bay
Hì hì, nghe anh nói em muốn sắm màn hình phẳng lắm

Em hay dùng MA10, MA20, Close anh à. Em thấy:

1/Nếu MA20 đi ngang: quan sát MA10 đang ở dưới MA20 mà xu hướng thu hẹp khoảng cách với MA20 thì có thể nghĩ đến nhảy vào. Nếu KLGD thuận theo uptrend thì thật sự nhảy vào.
2/Nếu MA20 đi lên: Giá biến động trong khoảng biên trên Bollinger Bands và MA10 (xấu hơn là xuống MA20). Nếu giá xuyên qua MA20 thì khả năng chạm biên dưới BB nên khi bắt đầu xuyên là phắn.
3/Nếu 2 đường MA đều đi xuống (cho dù MA10 vẫn nằm trên MA20): Tốt nhất ngồi ngoài. Đợi đến khi 1/ xảy ra.
Bác chưa có LCD à?
Tiếc nhể. Không được xem phim thriller với horror hàng ngày

Như em đã nói, dùng MA với giá trị bao nhiêu và dùng thế nào là tùy theo thói quen và cảm nhận của người dùng, miễn là:

+ Phải kiểm chứng xác suất thành công/thất bại và tỷ lệ risk/reward thật kỹ qua dữ liệu quá khứ. Thấy ổn hẵng dùng.
+ Khi đã dùng, phải nhất quán và tuân thủ kỷ luật sắt. Thấy tín hiệu bảo bán là phải bán, bất kể lỗ lãi. Thậm chí, dù có lỗ 5 lần liên tiếp cũng vẫn phải tuân thủ hệ tín hiệu bởi chứng khoán là cuộc chơi dài ngày.
+ Đừng sửa hệ tín hiệu quá thường xuyên (thí dụ như hôm nay dùng MA25 nhưng mai lại chuyển sang MA30 vì thấy "hình như lúc này MA30 cho kết quả đúng hơn"). Em nhấn mạnh: chỉ điều chỉnh hệ tín hiệu khi có lý do chính đáng để làm chuyện này.

3 ý này đúng với mọi hệ tín hiệu, không riêng gì MA.

Em sẽ nói rõ hơn khi đến phần Build Up Your Own System.

--------------------------------------------------

haan
Linh Tinh
Em đã chủ động im lặng về một hạn chế nghiêm trọng của việc sử dụng MA làm tín hiệu.
Có bác nào phát hiện ra không?
Theo em đoán thì bác đang nói đến chuyện lúc nào dùng MA sẽ không hiệu quả, vì có những lúc thị trường đi ngang, thì cắt lên cắt xuống liên tục nên tín hiệu MA sẽ không đáng tin cậy phải không ah!
Đúng rồi bác haan

Sử dụng MA làm tín hiệu sẽ cực kỳ hiệu quả khi thị trường (hoặc một cổ phiếu nào đó) trending.
Nếu giá dập dình sideways, MA sẽ thất bại thảm hại.

Chính vì lý do này mà việc chọn giá trị cho MA (10 ngày, 20 ngày hay 50 ngày) có ý nghĩa rất quan trọng. Nó là một trong các yếu tố giúp ta (i) xác định một trend và (ii) tránh được việc mua quá sớm (khi giá đang lên bỗng chuyển sang dập dình) hay bán quá sớm (khi giá đang trong giai đoạn pull-back nhẹ).

Cái này các bác tự đào sâu nhé bởi thế nó mới thú vị

-----------------------------------------------------------

8.2- Trung bình giản đơn (SMA) và trung bình ưu tiên giá trị gần nhất (EMA)

2 đường MA mà em giới thiệu với các bác hôm qua là 2 đường trung bình giản đơn - Simple Moving Average (SMA).

Ta gọi nó là trung bình giản đơn vì cách tính của nó .. quá đơn giản

Em đùa đấy. Gọi nó là trung bình giản đơn bởi nó chỉ là phép trung bình cộng đơn thuần, trong đó, mỗi số hạng đều có độ "quan trọng" như nhau, không anh nào được ưu tiên hơn anh nào:

SMA = (P1 + P2 + P3 + ... + Pn) / n

Trong đó: n là số ngày mà các bác sử dụng để tính SMA; P1, P2 .. Pn là giá của từng ngày trong chuỗi n ngày đó (thường là giá đóng cửa).

Bên cạnh SMA, người ta còn sử dụng một cách tính trung bình giá khác. Trong cách tính này, số hạng cuối cùng (giá của ngày gần nhất) được ưu tiên hơn các số hạng đứng trước nó bằng cách gán cho nó một trọng số (weight). Trung bình kiểu này được gọi là Exponential Moving Average (EMA). Dân ta hay dịch nguyên văn là trung bình mũ, trung bình theo số mũ hay trung bình hàm mũ. Nghe chả lọt tai tí nào nên em gọi nó là "trung bình ưu tiên giá trị gần nhất".

Nghe thì rối rắm nhưng tính EMA khéo còn đơn giản hơn cả SMA bởi nó chỉ cần có .. 2 số hạng thôi:

EMA hôm nay = [Giá hôm nay x K] + [EMA hôm qua x (1 - K)]
Trong đó: K = 2 / n + 1 với n là số ngày mà các bác sử dụng để tính EMA.

Giả sử các bác định tính EMA của 9 ngày thì n = 9. Khi đó, K = 2 : ( 9 + 1) = 2 : 10 = 20%.
EMA hôm nay = Giá hôm nay x 20% + EMA hôm qua x 80%.

----------

Trong ví dụ trên, các bác đã thấy mức giá gần nhất được ưu tiên hơn các mức giá còn lại. Một mình nó xơi nguyên một trọng số là 20% trong khi toàn bộ "quá khứ" chỉ được xơi có 80%.

Các bác sẽ hỏi ngay: "Vậy tính EMA cho 9 ngày đầu tiên thế nào?"

Có 2 cách tính.
Một là người ta đợi đủ 9 ngày. Tính SMA của 9 ngày đó và coi đó là "EMA hôm qua" để tính EMA cho ngày thứ 10.
Hai là coi giá của ngày đầu tiên là "EMA hôm qua" và dùng nó để tính EMA cho ngày thứ 2.

Cách tính thứ hai rất bất hợp lý bởi cho đến ngày thứ 9, "EMA hôm qua" vẫn không phải là EMA 9 nhưng tiếc thay .. người ta lại dùng nó nhiều hơn cách tính thứ nhất.

Điểm "bất hợp lý" này của EMA là khởi nguồn cho một trong những điểm yếu của nó. Nhưng thôi, em mời các bác xem đồ thị cái đã. Trong đồ thị này, đường màu đỏ là SMA 10 còn đường kia, màu tím, là EMA 10.

Các bác sẽ nhận thấy ngay:

+ Điểm khởi đầu của EMA trùng với điểm khởi đầu của đường giá trong khi SMA phải chờ đến ngày thứ 10 mới có.
+ Đường EMA thể hiện sự thay đổi xu hướng giá nhanh hơn đường SMA (các chỗ em khoanh tròn).

Hiện tượng thứ nhất là do cách tính giá trị EMA đầu tiên.
Hiện tượng thứ hai là do giá gần nhất được ưu tiên hơn trong cách tính EMA, vì vậy, nó thể hiện sớm hơn sự thay đổi xu hướng giá.

----------

SMA và EMA, mỗi thứ đều có mặt mạnh và mặt yếu của nó. Dùng thứ nào, lúc nào, là tùy theo cảm nhận và kinh nghiệm của từng người.

Điểm mạnh của SMA là nhất quán mọi nơi, mọi lúc. Các bác có dùng website nào đi chăng nữa thì vị trí của đường SMA cũng y như nhau bởi SMA chỉ có một cách tính duy nhất.

EMA, ngược lại, không bảo đảm chuyện này. Thứ nhất, ta không rõ website mà ta đang xem sử dụng phương pháp nào để tính EMA cho những ngày đầu tiên. Thứ hai, ta không rõ website mà ta đang xem sử dụng lượng dữ liệu trong bao nhiêu ngày để tính EMA.

Về nguyên tắc, khi tính EMA, người ta phải sử dụng toàn bộ dữ liệu của một cổ phiếu, tức là phải tính từ lúc nó chào sàn. Tuy nhiên, rất có thể các nhà quản trị và điều hành website lại quyết định sử dụng dữ liệu từ 1/1/2006 để tính EMA cho cổ phiếu REE trong khi lẽ ra phải sử dụng dữ liệu từ năm 2000, tức là từ khi REE lên sàn.

Điểm yếu này, không mấy người biết đâu

------------------------------------------------------

Do EMA thể hiện sự thay đổi xu hướng giá nhanh hơn SMA nên dân "lướt sóng" có thể sẽ thích EMA hơn SMA. Tuy nhiên, do phản ứng chậm hơn nên SMA lại thể hiện chắc chắn hơn sự thay đổi của xu hướng giá.

Thơm thì không đẹp, đẹp thì không thơm, chỉ có hoa nhài vừa thơm vừa đẹp
Nhanh thì không chắc, chắc thì không nhanh, chỉ có .. linh tinh vừa nhanh vừa chắc

---------------------------------------------------------

Cách dùng EMA cũng tương tự như cách dùng SMA. Tuy nhiên, EMA còn có một công dụng nữa. Đó là sử dụng để tính MACD - Moving Average Convergence Divergence.

Giải lao giải trí bằng EMA xong rồi, ta chuyển sang MACD nhé.

--------------------------------------------------------

vanvo
Hiện nay các chỉ báo đa số mặc định theo thời gian 7 ngày (1 tuần), 14 ngày (2 tuần)... như thế ko hợp với thực tế em li, giờ bác linh tinh đã chỉnh lại theo thực tế là 10 ngày tương đương 2 tuần, 20 ngày tương đương 1 tháng, 50 ngày là tương đương 2,5 tháng. Như thế sẽ phản ánh chính xác hơn
Không phải vậy đâu bác.

Em đã để ý các trao đổi của bác trên này và nhận thấy bác thường hiểu vấn đề theo một hướng rất khác với em. Trong đa số trường hợp, cách hiểu của bác là độc đáo, thú vị nhưng trong một vài trường hợp, cách hiểu của bác có thể tiềm ẩn những hệ quả tai hại cho bác.

Đúng là em đã chỉnh số ngày tính SMA về 10 và 25 để hệ SMA của em cho tín hiệu vào - ra tin cậy hơn nhưng việc này không liên quan gì đến "tuần giao dịch" (bội số của 5) cả. Bằng chứng là khi dùng RSI và MACD, em vẫn để các thông số mặc định 14, 12, 26 và 9 như mọi người thôi.

Hôm trước, bác Involio có nói về việc "thay đổi thông số tính MA để phù hợp với từng cổ phiếu". Em chưa bình luận kỹ việc này vì hai lý do. Một là, bản thân em cũng từng làm như thế và hai là, em sẽ còn quay lại vấn đề này khi kết luận phần Indicators. Tuy nhiên, nhân post này của bác vanvo, nhận thấy câu chuyện đã đi quá xa, em xin khuyến cáo luôn:

Việc thay đổi các thông số để tính toán một chỉ số PTKT là việc có thể làm và đôi khi, cần phải làm. Tuy nhiên, cần nhận thức thật rõ: ta đang xử lý các dữ liệu quá khứ và việc thay đổi thông số, trên thực tế, chính là "gọt chân cho vừa giày". Thuật ngữ toán học của nó là "curve fitting" (bác nào chuyên về modelling cho dữ liệu quá khứ chắc chắn là biết thuật ngữ này).

Không có gì bảo đảm rằng một hệ thống hoạt động tốt với dữ liệu quá khứ lại tiếp tục hoạt động tốt trong tương lai. Bởi vì, nếu có một hệ thống như thế, TTCK đã sụp đổ từ lâu rồi.

Các bác cứ việc "gọt chân cho vừa giày" bởi đó là việc mà các chuyên gia PTKT vẫn đang làm hàng ngày, hàng giờ, hy vọng lúc nào đó sẽ tìm ra "hòn đá nhiệm màu" giúp họ "trăm trận trăm thắng".

Tuy nhiên, khi làm công việc đó, các bác cần hiểu những hạn chế của nó và những rủi ro cực kỳ lớn mà nó có thể mang lại cho công việc mua mua bán bán của mình.

Và, xin nhớ rằng, mục đích của em là "trăm trận không thua".

8.3- Moving Average Convergence Divergence - MACD

Hôm trước ta vừa thư giãn với nhau về EMA (trung bình di động ưu tiên giá trị gần nhất).
Hôm nay có thể mang cái thư giãn ấy ra xài rồi đây.
Sướng thế các bác nhể. Chỉ là đọc thư giãn, thế mà lại có lúc dùng được.
Kết luận lại: nên coi mọi thứ trên đời như trò thư giãn, chắc chắn sẽ đến lúc thứ ấy có tác dụng!

Riêng 2D thì không thể coi là trò thư giãn được.
Nó mà biết, nó đánh chết.
Thư giãn thì thích thật, nhưng không chết thì hay hơn

----------

MACD là chỉ số do Gerald Appel sáng chế ra vào năm 1979. Cách tính MACD rất đơn giản, chỉ bao gồm 2 giá trị EMA:

+ Đầu tiên, người ta tính EMA 12 ngày
+ Sau đó, tính EMA 26 ngày
+ Lấy EMA 12 ngày trừ đi EMA 26 ngày thì ra giá trị của MACD
+ Nhiều giá trị MACD tạo thành đường MACD

Ai bảo phân tích kỹ thuật là khó nào

Chưa dừng ở đó (bởi nếu thế thì đơn giản quá, còn tó gì là .. nghệ thuật), người ta lại tính EMA 9 ngày của chính cái đường MACD mà người ta vừa tạo ra. Sau đó nối các giá trị EMA9 đó để tạo thành một đường gọi là đường tín hiệu (signal line).

Vẫn chưa đủ phức tạp, sợ dân phân tích cơ bản coi thường, có một vị tên là Thomas Aspray nghĩ ra trò vẽ biểu đồ cột để biểu thị mức chênh lệch giữa đường MACD và đường tín hiệu. Một số vị ở Việt Nam gọi các cột này là "phân kỳ". Nếu cột quay lên trên đường zero thì gọi là "phân kỳ dương", nếu cột quay xuống dưới đường zero thì gọi là "phân kỳ âm".

Kết hợp đường MACD, đường tín hiệu và biểu đồ cột nó ra cái hình như thế này:

Thế cả cái đống dây dợ lằng nhằng này dùng để làm gì?
Hỏi khó thế
Cho em xem sách cái đã nhé

Vâng, cuối cùng thì toàn bộ cái đống dây dợ lằng nhằng MACD ấy dùng để làm gì?

Một số vị cho rằng cứ khi nào đường MACD cắt đường Zero từ dưới lên thì có thể cho rằng thị trường đã bước vào uptrend và ngược lại. Nhìn trên đồ thị thì thấy cũng .. đung đúng nhưng hơi oải vì báo muộn quá. Cả làng đã vào (hoặc đã chạy) từ lâu mà mình thì cứ ngồi chờ MACD cắt đường Zero thì thật là .. linh tinh quá

Công dụng thứ hai nghe có vẻ hấp dẫn hơn. Đó là, cứ khi nào đường MACD cắt đường tín hiệu từ dưới lên thì mua, cắt từ trên xuống thì bán. Nói nôm na, cứ thấy phân kỳ dương (cột xanh quay lên trên) thì mua, thấy phân kỳ âm (cột xanh quay xuống dưới) thì bán.

Hệ tín hiệu này chẳng qua chỉ là một kiểu phăng-ta-di của hệ tín hiệu sử dụng 2 đường MA. Trong đồ thị mà em pót ở trên, các bác có thể thấy ngay điểm yếu của nó. Đó là, nó tạo ra quá nhiều tín hiệu giả (fake signal). Tại sao lại như vậy? Bởi vì, như em đã nói, đường MACD và đường tín hiệu được tạo ra từ các EMA. EMA cho thấy xu hướng giá nhanh hơn SMA nhưng lại không chắc như SMA nên nhiều tín hiệu giả là lẽ đương nhiên.

Có cách nào khắc phục không? Liệu có thể phối hợp 2 hệ, cụ thể là phía trên thì dùng MACD, phía dưới thì dùng 2 đường SMA10 và SMA25. Ta thử xem nhé:

Oài, thú vị ra phết.

Ta có thể nhận thấy hệ MACD báo tín hiệu VÀO và RA đều sớm hơn hệ SMA10 - SMA25.
Liệu có thể VÀO theo hệ SMA và RA theo MACD?

Em chịu. Các bác chịu khó làm chuột bạch đi

Có lần em đi toilet. Vào theo cửa MAN và ra theo cửa WOMAN.
Bị bảo vệ đuổi đánh gần chết
-----------

Công dụng thứ 3, theo em, là công dụng đáng giá nhất và có ý nghĩa nhất của MACD.
Đó là dự báo khả năng đảo chiều (em nhấn mạnh chữ "khả năng").

Để sử dụng công dụng thứ 3 này, ta cần làm quen với một khái niệm đơn giản, đó là sự phân kỳ giữa đường giá và đường MACD.

Khi đường giá trong xu thế xuống rõ rệt (tạo đáy sau sâu hơn đáy trước) mà đường MACD lại trong xu thế lên (tạo đáy sau cao hơn đáy trước) hoặc sideway (đáy sau xấp xỉ đáy trước, không thấp hơn), ta gọi đó là phân kỳ báo hiệu giá sắp lên (bullish divergence).

Khi đường giá trong xu thế lên rõ rệt (tạo đỉnh sau cao hơn đỉnh trước) mà đường MACD lại trong xu thế xuống (tạo đỉnh sau thấp hơn đỉnh trước) hoặc sideway (đỉnh sau chỉ xấp xỉ đỉnh trước, không cao hơn), ta gọi đó là phân kỳ báo hiệu giá sắp xuống (bearish divergence).

Ta cùng xem minh họa cho dễ hiểu nhé:

Có một câu tổng kết về phân kỳ giá - MACD khá ngắn, khá hay và khá dễ nhớ. Đại khái là "doãng ra thì .. , khép lại thì .. " gì gì đó nhưng ở đây nhiều phụ nữ nên em xấu hổ lắm, không dám nói

--------------------

Là người chết theo chen, em rất mê công dụng thứ 3 của MACD. Nó báo hiệu khả năng đảo chiều khá chuẩn xác, nhất là khi ta dùng MACD với đồ thị tuần (các bác vào web của bác Bin xem thử đi). Chỉ có điều, hệ tín hiệu này xuất hiện hơi ít. Trong đồ thị 3 năm của VNI mà em pót ở trên, nó chỉ xuất hiện có 4 lần.

Cũng phải thôi, đã gọi là trend, lấy đâu ra mà nhiều

Một phát hiện nữa cũng khá thú vị. Đó là mối liên hệ giữa khoảng thời gian tạo phân kỳ và độ dài của trend sau đó. Dường như (dường như thôi nhé) khoảng thời gian tạo phân kỳ càng dài thì trend sau đó càng khỏe và ngược lại.

Em lại mời các bác xem đồ thị 3 năm của VNI và so sánh đồ thị này với đồ thị 3 năm 4 lần ở trên nhé:

8.4- Chuyện ngoài lề về MACD

Khuya rồi, bỏ chạt sang bên, nghe em kể chuyện linh tinh về MACD tí nhé

Như hệ SMA, ưu điểm của hệ MACD là dễ hiểu và dễ sử dụng. Web nào cũng có MACD. Thấy MACD lên trên đường tín hiệu thì mua, MACD xuống dưới đường tín hiệu thì bán. Thấy giá doãng ra so với MACD thì thò tay móc ví để sẵn lên bàn. Thấy giá khép lại so với MACD thì rút bút viết sẵn lệnh bán. Đơn giản như đan rổ.

Có thật vậy không? KHÔNG!

Chả có cái indicator nào chính xác 100% cả. MACD cũng thế.
Và, tương tự như hệ SMA, MACD cũng là hệ trend-following nên nó chỉ đúng khi có trend. Thị trường sideway như hiện nay là nó chịu chết.

--------------------

Tại sao lại dùng EMA để kiến tạo MACD mà không dùng SMA?
Em chịu. Các bác chịu khó vạch đầu gối ra hỏi nhé

Tại sao lại dùng EMA12 và EMA26 để tính MACD và tại sao lại tạo đường tín hiệu bằng EMA9 (mà không phải là 11, 20, 301, 555 v..v).
Em chịu nốt. Hỏi gì lắm thế
Em có phải là Gerald Appel đâu

--------------------

Thế có thể thay các giá trị khác vào cho EMA để vẽ MACD và đường tín hiệu theo ý mình được không?
Được, vào web của bác Bin, thay thoải mái.

Trước các bác, đã có người thử rồi. Thay vì dùng giá trị mặc định 12-26-9, người ta dùng toàn bộ các combination từ 1-2-2 cho tới 29-30-10
Toàn bộ có tổng cộng 3915 combination như vậy, đủ cho các bác thử đến Tết Công-gô

Kết quả thế nào?
Người ta nhận thấy có những combination mang lại tín hiệu mua-bán chuẩn hơn nhiều so với combination mặc định 12-26-9. Nhưng (lại nhưng), chỉ chuẩn cho châu Á (Hàn Quốc, Đài Loan, Nhật Bản, Hongkong). Áp vào DJ, S&P 500, DAX và FTSE100 thì chả hơn gì so với 12-26-9.

Em thì thấy 12-26-9 là đủ dùng.
Tính em lười, chỉ thích ăn sẵn, cứ phải mày mò là ngại lắm
Bác nào mò được combination nào hay cho em ké với nhé

Bật mí với các bác nhé: bản thân người sáng tạo ra MACD, ông Appel, không dùng 12-26-9 đâu

8.5- Relative Strength Index (RSI)

Trước hết, mong các bác nhớ cho, chỉ số mà em lạm bàn ở đây là RSI - Relative Strength Index. Nó gần như trùng tên với một chỉ số khác là Relative Strength nên khi đọc các tài liệu, các bác nhớ lưu ý phân biệt hai chỉ số này.

Người ta dùng Relative Strength (sức mạnh so sánh) để so sánh cổ phiếu này với cổ phiếu khác hoặc với chỉ số chung của thị trường, thí dụ như VNI. Mục đích là để xem xem cổ phiếu đó mạnh hơn hay yếu hơn xu thế chung. Cách tính Relative Strength rất đơn giản nhưng do nó không phải là chủ đề của ngày hôm nay nên em không đi sâu.

Relative Strength Index là chỉ số do Welles Wilder Jr. phát minh ra và giới thiệu trong cuốn sách cực kỳ nổi tiếng của ông "New Concepts in Technical Trading Systems" (1978). Nếu có điều kiện, các bác nên tìm đọc cuốn này.

Một thành viên của quán chúng ta, bác strade, đã có bài viết rất công phu tại box PTKT về công thức tính RSI nên em sẽ không nhắc lại. Nếu các bác không quá dị ứng với công thức toán, em khuyên các bác nên tham khảo phương pháp tính RSI bởi nó sẽ giúp ta (nhất là các bác thích phe phẩy) hiểu rõ hơn về sự vận hành của chỉ số này.

Website chứng khoán nào cũng có RSI. Trông nó như sau:

Trục tung của phần RSI, như các bác đã thấy, thể hiện các giá trị từ 0 đến 100. Do công thức tính nên RSI là một chỉ số xoay vòng (oscillator), đi xuống rồi lại đi lên nhưng không bao giờ xuống dưới 0 hoặc vượt quá 100, dù giá có giảm hay tăng thế nào đi nữa.

Các bác có thấy người ta kẻ 2 đường ở mức 30 và 70? Bởi vì, theo lý thuyết, khi đường RSI vượt quá 70, người ta bảo là "mua quá nhiều" (overbought), còn khi RSI xuống dưới 30, người ta bảo là "bán quá nhiều" (oversold). Kẻ 2 đường rồi bôi đỏ bôi xanh phần vượt sẽ giúp cái loại linh tinh như em nhìn rõ hơn

Người ta dùng RSI như thế nào?

+ Tạo tín hiệu mua-bán thông qua sự tương tác giữa đường RSI và 2 đường 30-70:

Khi RSI vượt quá 70, nó đi vào vùng "mua quá nhiều". Mua quá nhiều có nghĩa là thị trường đang đầy lòng tham. Khi người ta tham thì ta nên sợ. Vì vậy, theo các chiên da, nếu RSI rơi từ trên 70 xuống dưới 70, ta nên bán.

Khi RSI xuống dưới 30, nó đi vào vùng "bán quá nhiều". Bán quá nhiều có nghĩa là thị trường đang sợ hãi. Khi người ta sợ thì mình nên tham. Vì vậy, theo các chiên da, nếu RSI đang từ dưới 30 xuyên lên trên 30, ta nên mua.

Các bác sẽ hỏi: "Tại sao không bán khi RSI vừa vượt qua 70 và mua khi RSI vừa đâm qua 30?"

Bởi vì, trong rất nhiều trường hợp, RSI ngụ trên 70 hoặc nằm dưới 30 cả tuần, thậm chí cả tháng. Bán sớm quá thì tiếc, mua sớm quá thì lo. Cho nên, tốt nhất là đợi nó ra khỏi vùng đó rồi hẵng bán hoặc mua.

+ Tính toán đà tăng hay đà rơi của cổ phiếu (hoặc VNI) để dự báo đảo chiều

Trong phần MACD, em đã nói về sự phân kỳ giữa đường giá và đường MACD.
Đường RSI cũng có thể tạo phân kỳ như vậy với đường giá.

Khi giá đang trong xu thế lên, tạo đỉnh sau cao hơn đỉnh trước mà đường RSI lại cho thấy xu thế xuống (đỉnh sau của RSI thấp hơn đỉnh trước) thì ta có cái gọi là bearish divergence, phân kỳ báo hiệu giá có thể sẽ đảo chiều giảm.

Khi giá đang trong xu thế xuống, tạo đáy sau thấp hơn đáy trước mà đường RSI lại cho thấy xu thế lên (đáy sau của RSI cao hơn đáy trước) thì ta có cái gọi là bullish divergence, phân kỳ báo hiệu giá có thể sẽ đảo chiều tăng.

Ta cùng xem lại đồ thị VNI và RSI nhé.

Trên đồ thị này, ta có thể thấy sự phân kỳ giữa đường giá và đường RSI có thể dự báo khá chính xác và khá sớm sự thay đổi của xu hướng giá.

Có bao giờ nó dự báo sai không? Có đấy. Nhiều là đằng khác.
Trên đồ thị trên, các bác nhìn thấy ít nhất là một cái rồi. Đi vào từng cổ phiếu, các bác sẽ còn thấy nhiều nữa. Chính vì vậy mà em mới bôi đậm 2 chữ "có thể" ở trên.

Một biến thể của phân kỳ giữa giá và RSI là Failure Swing. Theo ông Wilder, khi xuất hiện Failure Swing, ta có thể chắc tay mà mua hoặc bán nhưng em thấy cũng chả hẳn. Do nó chỉ là một biến thể của phân kỳ, em nghĩ ta chỉ cần hiểu về phân kỳ là đủ.

Nghe câu này, nhiều tín đồ của Failure Swing không bằng lòng đâu
Biết làm sao được.
Em là thằng chuyên ăn nói linh tinh mà

-------------------
vanvo
Cụ LT cho em hỏi là có nếu dùng cả SMA và MACD bao giờ SMA và MACD cãi nhau không, vì cụ bảo MACD có thể cho tín hiệu giả, nhanh thì ko chắc nên em nghĩ cũng lúc nó ngược chiều, mà ví dụ của cụ thì thấy có vẻ cùng chiều. Và có 1 cái về MACD nữa là phân kì trên đường zero có khác phân kì dưới đường zero là nó khẳng định xu hướng mạnh hơn ko nhỉ. Cái này ngày xưa cái IS của cụ LHH cũng nói thía. Tư duy em nó linh tinh nên rất hay hỏi linh tinh, cụ thông cảm nhé.
Hai hệ này không thể cãi nhau được bác ạ bởi chúng nó đều là Moving Average hoặc được tạo ra từ Moving Average.

Nói thế này cho bác dễ hiểu này: giá đẻ ra SMA và EMA. EMA đẻ ra MACD.
Con cháu cùng nhà, cãi nhau làm sao
Chỉ khác nhau ở chỗ đưa ra tín hiệu nhanh hơn, chậm hơn chút xíu thôi. Vì sao thì em giải thích rồi.

Cái cột xanh xanh mà em nói, nó quay lên trên hay quay xuống dưới đường zero chả liên quan gì đến độ mạnh của xu hướng cả.
Em hiểu ý bác muốn hỏi là: nếu đường MACD vượt lên trên đường tín hiệu ở phía dưới đường zero thì có mạnh hơn so với trường hợp vượt lên khi chúng đã ở bên trên đường zero không?
Câu này em xin phép không trả lời bởi bác có thể tự kiểm chứng trên đồ thị được mà

Bác LHH là có thật, và là người rất giỏi.
Cái IS của bác ấy đâu có nói gì về chuyện "mạnh" hay "yếu" đâu. Bác coi lại đi.
-------------------

Ngoài 2 công dụng mà em vừa trình bày, người ta còn sử dụng RSI theo 2 cách nữa, ít phổ biến hơn, nhất là cách thứ 4.

+ Sử dụng các đường hỗ trợ và kháng cự của RSI để dự báo sớm việc gãy trend giá

Các bác nghe thấy rất thích đúng không?
Kết luận: bói toán là nghề luôn được ưa chuộng ở Việt Nam

Gốc của RSI là giá.
Giá có trendline, suy ra, RSI cũng có thể có trendline.
Có thể vẽ chúng như thế này này:

Em không khoái công dụng này lắm vì em chỉ thích mua ở đáy và thoát ra ở đỉnh.
Chỉ cần 3 hệ mà em vừa giới thiệu, xác suất đoán được đáy và đỉnh đã lên tới 70-80%.
Cần gì đợi giá gãy (hoặc xuyên) trendline

+ Áp các khuôn mẫu giá cho đường RSI để dự báo sớm sự thay đổi trong xu hướng giá

Cái này nghe hơi lạ tai đúng không?
Chính ông Wilder nghĩ ra đấy

Dạo qua các diễn đàn, các bác có thể thấy người ta nói về mô hình "hai đỉnh đảo chiều", "hai đáy đảo chiều", "tam giác giá xuống", "tam giác giá lên" rồi cái nêm, cái chốt, con cua, cái cờ v..v. và v..v
Đó là các khuôn mẫu giá (mà em sẽ nói ở phần sau).
RSI sinh ra từ giá nên nó cũng có thể tạo ra các khuôn mẫu y như giá.

Tương tự như trường hợp trendline ở trên, RSI thường hoàn tất khuôn mẫu của nó sớm hơn so với giá, giúp ta dự báo được sự thay đổi trong xu hướng giá.

Em không khoái công dụng này bởi việc nhận định khuôn mẫu giá thường mang nặng tính chủ quan.
Cùng một đồ thị, ông thì bảo "bướm", bà thì bảo "chim", cô oshin ở đâu xông ra bảo "sai, đó là con cua gạch".
Cái gì mang nặng tính chủ quan, tốt nhất là ta không dùng.

Ta duy vật.
Ta chỉ tôn trọng hiện thực khách quan

8.5*- Bình luận thêm về RSI

Trước khi bình luận thêm về RSI, em mời các bác xem lại đồ thị của VNI trong mối tương quan với đường RSI hiện nay:

Theo lý thuyết, RSI đang tạo bearish divergence so với đường giá. Khả năng VNI xuống là có.

Trong những ngày tới, nếu RSI không thể phá cái đường đỏ mà em vẽ đè lên đầu nó, các bác nên hạ tỷ lệ cổ xuống càng thấp càng tốt, nhất là những cổ đã tăng 15-20% trong những ngày qua.
Còn bây giờ, hạ về 50/50 là phù hợp, đừng tí toáy nữa, dù có ngứa đến mấy

Em đang định làm gì nhỉ?
À, bình loạn về RSI.

Chắc không kịp nữa rồi vì trong phòng ngủ cũng đang .. loạn
LCD to đang oánh nhau với LCD 8 inch.
Để em lên tắt cả 2 cho xong chuyện

-----------------------------
Mấy hôm rồi các bác xem cổ phiếu tích lũy, panic low để test cung, vượt cản, pull-back rồi vượt đỉnh cũ với KLGD bùng nổ v..v có khoái không ạ?

Em thì khoái lắm ạ. Lâng lâng

Các bác thương nên không thấy đó thôi chứ cả tháng rồi em vừa nói vừa run. Chỉ sợ bị các bác mắng "Ôi dào, chú toàn ba lăng nhăng bốn lăng cuội, chả trúng gì cả, chả áp dụng được gì cả".

Giờ thì hơi hơi yên tâm rồi.

Em hy vọng, với những gì mà ta đã trao đổi với nhau trong thời gian qua, cả em và các bác sẽ có cách nhìn mới hơn, hay nói cách khác là có ý thức hơn, trước các diễn biến của thị trường.

Ta lại nói chuyện tiếp về RSI nhỉ?

----------

Như em đã nói, ứng dụng RSI mà em quan tâm nhất là phân kỳ.
Bởi vì, em chỉ bước vào thị trường khi có trend và cố gắng ra khỏi thị trường trước khi hết trend. Cùng với phân kỳ của MACD, phân kỳ của RSI có thể giúp em làm được việc đó.

Qua theo dõi, em thấy phân kỳ bearish của RSI thường cho tín hiệu chuẩn xác hơn là phân kỳ bullish. Tức là, báo đỉnh tốt hơn báo đáy.

Khi giá tạo đỉnh mới (hoặc vươn lên test lại đỉnh cũ) mà RSI không lên theo (phân kỳ bearish), xác suất rất rất cao là giá sẽ đảo chiều.

Tuy nhiên, với phân kỳ bullish (giá tạo đáy mới thấp hơn đáy cũ mà RSI lại đi lên), xác suất giá đảo chiều không cao như thế đâu. Vì vậy, khi thấy phân kỳ bullish, các bác phải hết sức thận trọng.

VSA là công cụ tốt nhất để đánh giá độ tin cậy của một phân kỳ bullish. MACD cũng có thể giúp được phần nào.
Vì vậy, mong các bác dành thời gian để nắm vững 2 công cụ này.

Các chỉ số khác thường là không giúp được nhiều đâu.

----------

RSI, như các bác đã biết, được xây dựng dựa trên giá của 14 ngày (hoặc 14 đơn vị thời gian bất kỳ).

Ta có thể thay các giá trị khác vào không?
Có thể. Và nên thử.

Các bác vào web của bác Bin, bật RSI lên, thay thử các giá trị khác vào ô 14 rồi xem nó thế nào. Thí dụ thay bằng 10 chẳng hạn.

Nhỏ quá sẽ tạo quá nhiều tín hiệu.
Lớn quá thì vô dụng.

Em không làm đâu, mệt lắm
Các bác thử, kết quả thế nào, cho em ké với nhé

8.6- Stochastic Oscillator

Có những lúc, sau khi nhìn SMA và MACD, em có cảm giác dường như một uptrend đang hình thành. Em muốn nhảy vào lắm nhưng không biết lúc nào và cổ phiếu nào.

Điểm qua hàng loạt cổ phiếu (và cả VNI nữa), em thấy anh thì sắp chạm cản, anh thì vừa qua cản, không rõ sẽ pull-back trong bao lâu và liệu pull-back có thành công hay không.

Tiền em thì ít, gan em thì nhỏ nên nếu đã mua, cổ cứ phải tằng tằng em mới yên tâm. Mua rồi mà cổ cứ lình xình chực giảm, chả biết các bác có vui hay không chứ em là em buồn lắm

Em tìm đến Stochastic Oscillator (STO). Nó có thể giúp em đỡ đắn đo hơn.

------------

STO là chỉ số thuộc dạng xoay vòng (Oscillator).
Giống như RSI, nó lần lượt đi lên rồi lại đi xuống trong khoảng từ 0 đến 100, không bao giờ vượt quá 2 mốc này.
Giống như RSI, nó cũng có vùng "mua quá nhiều" (trên 80) và "bán quá nhiều' (dưới 20).

Trông nó như thế này này

STO cho ta biết giá đóng cửa ngày hôm nay đang ở vị trí nào trong khoảng dao động giá của N ngày gần nhất.

Giả sử trong N ngày qua, cổ phiếu A có giá cao nhất là 100 và giá thấp nhất là 80. Khoảng dao động là 100 - 80 = 20
Hôm nay, A đóng cửa ở mức 95, tức là cao hơn 15 giá so với giá thấp nhất của A trong N ngày.
Ta lấy 15 (mức chênh so với giá thấp nhất) chia cho 20 (khoảng giá) thì được 75%, tức là ở "nửa trên" của khoảng chênh lệch giá.
Ngày nào cũng làm như thế, ta sẽ được một đường biểu diễn vị trí của giá trong khoảng giá của N ngày liên tiếp. Đó chính là đường cơ bản nhất của chỉ số STO.

Công thức tính cái đường đó như sau (bác nào không thích lằng nhằng có thể bỏ qua phần này):

[(Giá đóng cửa hôm nay - giá thấp nhất trong N ngày) : (giá cao nhất trong N ngày - giá thấp nhất trong N ngày)] x 100

Kết quả của phép tính này, người ta gọi là %K.

Theo công thức trên, các bác có thể thấy ngay là:

+ Nếu giá đóng cửa hôm nay đồng thời là giá thấp nhấp trong N ngày, tử số sẽ bằng 0 và %K sẽ mang giá trị 0.
+ Nếu giá đóng cửa hôm nay đồng thời là giá cao nhất trong N ngày, tử số sẽ bằng với mẫu số và %K sẽ mang giá trị 100.

Thông thường, người ta để N = 14.

-----------

Sau khi có đường %K, người ta tính trung bình giản đơn 3 ngày (SMA) của chính đường %K đó để tạo ra một đường tín hiệu gọi là %D (để đỡ rối mắt, em gọi chúng là đường K và D nhé).
2 đường K và D này tạo thành Fast Stochastic (chỉ số STO nhanh). Nó chính là phần trên của đồ thị mà em post phía trên.

Từ STO nhanh, người ta tạo tiếp STO chậm (Slow Stochastic).
Người ta lấy chính đường D của STO nhanh làm K cho STO chậm.
Rối lại tính SMA 3 ngày cho đường này để tạo tín hiệu, gọi là D của STO chậm.
Trong đồ thị trên, STO chậm được mô tả ở phần dưới.

Các bác xem đồ thị sẽ thấy:

+ Vào ngày thứ 14, xuất hiện giá trị K đầu tiên của đường STO nhanh.
+ Đến ngày thứ 16 (đủ 3 ngày có K), xuất hiện giá trị D đầu tiên của đường STO nhanh. Giá trị này chính là giá trị K đầu tiên của đường STO chậm.
+ Đến ngày thứ 18 (đủ 3 ngày có K của STO chậm), xuất hiện giá trị D đầu tiên của đường STO chậm.
+ Giá trị D hiện tại của STO nhanh là 96.68, bằng với giá trị K hiện tại của STO chậm

Còn một STO nữa là Full STO nhưng do phức tạp quá rồi, lại cũng ít dùng nên em thôi, không bi bô nữa

-----------

Người ta dùng STO để tạo tín hiệu mua và bán.

Cách thứ nhất là khi nào K chạm 0 thì mua và chạm 100 thì bán.

Khi cổ phiếu đang trong một trend mạnh, rất có thể K chạm 100 (hoặc 0) rồi lưu lại đó một thời gian (thường là không lâu), nên nếu bán ngay khi chạm 100 hoặc mua ngay khi chạm 0, ta có thể mắc lỗi bán hoặc mua quá sớm. Vì vậy, người ta đề xuất cách dùng thứ 2: bán khi K chạm 100 sau đó quay đầu và xuyên thủng 80, mua khi K chạm 0 sau đó quay đầu xuyên qua 20.

Còn một cách thứ 3 nữa. Đó là bán khi đường K cắt đường D từ trên xuống và mua khi đường K cắt đường D từ dưới lên.

Các bác xem đồ thị dưới đây của FPT và tự rút ra kết luận về độ chính xác của 3 phương pháp mua - bán nhé.

----------

Như đa số chỉ số xoay vòng khác, STO cho ta thấy đà tăng (hay rơi) của một cổ phiếu.
Nếu đường K đi từ dưới lên và tiệm cận 100, ta biết là đà tăng đang rất mạnh.
Nếu cổ phiếu tạo giá cao mới nhưng đường K lại quay đầu, ta hiểu là đà tăng đang mất dần.

Các bác suy luận tương tự cho trường hợp tính đà rơi nhé.

Xuất phát từ đây, STO (như đa số chỉ số xoay vòng khác) được sử dụng nhiều để tạo tín hiệu mua bán cổ phiếu dao động trong range (như trường hợp FPT phía trên).

-----------

Em thích trend, sao em lại giới thiệu với các bác STO, vốn thích hợp hơn cho range?

Bởi vì, nếu em lờ mờ nhận thấy một uptrend (do tín hiệu của hệ MACD và SMA), em sẽ dũng cảm nhảy vào khi đường K của STO nhanh chưa lên đến 80 bởi xác suất rất cao là nó sẽ còn vươn lên, vượt qua 80, chạm 100, đủ cho em T+4 nếu em lỡ vào sai.

Em sẽ không vào nữa nếu đường K của STO nhanh đã chạm 100. Em sẽ ngồi yên bởi kinh nghiệm cho em thấy nó sẽ quay đầu. Khi nó quay đầu, em đợi nó xuống dưới 80. Đang đi xuống mà nó lại quay đầu đi lên thì em lại vào. Nếu nó đi một mạch xuống 0 thì quá OK. Em sẽ vào ngay, nhất là khi đường K, sau khi chạm 0, cắt đường D từ dưới lên.

Tóm lại, ngoài khả năng giúp em không mua bán hớ một cổ phiếu đang chạy trong range, STO còn có khả năng giúp em vào đúng nhịp điều chỉnh của một uptrend.

----------

Như RSI và MACD, chỉ số STO (cả nhanh và chậm) đều có thể tạo phân kỳ với đường giá. Nó cũng có tác dụng dự báo xu thế giá đảo chiều như phân kỳ MACD và phân kỳ RSI.

Các bác lưu ý điểm này khi ngắm STO của các cổ phiếu nhé.

----------

Ta có thể thay đổi giá trị N = 14 ngày của STO được không?
Được. Và nên thử. Với VNI và với từng cổ phiếu.

Giá trị nhỏ hơn 14 sẽ tạo quá nhiều tín hiệu rởm, nhất là với STO nhanh. Vì vậy, các bác nên thử bằng các giá trị >14, thí dụ như 20, 30 .. chẳng hạn. Sẽ hay lắm đấy, nhất là với các bác thích sử dụng phân kỳ.

Trang web của bác Bin không những cho phép ta thay giá trị N ngày mà còn đổi cả số ngày để tính SMA của đường K (tính đường D).

Không hiểu sao trang web của bác Bin lại cho giá trị STO nhanh, STO chậm khác với FPTS.
Em lười nên không ngồi tính bằng tay xem web nào đúng, web nào sai.
Bác strade có phần mềm tính riêng, làm ơn cho anh em biết web nào đúng với, thanks bác nhiều nhiều

8.7- Lan man về Indicators và Oscillators

Oài, cái phần này dài lắm, em đọc mấy lần rồi mà vẫn cứ quên.
Đại khái là nó phân loại các chỉ số và nói nên dùng chúng như thế nào, vào lúc nào.
Có phần này, các bác sẽ yên tâm hơn khi dùng các chỉ số mà em đã nêu (và chưa nêu).

Nhưng mà, cho em xem lại sách tí nhá.
Không xem sách, lỡ sai, các bác phê bình chết

Thỉnh thoảng, em sẽ nói sai.
Bác nào phát hiện ra là cả làng sẽ nhớ lâu lắm đấy

----------

Khi PTKT bảo rằng: "Mọi thứ đều được thể hiện trên chart", ta hiểu thế nào là chart?
Các hình vẽ MACD, RSI, Fast STO, Slow STO, ADX, ROC v..v có phải là chart không?
Không phải.

Chart chỉ có giá và khối lượng. Mọi thứ khác đều là sản phẩm phái sinh, là các công thức để nhào nặn giá và/hoặc khối lượng. Chúng là con của chart, không phải chart!

Vì vậy, khi xem và dùng chúng, em mong các bác đừng bao giờ quên phụ huynh của chúng.

Ta người lớn, chỉ nói chuyện với người lớn, không nói chuyện với trẻ con.
Trẻ con bảo lên mà ta lại thấy khối lượng của phụ huynh nhà nó không bảo đảm, ta chưa tin.
Trẻ con bảo xuống mà ta lại thấy phụ huynh nhà nó đang tỉ mẩn xây khuôn mẫu "tam giác giá lên", ta chưa nghe.

Chỉ khi nào trẻ con với phụ huynh nói cùng một giọng, ta mới nghe.

May cho các bác là họ có quan hệ phụ huynh - con cháu với nhau nhé.
Quan hệ vợ - chồng, làm tó gì có chuyện nói cùng một giọng
Cái loại sợ vợ như em thì ... không kể

----------

Một gia đình có nhiều con. Nhìn một đứa cao 1m71, các bác gật gù "bố mẹ nó lùn".
Nó mang chị nó ra, cao 1m85, chân dài tới nách, các bác mồm há hốc.
Hóa ra bố nó cao nhưng mẹ nó lại .. không cao như bố nó.
Các bác đã chừa cái tật "khái quát hóa vội vã" chưa

Indi và Osci là con của chart, mỗi đứa mang một nét khác nhau của cha mẹ chúng. Vì vậy, đừng bao giờ chỉ nhìn một đứa rồi phán như đúng rồi về 2 cụ thân sinh. Phải nhìn ít nhất là vài ba đứa, nếu thấy chúng confirm lẫn nhau hẵng phán.

May cho các bác, Indi và Osci đều là con đẻ 100% nhá.
Không phải con nuôi.
Cũng không phải con của .. ông hàng xóm

----------

Tất cả các chỉ báo kỹ thuật được phân thành 2 loại.

Loại thứ nhất là trend-following, đơn thuần tổng hợp và mô tả lại diễn biến giá. Chúng không cho ta thấy được sức mạnh (momentum) của xu thế, hay nói cách khác, chúng không nói gì về đà tăng (hay đà rơi) của một cổ phiếu cả. SMA, EMA và MACD thuộc loại này (em sẽ nói sau về MACD).

Loại thứ hai có thể giúp ta đưa ra nhận định về đà tăng hay đà rơi (momentum) của giá. Tuyệt đại đa số Osci (RSI, STO, ROC v..v) thuộc loại này.

Em gọi Osci là "chỉ số xoay vòng". Nó có hai loại.

Một loại cứ xuống rồi lại lên nhưng không bao giờ vượt quá band trên (đã được xác định từ trước) hoặc xuyên qua band dưới (cũng đã được xác định từ trước). Thí dụ như RSI và STO, lên xuống trong khoảng 0-100. Loại này có vùng "mua quá nhiều" (overbought), "bán quá nhiều" (oversold) và tín hiệu được sinh ra khi chúng đi vào hoặc thoát ra khỏi 2 vùng ấy.

Loại thứ hai không có vùng overbought và oversold (mặc dù về nguyên tắc là có thể có). Chúng cũng xuống rồi lại lên nhưng chủ yếu dao động quanh một trục mang giá trị 0 (trục zero) và tín hiệu được sinh ra khi chúng cắt trục này. Rate of change (ROC) thuộc loại này.

Đừng hỏi em về các loại oẳn-tà-rà-oằn khác nhé.
Chúng có đấy, nhưng em không biết gì về chúng đâu.
Các bác mà hỏi là em trốn đấy

----------

Các chỉ số trend-following (như SMA, EMA, MACD) thường cho tín hiệu ít hơn, muộn hơn nhưng chắc chắn hơn. Chúng rất thích hợp với những người đứng tấn, thích trend và thích đi trọn một trend. Chúng không hợp với cào cào phái. Buồn ngủ lắm.

Osci, hay các chỉ số momentum, thường cho tín hiệu nhiều hơn, sớm hơn và vì vậy, rất hợp với cào cào. Chúng có nhược điểm là đôi khi không chắc chắn.

Cũng phải thôi. Chậm thường chắc, nhanh thường ẩu. Được cái lọ thì mất cái chai. Âu cũng là quy luật trade-off của tạo hóa.

Như em đã nói, do VNI hiện nay chủ yếu là trending nên ta có thể sống vui, sống khỏe bằng các hệ trend-following. Tuy nhiên, khi thị trường đủ lớn, đủ phức tạp, sẽ xuất hiện ngày càng nhiều các giai đoạn sideways (và các cổ phiếu sideways khi thị trường trending). Khi đó, các chỉ số Osci sẽ được biết đến và dùng nhiều hơn.

Thích nhỉ.
Còn cả một thời gian dài để nghiên cứu và sử dụng thành thạo Osci

----------

Cổ khác nhau có thể hợp với Indi khác nhau.
Có anh dùng MACD rất hợp, có anh lại hợp với RSI.
Vì vậy, khi dùng công cụ nào, các bác nên nhìn lại quá khứ để xem cổ mục tiêu có hợp với công cụ đó không.
Đừng bắt mèo phải thuận hòa với tó

----------

Dùng Indi nào là tùy theo sở thích của mình nhưng nên lưu ý 3 nguyên tắc chính:

Một là ít thôi. 4-5 cái là đủ. Đừng rườm rà mà gặp cảnh lắm thày nhiều ma. Biết nhiều không thích bằng kiếm được tiền nhiều.

Hai là phải hiểu và master chúng cho kỹ trước khi dùng. Đừng đem dao bầu ra chém ruồi và cũng đừng tưởng chém được một lần thì sẽ chắc chắn chém được lần 2.

Ba là trong 4-5 cái đó, nên có cả loại trend-following và loại momentum để chúng bổ sung cho nhau, confirm lẫn nhau.

----------

Trở lại câu chuyện "gọt chân cho vừa giày" (chỉnh các thông số mặc định của Indi).

Rõ ràng là chỉnh được và nhiều lúc nên chỉnh để tìm ra hệ tham số cho nhiều tín hiệu đúng nhất. Nhưng, như em đã nói, cần hiểu hạn chế của nó, đừng "đóng đinh" mình vào thánh giá.

Một số chuyên gia khuyên rằng, sau 1 năm, nên test lại toàn bộ 1 lần để điều chỉnh tiếp tham số cho phù hợp với trạng thái mới của thị trường, nếu cần.

Em cẩn thận.
Ngày nào em cũng tét, cũng thay xoành xoạch.
Kết quả là gọt hết cả 2 chân, gọt cả vào ....
Không nói nữa đâu, ngượng lắm

----------

Nhiều Indi có thể tạo phân kỳ với đường giá.
Nếu gặp một Indi có khả năng như vậy, các bác hãy chú ý sử dụng tín hiệu quan trọng này.
Nó có thể giúp ta tránh được bát mắm tôm có khuẩn o-la-ba-ma-ca-ra-la.
Cái cảm giác thanh thản, khoan khoái khi nhìn đám đông nhăn nhó ôm bụng đi ngoài nó yomost lắm

----------

Cuối cùng là chuyện MACD.

MACD là một Indi lưỡng tính. Vừa là trend-following, vừa là momentum.

Nó là trend-following bởi nó được tạo ra từ 2 giá trị EMA, các chỉ số trend-following.

Tuy nhiên, do nó là hiệu số của 2 giá trị EMA nên nó có thể cho ta thấy chênh lệch giữa giá gần với giá xa. Chênh lệch đó có thể nói về momentum.

Khi giá gần đây (12 ngày) cao hơn hẳn giá của những ngày trước đó (26 ngày), hiệu số của EMA12 - EMA26 sẽ lớn, MACD sẽ đi lên. Hướng đi, góc đi của MACD cho ta thấy được đà tăng giá, thấy được momentum.

Có những người bỏ cả đời để hiểu MACD chính là vì lý do "lưỡng tính" này. Vừa nhận biết được xu thế (trend), vừa nhận biết được đà (momentum), còn gì tuyệt hơn.

Lấy vợ, ai cũng muốn vừa đẹp vừa .. ít nói
MACD là một cô vợ như vậy!

Hôm nay mùng 9/3 rồi, cho em mạnh mồm tí.
Phải ngày 8/3, các bác gái ở đây chắc chém em chết rồi
Trừ các bác vừa đẹp, vừa ít nói, nhở

----------

Các bác chán rồi đúng không?
Em đã bảo rồi, Indi và Osci là thứ "chán nhất và vớ vẩn nhất" của PTKT

Em dừng để chuyển sang phần sau nhé.
Không tra tấn các bác nữa

9. Hãy tự xây dựng cho mình một system

Do em lười, gộp cả Indi và Osci vào một phần nên phần này lẽ ra là phần 10 lại thành phần 9.
Cũng hay, tránh được con số 13.

Trước khi bắt đầu phần này, em xin nói trước: các bác đừng bắt bẻ em về định nghĩa system nhá
Các bác mà đưa kinh viện, sách vở ra là em thua luôn.
Em chỉ biết nôm na ô ba hoa thôi

9. Build your own system

9.1- Hệ là gì?

Các bác sẽ hỏi: "Thấy chú cứ cúc ca cúc cu suốt về hệ, vậy hệ là gì?"

Hỏi đúng quá! Không định nghĩa được nó là gì thì xây nó thế quái nào được!

Không khéo lại lâm vào tình trạng biệt thự Tây Hồ, cổng vào Trung Hoa, cửa sổ Nhật, thềm Pháp, mái điện Kremlin, khuyến mại thêm một cột thu lôi made in Cổ Nhuế có gắn một chiếc sịp rách ngẩn ngơ bay (trong nỗi nhớ một thời sexy) thay cho cờ đuôi nheo

Nhưng mà, để trả lời được câu hỏi của các bác, mỏi mồm lắm và cũng dễ cãi nhau lắm.

Tính em vừa hiền, vừa lười nên vừa ngại cãi nhau, vừa ngại mỏi mồm. Vậy nên, hôm nọ, em mới bẩu: đừng vác sách vở ra để bắt bẻ em về định nghĩa "thế nào là hệ".

Với em, tại topic này, theo cái mạch này, hệ là tập hợp của một (hoặc một vài) công cụ PTKT, giúp em xác định mấy việc:

+ Tín hiệu vào - ra
+ Quy mô đầu tư, và
+ Mức stoploss (dĩ nhiên rồi, em loss suốt ngày à )

Có bác nào đó nói rằng hệ còn phải giúp ta "lọc ra được cổ phiếu chiến thắng được VNI".
Được thế thì tốt quá.
Bác nào có cái hệ đó thì share cho em với nhé .

Hệ, theo như định nghĩa của em, sẽ có số lượng unlimited bởi các công cụ PTKT có thể phối kết hợp với nhau theo unlimited ways, tùy theo trí tưởng tượng của kiến trúc sư.

Hệ, theo như định nghĩa của em, là tương đối dễ xây và dễ vận hành bởi Indi, Osci và nhiều công cụ khác đều có sẵn, cứ mở chart ra là thấy.

Cái gì dễ xây, dễ thấy, dễ vận hành thì về nguyên tắc sẽ không đem lại cho ta nhiều lợi thế (edge). Tuy nhiên, do tuyệt đại đa số chúng ta đều có 2 đặc tính rất đáng yêu là tham lam và vô kỷ luật nên hệ vẫn có chỗ đắc dụng.

Vì sao? Vì sinh ra hệ là để giúp ta đè nén cảm xúc.
Vừa dùng hệ, vừa dùng cảm xúc thì khác gì trộn viagra với rau răm, có tu đến 9 kiếp thì cũng chỉ thành tinh, không thành tiên

Tham lam và vô kỷ luật sẽ khiến 99% những người dùng hệ nhận thấy hệ vô tác dụng.

Đó cũng chính là lúc mà hệ có tác dụng.
Với 1% còn lại

Không có gì là "cao siêu" cả.

Stoploss mà em đề cập ở đây là loss thực sự. Nghĩa là, khi hệ cho tín hiệu, ta vào (enter). Do hệ nào cũng có xác suất sai nên mức stoploss được đặt ra để dự phòng cho trường hợp vào sai. Bởi vậy, stoploss mà em nói là bộ phận cấu thành của ENTER.

Cái mà bác nói là cho stop chạy theo giá ở một khoảng cách không đổi (sau khi giá đã chạy như dự đoán) để bảo toàn lợi nhuận. Nó là bộ phận cấu thành của EXIT, không phải của ENTER.

Có những hệ, với độ chậm của nó, có thể giúp ta tránh được việc nhảy nhót như cào cào, yên lòng ngồi thù lù cho tới khi thấy rõ được rằng: giá đã tạo đỉnh. Đi theo hệ ấy, đâu phải là tham

Cái sự "tham lam" mà em nói là luôn mong chờ câu chuyện thần kỳ: mua đúng đáy, bán đúng đỉnh. Chả có cái hệ nào giúp được việc ấy cả nên những người muốn "mua đúng đáy, bán đúng đỉnh" sẽ luôn coi hệ là vô tác dụng

Bác có nhắc hàng nóng. Em không nghĩ TA vô tác dụng với hàng nóng và hàng làm giá.

Em nghĩ, khi đã thạo VSA, ta sẽ thấy nhiều điều thú vị mà trước ta không thấy. Thí dụ như thả một lô sàn đầu giờ để tạo spread lớn trong phiên (PVS), hay tay phải - tay trái để tạo KLGD lớn khi vượt cản (DQC) v..v.

Những hành vi đó có thể qua mắt những người mới đến với VSA nhưng làm sao qua mắt được các bậc thầy (không có em trong đó đâu )

Nhưng, những chuyện như thế là chuyện của sau này, khi em bớt linh tinh hơn hiện nay.
Bây giờ, em chỉ muốn bàn linh tinh về gạch, cát và xi măng.

Khi đã biết công dụng của gạch, cát và xi măng, em sẽ thử xây cho mình một căn nhà.
Mọi người nhìn vào, chắc chắn sẽ chê bởi nó không thể đẹp như biệt thự Tây Hồ, không thể chứa được hàng nóng, hàng lạnh

Nhưng mà, khi đã có nhà, dù xấu xí, em sẽ không bị ướt khi trời mưa.

Và em luôn tin rằng, từ cái nhà đầu tiên như cái chuồng lợn ấy, sẽ có ngày em xây được biệt thự như biệt thự Tây Hồ, thềm Pháp, cửa sổ Nhật, mái Kremlin ..

Và, trên cột thu lôi made in Cổ Nhuế, sẽ ngạo nghễ bay một biểu hiện tuyệt vời của tình yêu thời thổ tả .

Đấy, cứ phải linh tinh như thế này này

1. Theo sợi chỉ đỏ, thì bây giờ Index đang ở loại trend gì.

No Trend

2. Các điều kiện thường có trước khi thị trường vào một uptrend mạnh là gì.

Một trong các điều kiện là "khi ai cũng cho rằng thị trường đang no trend hoặc sẽ còn tiếp tục down-trend mạnh"

3. Vì sao trước đây Index cứ hết uptrend, là sang downtrend. Hết down là lại tăng được ngay. Mà đợt này side way lâu thế.

Xem lại khoản 2, please

strade
- Quan điểm của em là thà mất cơ hội, hơn là mất tiền. Tuy nhiên thị trường này mà bác ngồi im thì đúng là cũng linh tinh quá.
- Em thường cho rằng, Vni là 1 dòng sông, trên dòng sông này sẽ có những luồng cá. Nếu uptrend -> Cá sinh sôi nảy nở nhiều -> Các bác ngư dân ung dung, cứ thả lưới là tóm được. -> Dễ dàng kiếm ăn, hầu như ai cũng có cái ăn.
- Vni downtrend -> Cá ko có, đến bác ngư dân giỏi giang nhất nhiều hôm còn mang lưới ko về, -> Cái này chắc mấy bắc ngư dân sẽ phải chuyển sang săn thú thay cá . Hay nếu các bác đủ ăn cho thời khó khăn thì cứ kê gối mà ngủ, đến giờ lấy đồ dự trữ ra ăn.
- Vni non trend; cá ít hơn trong uptrend, nhưng ko phải là ko có cá. Cả dòng sông thì ko có, nhưng có những nhánh sông nhỏ cá vẫn phát triển, vẫn bơi lội tung tăng. Những bác ngư dân kinh nghiệm thường tìm được những nhánh này để thả lưới, vẫn kiếm được cá ăn như thường.

Do đó: Nếu thị trường uptrend, nhắm mắt mua thì ít nhất cũng hòa.
Thị trường downtrend: Đi làm việc khác đợi thời.
Thị trường notrend: Chia nhỏ thành những index nhỏ hơn. Xem hiện tại nhánh nào đang có cá. Cái này có thể chia theo ngành, theo market cap, hay đơn giản nhất là ai thích chia thế nào thì chia và sẽ tìm kiếm cơ hội trên những sub index này.

Chứ đúng là nontrend mà ngồi chơi như cái bác Linh Tinh này chắc nhà bác đã đủ ăn cho mấy vụ mất mùa tiếp theo rồi.

He he .. em nhớ có lần em nói em càng ngày càng khoái bác. Quả đúng như vậy (không phải khoái kiểu SD8 đâu, bác đừng lo )

Em được cái ba phải nên xin phát biểu: em nhất trí với .. tất cả các bác

Em rất muốn chúng ta "linh tinh" để mở hướng tư duy cho phương pháp trade trong thị trường no-trend. Vì vậy, những gì mà bác strade nói (tạm gọi là "sub-index approach") chính là thứ mà em và nhiều anh em khác muốn nghe Thank you !

Tư duy tiếp theo hướng mà bác strade đã mở, ta sẽ thấy các cổ tăng nóng trong thời gian qua đều có một số dấu hiệu chung trước khi chúng bật

Em ngồi im vì đúng như bác SN nói, nó là hệ quả tất yếu của năng lực + triết lý trade. Về năng lực, em không phải "ngư dân có kinh nghiệm". Về triết lý, em mua bán theo trend của VNI. Em không ngồi im là em tự mâu thuẫn với chính em mất rồi

Em làm cái gì cũng linh tinh. Riêng có một thứ không linh tinh: đó là luôn cố gắng không mâu thuẫn với chính mình.
Logic đầy người còn chết như trong phim với màn hình phẳng.
Mâu thuẫn nữa thì có mà ..

Thôi, chả dám tưởng tượng

10 Model Machine Learning phổ biến trong dự báo xu hướng giá cổ phiếu

noreply@blogger.com (Le Dang Trung Hieu) — Fri, 10 Sep 2021 03:44:00 +0000

Thị trường chứng khoán là nơi mà mọi người đều mong muốn tìm ra các "câu thần chú" để dự đoán thành công giá cổ phiếu. Mặc dù vậy, hầu như giá là thứ không thể dự đoán một cách chính xác.

Trong bài viết này, mình sẽ giới thiệu qua một thư viện rất hay, hỗ trợ cả 10 Model phổ biến nhất trong dự báo chuỗi thời gian. Và áp dụng thử 4 Model là SARIMA, Facebook Prophet, HoltWinters & Vector AutoRegression (VAR), để mô phỏng lại quá trình dự báo giá dựa trên lịch sử giá.

Thư viện Kats do Facebook's Data Science team xây dựng và phát triển. Trong thư viện có support hầu hết các model dự báo Time Series phổ biến như: Linear, Quadratic, ARIMA, SARIMA, Holt-Winters, Prophet, AR-Net, Theta, VAR. Hay thậm chí model Deep Learning là LSTM.

Lưu ý:

Model được áp dụng đơn giản, chưa Tuning Parameter cũng như khung thời gian train là rất ngắn. Do đó những Model trong bài viết mang tính chất giới thiệu là chính, còn hiệu quả về mặt đầu tư thì cần phải có thời gian đánh giá lại. Việc chỉ dùng giá mở cửa, cao nhất, thấp nhất, khối lượng để dự báo giá đóng cửa mang rất nhiều rủi ro
Model thiết lập đơn giản đến mức bạn có thể clone một bản trên colab, và chỉ thay đổi dữ liệu đầu vào theo đúng cấu trúc là được.
Thư viện KATS cũng có hỗ trợ cả việc điều chỉnh tham số (Tuning Parameter) của các Model, cũng như Back Testing error như MAE, MSE, RMSE, MAPE,... Tuy nhiên, mình sẽ viết về phần này trong một bài viết khác!
Dữ liệu bên dưới là dữ liệu của Chứng Khoán Bản Việt (HoSE:VCI), mình trích xuất từ V-Pro của Chứng Khoán Bản Việt (HoSE:VCI). Bên dưới cũng có hướng dẫn cách export nhanh cho ai muốn vọc thử liền. (ai muốn dùng thử VPro thì mở tk ở đây)
Mình cũng có viết những bài viết khác về áp dụng AI trong đầu tư như: Algo Trading trong phân tích tâm lí thị trường (Sentiment), Áp dụng Machine Learning trong dự báo lợi nhuận đầu tư,... Tham khảo thêm

----------------------------------------------------------------

Lê Đặng Trung Hiếu

Supervisor

Phòng ABS, CTCP Chứng Khoán Bản Việt

Tầng 8, Sailing Tower, 111A Pasteur, Quận 1, TpHCM

Kết nối bạn bè: Facebook | Github | Linkedin
----------------------------------------------------------------

OK không nói nhiều nữa, bắt đầu thôi!

Đầu tiên là applied thư viện KATS:

pip install kats

Mình nhập data mẫu từ V-Pro VCSC lên Github để call cho dễ, hướng dẫn như hình bên dưới. Nếu bạn nào có biết nơi để call dữ liệu realtime (và free để ai cũng dùng dc :D ) thì comment support mình nhé.

Ở đây mình chỉ giới thiệu thư viện & các thuật toán, nên mình chỉ filter ra 200 phiên gần nhất để chạy các Model mẫu. (đỡ phải chờ lâu :))

Bạn có thể dùng nhiều dữ liệu train hơn nếu muốn.

Bảng dữ liệu mẫu sẽ như thế này:

Set up 2 tệp dữ liệu đào tạo và kiểm tra

Chắc hẳn mọi người sẽ hỏi vì sao không random như các bài toán ML khác? thì mình xin trả lời ngắn gọn là do tính chất của bài toán dự báo, dữ liệu cơ sở là dùng giá lịch sử để dự báo là giá của ngày hôm sau. (trong bài là giá đóng cửa)

Và còn một điều cần phải thống nhất nữa, mình setup train 170 phiên & giữ lại test 30 phiên. Trên phần vẽ biểu đồ, mình compair phần model tính toán với phần data real để tiện so sánh độ hiệu quả.

Chạy các Model Machine Learning

Model SARIMA

SARIMA và ARIMA là những mô hình sử dụng rộng rãi nhất để dự báo chuỗi thời gian.ARIMA model là viết tắt của cụm từ Autoregressive Intergrated Moving Average. Mô hình sẽ biểu diễn phương trình hồi qui tuyến tính đa biến (multiple linear regression) của các biến đầu vào, còn SARIMA về bản chất là mô hình ARIMA nhưng được điều chỉnh đặc biệt để áp dụng cho những chuỗi thời gian có yếu tố mùa vụ.

Phía dưới mình biều diễn 2 biểu đồ với 2 ý nghĩa khác nhau:

Biểu đồ đầu tiên là so sánh giá (Close) giữa thực tế và model dự báo.
Biểu đồ thứ 2 là giá lịch sử (170 phiên) & giá dự báo (30 phiên tiếp theo)

Model Facebook Prophet

Thuật toán Facebook Prophet được giới thiệu lần đầu vào năm 2017, do Facebook’s Core Data Science team sáng tạo nên. Facebook Prophet cung cấp các thông số trực quan, dễ điều chỉnh. Ngay cả những người không đủ chuyên môn sâu về các mô hình dự báo chuỗi thời gian (như mình) cũng có thể sử dụng.

Facebook Prophet còn có nhiều tính năng hay như xác định tính mùa vụ theo ngày / tháng, xác định phiên giao dịch bất thường (outlier detection)

from kats.models.prophet import ProphetModel, ProphetParams
params = ProphetParams(seasonality_mode="additive")
m = ProphetModel(ts,params)
m.fit()
fcst = m.predict(steps=30, freq="D")
fcst['Close'] = test['Close']
import seaborn as sns
plt.figure(figsize = (11,5))
plt.xticks(rotation=20)
plt.title('So sánh giá dự báo & giá thực tế')
sns.lineplot(x=fcst['time'], y=fcst['fcst'], label="Giá dự báo", color="b")
sns.lineplot(x=fcst['time'], y=fcst['Close'], label ="Giá thực tế", color = 'red')
m.plot()

Model HoltWinters

Mình không tìm hiểu sâu về nền tảng của HoltWinter. Tuy nhiên, bạn có thể đọc thêm về phương pháp này tại đây

Model Vector autoregression (VAR)

Vector autoregression (VAR) là một thuật toán dự báo đa biến, cũng được hỗ trợ sẵn trong Kats. Bây giờ chúng ta sẽ áp dụng VAR để dự báo xu hướng giá mở cửa & đóng cửa nhé.

Phần plot của Kats.VARModel hơi chuối, nhìn tạm nhé mn.

Lời cuối:

Bài viết này chia sẻ đến cộng đồng đầu tư những bước đi đến với ứng dụng Machine Learning trong dự báo giá cổ phiếu. Có thể nó sẽ góp phần tối ưu hóa quá trình đầu tư của bạn, cũng như cải thiện kỹ năng viết bài của mình :))

Nếu thích bạn có thể kết nối bạn bè, hoặc đọc thêm các bài viết khác của mình trên https://www.cafechungkhoan.com

Link code của bài viết: https://github.com/cafechungkhoan/deeplearning-predict-stock

Ứng dụng Deep Learning dự báo Campaign Marketing hiệu quả

noreply@blogger.com (Le Dang Trung Hieu) — Thu, 26 Aug 2021 04:59:00 +0000

Áp dụng Deep Learning để dự báo kết quả tiếp cận thành công một campaign quảng cáo

Bài viết này mình thử dùng thuật toán Artificial Neural Network (ANN) để xử lí một tệp dữ liệu marketing đơn giản, mục đích thử phân loại xem hành vi Yes/No của người dùng trong dataset có những yếu tố nào ảnh hưởng, cũng như thử build một mô hình dự báo bằng Deep Learning. Mô hình cho ra kết quả với độ chính xác accuracy (test data) = 90.8% - Final loss (Test data): 0.2293

Quan sát kết quả EDA label tổng quát trong data này:

Nhận thấy có tỉ lệ thành công tốt đặc biệt với poutcome = success(yếu tố này cho biết là campaign trước thành công là dấu hiệu cho tỉ lệ thành công lần này cũng cao)
Người thất nghiệp và đã nghỉ hưu lại có tỉ lệ tiếp cận thành công cao hơn các job khác
Người không vay nợ lại có tỉ lệ tiếp cận thành công tốt hơn người có vay nợ.
Người tốt nghiệp đại học có tỉ lệ tiếp cận thành công hơn những người mới có bằng primary hay secondary
Người độc thân có tỉ lệ tiếp cận thành công hơn người đã có gia đình
Người không có nhà có tỉ lệ tiếp cận thành công hơn người có nhà
Tiếp cận bằng thiết bị di động có tỉ lệ tiếp cận thành công hơn người dùng các phương tiện khác

Đây là bộ dữ liệu marketing ngân hàng trong Kho dữ liệu Machine Learning của UCI (https://archive.ics.uci.edu/ml/index.php). Trong dữ liệu có các sub dữ liệu là: nhân khẩu học, thông tin vay nợ và thông tin chăm sóc khách hàng (CRM) theo thời gian. Tổng cộng 17 đặc tính và 45000 kết quả ghi nhận.

Noted: Kiến thức người viết hạn hẹp, cũng như mô hình này mắc một problem là chưa xử lí dữ liệu unbalance tỉ lệ 8:1 nên mình chọn ngưỡng baseline là 88.88%, do đó chỉ mang tính chất tham khảo học thuật là chính. Trong bài mình cũng không reScale lại data trong quá trình tiền xử lí dữ liệu.

kết nối bạn bè và trao đổi học tập:

Quan sát qua bảng dữ liệu

Nguồn data chính xác: http://archive.ics.uci.edu/ml/datasets/bank+marketing

Mục tiêu: phân loại Yes/No (feature 'y' trong dataset) những người có thực hiện ý đồ của campaign marketing (ví dụ mua hàng, vay tiền, sử dụng coupon)

Đây là bộ dữ liệu marketing ngân hàng trong Kho dữ liệu Machine Learning của UCI (https://archive.ics.uci.edu/ml/index.php). Bộ dữ liệu cung cấp thông tin về một chiến dịch tiếp thị của một tổ chức tài chính. Nhiệm vụ phân tích trong vấn đề này là để tìm cách tìm kiếm các chiến lược trong tương lai nhằm cải thiện các chiến dịch tiếp thị trong tương lai cho ngân hàng.

Các yếu tố (Feature) trong dữ liệu bao gồm:

age: tuổi của người tiếp cận
job: nghề nghiệp bao gồm admin, blue-collar, entrepreneur, housemaid, management, retired, self-employed, services, student, technician, unemployed
marital: tình trạng hôn nhân bao gồm: married, single, divorced
education: trình độ học vấn hiện tại bao gồm primary,secondary,tertiary (đại học)
balance: Số tiền trên tài khoản giao dịch bao gồm tất cả các giao dịch đầy đủ và hoàn chỉnh cũng như các hoạt động phi thương mại như nạp và rút tiền.
housing: có nhà hay chưa
loan: có vay hay không
day: ngày campaign tiếp cận gần nhất (ngày mấy của tháng, số kéo dài từ 1 đến 31 ngày)
month: tháng campaign tiếp cận gần nhất của năm (phân loại: 'jan', 'feb', ' mar ', ...,' nov ',' dec ')
contact: loại phương tiện liên lạc (phân loại: 'di động', 'điện thoại')
duration: thời lượng liên lạc cuối cùng, tính bằng giây.
campaign: số thứ tự chiến dịch
pday: số ngày trôi qua sau khi khách hàng được liên hệ lần cuối từ chiến dịch trước đó
previous: số lượng liên hệ được thực hiện trước chiến dịch này và cho khách hàng này
poutcome: kết quả của chiến dịch tiếp thị trước đó (phân loại: 'thất bại', 'không tồn tại', 'thành công')

In [2]:

eda = pd.read_csv(r"https://raw.githubusercontent.com/cafechungkhoan/chu_gia/master/bank%20marketing.csv",delimiter=';')
eda = pd.DataFrame(eda)
eda

Out[2]:

	age	job	marital	education	default	balance	housing	loan	contact	day	month	duration	campaign	pdays	previous	poutcome	y
0	58	management	married	tertiary	no	2143	yes	no	unknown	5	may	261	1	-1	0	unknown	no
1	44	technician	single	secondary	no	29	yes	no	unknown	5	may	151	1	-1	0	unknown	no
2	33	entrepreneur	married	secondary	no	2	yes	yes	unknown	5	may	76	1	-1	0	unknown	no
3	47	blue-collar	married	unknown	no	1506	yes	no	unknown	5	may	92	1	-1	0	unknown	no
4	33	unknown	single	unknown	no	1	no	no	unknown	5	may	198	1	-1	0	unknown	no
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
45206	51	technician	married	tertiary	no	825	no	no	cellular	17	nov	977	3	-1	0	unknown	yes
45207	71	retired	divorced	primary	no	1729	no	no	cellular	17	nov	456	2	-1	0	unknown	yes
45208	72	retired	married	secondary	no	5715	no	no	cellular	17	nov	1127	5	184	3	success	yes
45209	57	blue-collar	married	secondary	no	668	no	no	telephone	17	nov	508	4	-1	0	unknown	no
45210	37	entrepreneur	married	secondary	no	2971	no	no	cellular	17	nov	361	2	188	11	other	no

45211 rows × 17 columns

Xử lí tiền dữ liệu

Mình xử lí bằng cách Drop các feature thiếu trên 30% dữ liệu, còn lại loại bỏ các hàng chứa dữ liệu thiếu dropna()

Mình trực quan dữ liệu thiếu bằng 'Missing Value Heatmaps'. Nếu chưa biết dạng chart bên dưới có thể đọc thêm về (Missing Value Heatmaps). Nó cho biết dữ liệu thiếu nằm tại vị trí nào của dataset https://dev.to/tomoyukiaota/visualizing-the-patterns-of-missing-value-occurrence-with-python-46dj

In [61]:

In [7]:

target = 'y'

Giai đoạn exploratory data analysis (EDA) đầu vào

Đây là loại dữ liệu không cân bằng. Tuy nhiên, dữ liệu không cân bằng trong marketing là chuyện thường thấy, như số lượng click / không click trong một lượng tiếp cận, số lượng churn / not churn,... Problem về dữ liệu không cân bằng mình tìm hiểu nhiều, nhưng vẫn chưa có một phương pháp thỏa đáng xử lí. Hơn nữa cũng chưa thấy có report nào nói về tỉ lệ không cân bằng là bao nhiêu (trường hợp trong bài viết này là 8:1)

EDA sơ bộ những ý tưởng của mình trả lời những câu hỏi sau:

Có sự khác biệt nào giữa người mua / không mua dựa vào tuổi hay không?
Có sự khác biệt nào giữa người mua / không mua dựa vào yếu tố nghề nghiệp không?
Có sự khác biệt nào giữa người mua / không mua dựa vào yếu tố học vấn không?
Có tính chất gì lạ trong dữ liệu không?

Quan sát trước về các ditribution Numeric Feature

In [36]:

import hieu_viet_code_ne

In [5]:

eda = pd.read_csv(r"https://raw.githubusercontent.com/cafechungkhoan/chu_gia/master/bank%20marketing.csv",delimiter=';')
yes = eda[eda.y=='yes']
no = eda[eda.y=='no']
plt.figure(figsize=(12,8))
sns.set_style("darkgrid")
plt.title("Quan sát phân phối xác suất giữa Yes và No của Feature age, không thấy sự khác biệt đáng kể",{'fontsize': 15})
a = sns.kdeplot(data=yes['age'], label="yes", shade=True)
b = sns.kdeplot(data=no['age'],label="no" ,shade=True)

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

In [25]:

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

In [24]:

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

<IPython.core.display.Javascript object>

PCA & EDA tổng quát các label Feature

In [64]:

Target looks like classification
Linear Discriminant Analysis training set score: 0.613

Quan sát kết quả EDA label tổng quát

Nhận thấy có tỉ lệ thành công tốt đặc biệt với poutcome = success(yếu tố này cho biết là campaign trước thành công là dấu hiệu cho tỉ lệ thành công lần này cũng cao)
Người thất nghiệp và đã nghỉ hưu lại có tỉ lệ tiếp cận thành công cao hơn các job khác
Người không vay nợ lại có tỉ lệ tiếp cận thành công tốt hơn người có vay nợ.
Người tốt nghiệp đại học có tỉ lệ tiếp cận thành công hơn những người mới có bằng primary hay secondary
Người độc thân có tỉ lệ tiếp cận thành công hơn người đã có gia đình
Người không có nhà có tỉ lệ tiếp cận thành công hơn người có nhà
Tiếp cận bằng thiết bị di động có tỉ lệ tiếp cận thành công hơn người dùng các phương tiện khác

Encoder dữ liệu để chạy mô hình

Hiện tại mình dùng Label Encoder cho yes/no feature và dùng OneHot Encoder cho các feature label còn lại

In [3]:

data = eda
data = data.drop(['poutcome','contact'] , axis = 1)
data = data.replace('yes',1)
data = data.replace('no',0)
data = pd.get_dummies(data)
data.head()

Out[3]:

	age	balance	housing	loan	day	duration	campaign	pdays	...	month_may
0	58	2143	1	0	5	261	1	-1	...	1
1	44	29	1	0	5	151	1	-1	...	1
2	33	2	1	1	5	76	1	-1	...	1
3	47	1506	1	0	5	92	1	-1	...	1
4	33	1	0	0	5	198	1	-1	...	1

5 rows × 42 columns

Dùng data.shape thấy sau khi Onehot encoder dữ liệu, phát sinh ra đến 42 Feature, do đó cần lọc lại dữ liệu

In [66]:

data.shape

Out[66]:

(45211, 42)

Feature Selection

Có 4 vấn đề cần xử lí trong Feature Selection, trước khi vào giai đoạn Deep Learning: loại bỏ giá trị duy nhất (single unique value), tìm và xử lí các tính năng cộng tuyến (collinear features),tính năng có tầm quan trọng = 0 và tính năng kém quan trọng ( hiện tại bài viết mình xử lí bằng bằng gradient boosting machine)

Đọc thêm về Feture Selection bằng Gradient Boosting Machine https://arxiv.org/abs/1901.04055

In [26]:

Thử ngưỡng đa cộng tuyến 0.8 thì vẫn ko có nên mình pass qua vấn đề này

Trực quan kết quả đa cộng tuyến bằng Dendogram

In [41]:

Out[41]:

<matplotlib.axes._subplots.AxesSubplot at 0x1b503c6ce88>

In [29]:

0 features with a correlation magnitude greater than 0.80.

[]

Out[29]:

	drop_feature	corr_feature	corr_value

In [30]:

Training Gradient Boosting Model

Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[344]	valid_0's auc: 0.935519	valid_0's binary_logloss: 0.194667
Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[278]	valid_0's auc: 0.935839	valid_0's binary_logloss: 0.194577
Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[311]	valid_0's auc: 0.942968	valid_0's binary_logloss: 0.186193
Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[198]	valid_0's auc: 0.934594	valid_0's binary_logloss: 0.196641
Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[342]	valid_0's auc: 0.936459	valid_0's binary_logloss: 0.193615
Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[471]	valid_0's auc: 0.94093	valid_0's binary_logloss: 0.188461
Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[254]	valid_0's auc: 0.93385	valid_0's binary_logloss: 0.198337
Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[281]	valid_0's auc: 0.935248	valid_0's binary_logloss: 0.196619
Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[284]	valid_0's auc: 0.938564	valid_0's binary_logloss: 0.192148
Training until validation scores don't improve for 100 rounds
Early stopping, best iteration is:
[228]	valid_0's auc: 0.939406	valid_0's binary_logloss: 0.190966

0 features with zero importance after one-hot encoding.

Biểu diễn 20 Feature có ảnh hưởng đến kết quả

Chỉ nhìn vào đây, có thể cải thiện kết quả quảng cáo thông qua những feature hàng đầu như: duration, balance, day, age,...

Dựa vào kết quả Cumulative, mình giữ lại luôn 41 Feature để chạy mô hình, không drop feature nào cả.

In [34]:

44 features required for 0.99 of cumulative importance

Áp dụng Deep Learning để phân loại

Mình đã Tuning Model bằng RandomSearchCV và pick activation = sigmoid, optimizer = Adagrad và batch_size = 16. Loss function là: binary_crossentropy, metrics đánh giá mô hình là accuracy

Và bên dưới là kết quả:

In [ ]:

In [ ]:

In [69]:

Model: "sequential_3"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_9 (Dense)              (None, 41)                1722      
_________________________________________________________________
dense_10 (Dense)             (None, 41)                1722      
_________________________________________________________________
dense_11 (Dense)             (None, 41)                1722      
_________________________________________________________________
dense_12 (Dense)             (None, 1)                 42        
=================================================================
Total params: 5,208
Trainable params: 5,208
Non-trainable params: 0
_________________________________________________________________

In [70]:

a = model.fit(X_train, y_train, batch_size = 16, epochs = 500)
final_loss, final_acc = model.evaluate(X_test, y_test, verbose = 0)
print("Final loss (Test data): {0:.4f}, final accuracy (Test data): {1:.4f}".format(final_loss, final_acc))

Epoch 1/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.3022 - accuracy: 0.8829
Epoch 2/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2784 - accuracy: 0.8886
Epoch 3/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2727 - accuracy: 0.8888
Epoch 4/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2670 - accuracy: 0.8890
Epoch 5/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2628 - accuracy: 0.8897
Epoch 6/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2565 - accuracy: 0.8908
Epoch 7/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2523 - accuracy: 0.8906
Epoch 8/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2489 - accuracy: 0.8913
Epoch 9/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2463 - accuracy: 0.8917
Epoch 10/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2437 - accuracy: 0.8922
Epoch 11/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2437 - accuracy: 0.8924
Epoch 12/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2408 - accuracy: 0.8935
Epoch 13/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2400 - accuracy: 0.8942
Epoch 14/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2394 - accuracy: 0.8947
Epoch 15/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2386 - accuracy: 0.8943
Epoch 16/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2379 - accuracy: 0.8941
Epoch 17/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2371 - accuracy: 0.8952
Epoch 18/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2363 - accuracy: 0.8941
Epoch 19/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2352 - accuracy: 0.8946
Epoch 20/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2355 - accuracy: 0.8953
Epoch 21/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2344 - accuracy: 0.8949
Epoch 22/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2348 - accuracy: 0.8948
Epoch 23/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2333 - accuracy: 0.8957
Epoch 24/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2337 - accuracy: 0.8950
Epoch 25/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2331 - accuracy: 0.8955
Epoch 26/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2326 - accuracy: 0.8948
Epoch 27/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2325 - accuracy: 0.8957
Epoch 28/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2314 - accuracy: 0.8961
Epoch 29/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2321 - accuracy: 0.8965
Epoch 30/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2314 - accuracy: 0.8961
Epoch 31/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2311 - accuracy: 0.8961
Epoch 32/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2308 - accuracy: 0.8966
Epoch 33/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2304 - accuracy: 0.8963
Epoch 34/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2302 - accuracy: 0.8959
Epoch 35/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2296 - accuracy: 0.8954
Epoch 36/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2299 - accuracy: 0.8962
Epoch 37/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2297 - accuracy: 0.8963
Epoch 38/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2293 - accuracy: 0.8973
Epoch 39/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2291 - accuracy: 0.8965
Epoch 40/500
31647/31647 [==============================] - 2s 74us/step - loss: 0.2290 - accuracy: 0.8963
Epoch 41/500
31647/31647 [==============================] - 2s 75us/step - loss: 0.2288 - accuracy: 0.8965
Epoch 42/500
31647/31647 [==============================] - 2s 72us/step - loss: 0.2284 - accuracy: 0.8965
Epoch 43/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2287 - accuracy: 0.8964
Epoch 44/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2283 - accuracy: 0.8975
Epoch 45/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2279 - accuracy: 0.8968
Epoch 46/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2279 - accuracy: 0.8976
Epoch 47/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2272 - accuracy: 0.8975
Epoch 48/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2272 - accuracy: 0.8968
Epoch 49/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2274 - accuracy: 0.8972
Epoch 50/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2269 - accuracy: 0.8977
Epoch 51/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2271 - accuracy: 0.8974
Epoch 52/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2268 - accuracy: 0.8979
Epoch 53/500
31647/31647 [==============================] - 2s 68us/step - loss: 0.2265 - accuracy: 0.8966
Epoch 54/500
31647/31647 [==============================] - 2s 68us/step - loss: 0.2267 - accuracy: 0.8977
Epoch 55/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2265 - accuracy: 0.8980
Epoch 56/500
31647/31647 [==============================] - 2s 68us/step - loss: 0.2264 - accuracy: 0.8979
Epoch 57/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2263 - accuracy: 0.8971
Epoch 58/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2257 - accuracy: 0.8986
Epoch 59/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2260 - accuracy: 0.8980
Epoch 60/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2260 - accuracy: 0.8978
Epoch 61/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2257 - accuracy: 0.8986
Epoch 62/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2256 - accuracy: 0.8989
Epoch 63/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2251 - accuracy: 0.8983
Epoch 64/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2251 - accuracy: 0.8982
Epoch 65/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2251 - accuracy: 0.8978
Epoch 66/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2250 - accuracy: 0.8988
Epoch 67/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2251 - accuracy: 0.8976
Epoch 68/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2249 - accuracy: 0.8980
Epoch 69/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2246 - accuracy: 0.8982
Epoch 70/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2245 - accuracy: 0.8987
Epoch 71/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2246 - accuracy: 0.8988
Epoch 72/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2243 - accuracy: 0.8985
Epoch 73/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2240 - accuracy: 0.8983
Epoch 74/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2243 - accuracy: 0.8988
Epoch 75/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2240 - accuracy: 0.8990
Epoch 76/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2242 - accuracy: 0.8991
Epoch 77/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2240 - accuracy: 0.8986
Epoch 78/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2235 - accuracy: 0.8990
Epoch 79/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2239 - accuracy: 0.8986
Epoch 80/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2238 - accuracy: 0.8989
Epoch 81/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2236 - accuracy: 0.8991
Epoch 82/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2235 - accuracy: 0.8988
Epoch 83/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2235 - accuracy: 0.8988
Epoch 84/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2236 - accuracy: 0.8993
Epoch 85/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2236 - accuracy: 0.8992
Epoch 86/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2235 - accuracy: 0.8985
Epoch 87/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2234 - accuracy: 0.8994
Epoch 88/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2230 - accuracy: 0.8989
Epoch 89/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2233 - accuracy: 0.8991
Epoch 90/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2231 - accuracy: 0.8991
Epoch 91/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2228 - accuracy: 0.8993
Epoch 92/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2229 - accuracy: 0.8984
Epoch 93/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2225 - accuracy: 0.8989
Epoch 94/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2228 - accuracy: 0.8994
Epoch 95/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2222 - accuracy: 0.8991
Epoch 96/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2226 - accuracy: 0.9000
Epoch 97/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2225 - accuracy: 0.8990
Epoch 98/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2224 - accuracy: 0.8995
Epoch 99/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2222 - accuracy: 0.8994
Epoch 100/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2223 - accuracy: 0.8998
Epoch 101/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2220 - accuracy: 0.8992
Epoch 102/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2220 - accuracy: 0.8999
Epoch 103/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2218 - accuracy: 0.8997
Epoch 104/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2220 - accuracy: 0.9000
Epoch 105/500
31647/31647 [==============================] - 2s 74us/step - loss: 0.2218 - accuracy: 0.8997
Epoch 106/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2218 - accuracy: 0.9001
Epoch 107/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2214 - accuracy: 0.8995
Epoch 108/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2216 - accuracy: 0.8997
Epoch 109/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2217 - accuracy: 0.9000
Epoch 110/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2212 - accuracy: 0.9006
Epoch 111/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2214 - accuracy: 0.8998
Epoch 112/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2211 - accuracy: 0.9002
Epoch 113/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2215 - accuracy: 0.9002
Epoch 114/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2211 - accuracy: 0.9001
Epoch 115/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2212 - accuracy: 0.9001
Epoch 116/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2211 - accuracy: 0.9002
Epoch 117/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2209 - accuracy: 0.9001
Epoch 118/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2209 - accuracy: 0.9002
Epoch 119/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2204 - accuracy: 0.9004
Epoch 120/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2208 - accuracy: 0.9003
Epoch 121/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2206 - accuracy: 0.9010
Epoch 122/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2202 - accuracy: 0.8996
Epoch 123/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2206 - accuracy: 0.9001
Epoch 124/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2209 - accuracy: 0.8998
Epoch 125/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2208 - accuracy: 0.9005
Epoch 126/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2202 - accuracy: 0.9013
Epoch 127/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2206 - accuracy: 0.9005
Epoch 128/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2202 - accuracy: 0.9006
Epoch 129/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2202 - accuracy: 0.9013
Epoch 130/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2200 - accuracy: 0.9005
Epoch 131/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2202 - accuracy: 0.9009
Epoch 132/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2199 - accuracy: 0.9009
Epoch 133/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2200 - accuracy: 0.9003
Epoch 134/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2195 - accuracy: 0.9004
Epoch 135/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2201 - accuracy: 0.9010
Epoch 136/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2201 - accuracy: 0.9010
Epoch 137/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2198 - accuracy: 0.9006
Epoch 138/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2193 - accuracy: 0.9004
Epoch 139/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2197 - accuracy: 0.9012
Epoch 140/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2196 - accuracy: 0.9007
Epoch 141/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2195 - accuracy: 0.9010
Epoch 142/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2192 - accuracy: 0.9005
Epoch 143/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2196 - accuracy: 0.9013
Epoch 144/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2194 - accuracy: 0.9011
Epoch 145/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2191 - accuracy: 0.9006
Epoch 146/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2190 - accuracy: 0.9021
Epoch 147/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2196 - accuracy: 0.9001
Epoch 148/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2192 - accuracy: 0.9007
Epoch 149/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2190 - accuracy: 0.9019
Epoch 150/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2191 - accuracy: 0.9008
Epoch 151/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2190 - accuracy: 0.9012
Epoch 152/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2185 - accuracy: 0.9014
Epoch 153/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2190 - accuracy: 0.9013
Epoch 154/500
31647/31647 [==============================] - 2s 72us/step - loss: 0.2188 - accuracy: 0.9017
Epoch 155/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2189 - accuracy: 0.9013
Epoch 156/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2187 - accuracy: 0.9013
Epoch 157/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2190 - accuracy: 0.9008
Epoch 158/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2192 - accuracy: 0.9018
Epoch 159/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2186 - accuracy: 0.9016
Epoch 160/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2183 - accuracy: 0.9020
Epoch 161/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2184 - accuracy: 0.9009
Epoch 162/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2186 - accuracy: 0.9013
Epoch 163/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2184 - accuracy: 0.9020
Epoch 164/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2180 - accuracy: 0.9010
Epoch 165/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2182 - accuracy: 0.9015
Epoch 166/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2184 - accuracy: 0.9017
Epoch 167/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2178 - accuracy: 0.9017
Epoch 168/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2183 - accuracy: 0.9015
Epoch 169/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2179 - accuracy: 0.9018
Epoch 170/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2183 - accuracy: 0.9021
Epoch 171/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2181 - accuracy: 0.9023
Epoch 172/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2178 - accuracy: 0.9022
Epoch 173/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2180 - accuracy: 0.9021
Epoch 174/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2177 - accuracy: 0.9017
Epoch 175/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2173 - accuracy: 0.9019
Epoch 176/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2177 - accuracy: 0.9019
Epoch 177/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2177 - accuracy: 0.9022
Epoch 178/500
31647/31647 [==============================] - 2s 74us/step - loss: 0.2175 - accuracy: 0.9022
Epoch 179/500
31647/31647 [==============================] - 2s 74us/step - loss: 0.2174 - accuracy: 0.9014
Epoch 180/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2177 - accuracy: 0.9021
Epoch 181/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2173 - accuracy: 0.9025
Epoch 182/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2175 - accuracy: 0.9023
Epoch 183/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2175 - accuracy: 0.9026
Epoch 184/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2173 - accuracy: 0.9025
Epoch 185/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2172 - accuracy: 0.9024
Epoch 186/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2174 - accuracy: 0.9032
Epoch 187/500
31647/31647 [==============================] - 2s 72us/step - loss: 0.2174 - accuracy: 0.9026
Epoch 188/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2169 - accuracy: 0.9022
Epoch 189/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2173 - accuracy: 0.9022
Epoch 190/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2169 - accuracy: 0.9032
Epoch 191/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2169 - accuracy: 0.9027
Epoch 192/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2168 - accuracy: 0.9027
Epoch 193/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2170 - accuracy: 0.9026
Epoch 194/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2169 - accuracy: 0.9027
Epoch 195/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2168 - accuracy: 0.9028
Epoch 196/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2167 - accuracy: 0.9030
Epoch 197/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2169 - accuracy: 0.9024
Epoch 198/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2169 - accuracy: 0.9025
Epoch 199/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2167 - accuracy: 0.9029
Epoch 200/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2164 - accuracy: 0.9030
Epoch 201/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2166 - accuracy: 0.9034
Epoch 202/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2162 - accuracy: 0.9028
Epoch 203/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2163 - accuracy: 0.9032
Epoch 204/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2165 - accuracy: 0.9026
Epoch 205/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2166 - accuracy: 0.9030
Epoch 206/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2165 - accuracy: 0.9030
Epoch 207/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2162 - accuracy: 0.9033
Epoch 208/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2162 - accuracy: 0.9027
Epoch 209/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2164 - accuracy: 0.9033
Epoch 210/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2161 - accuracy: 0.9034
Epoch 211/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2160 - accuracy: 0.9036
Epoch 212/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2163 - accuracy: 0.9032
Epoch 213/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2161 - accuracy: 0.9034
Epoch 214/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2159 - accuracy: 0.9034
Epoch 215/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2162 - accuracy: 0.9036
Epoch 216/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2159 - accuracy: 0.9032
Epoch 217/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2158 - accuracy: 0.9036
Epoch 218/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2161 - accuracy: 0.9036
Epoch 219/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2159 - accuracy: 0.9036
Epoch 220/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2157 - accuracy: 0.9033
Epoch 221/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2155 - accuracy: 0.9037
Epoch 222/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2157 - accuracy: 0.9038
Epoch 223/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2158 - accuracy: 0.9038
Epoch 224/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2154 - accuracy: 0.9032
Epoch 225/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2157 - accuracy: 0.9037
Epoch 226/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2155 - accuracy: 0.9038
Epoch 227/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2156 - accuracy: 0.9033
Epoch 228/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2154 - accuracy: 0.9042
Epoch 229/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2154 - accuracy: 0.9028
Epoch 230/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2151 - accuracy: 0.9038
Epoch 231/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2153 - accuracy: 0.9035
Epoch 232/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2155 - accuracy: 0.9036
Epoch 233/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2150 - accuracy: 0.9037
Epoch 234/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2150 - accuracy: 0.9038
Epoch 235/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2153 - accuracy: 0.9041
Epoch 236/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2151 - accuracy: 0.9042
Epoch 237/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2149 - accuracy: 0.9045
Epoch 238/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2152 - accuracy: 0.9042
Epoch 239/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2150 - accuracy: 0.9038
Epoch 240/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2147 - accuracy: 0.9046
Epoch 241/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2151 - accuracy: 0.9040
Epoch 242/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2150 - accuracy: 0.9033
Epoch 243/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2146 - accuracy: 0.9043
Epoch 244/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2148 - accuracy: 0.9038
Epoch 245/500
31647/31647 [==============================] - 2s 72us/step - loss: 0.2148 - accuracy: 0.9043
Epoch 246/500
31647/31647 [==============================] - 2s 72us/step - loss: 0.2150 - accuracy: 0.9041
Epoch 247/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2147 - accuracy: 0.9032
Epoch 248/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2147 - accuracy: 0.9043
Epoch 249/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2145 - accuracy: 0.9044
Epoch 250/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2147 - accuracy: 0.9041
Epoch 251/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2145 - accuracy: 0.9047
Epoch 252/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2146 - accuracy: 0.9034
Epoch 253/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2143 - accuracy: 0.9047
Epoch 254/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2146 - accuracy: 0.9044
Epoch 255/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2143 - accuracy: 0.9041
Epoch 256/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2145 - accuracy: 0.9042
Epoch 257/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2144 - accuracy: 0.9039
Epoch 258/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2142 - accuracy: 0.9037
Epoch 259/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2142 - accuracy: 0.9043
Epoch 260/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2142 - accuracy: 0.9048
Epoch 261/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2141 - accuracy: 0.9044
Epoch 262/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2143 - accuracy: 0.9044
Epoch 263/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2143 - accuracy: 0.9040
Epoch 264/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2141 - accuracy: 0.9046
Epoch 265/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2142 - accuracy: 0.9045
Epoch 266/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2142 - accuracy: 0.9044
Epoch 267/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2137 - accuracy: 0.9043
Epoch 268/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2139 - accuracy: 0.9047
Epoch 269/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2136 - accuracy: 0.9039
Epoch 270/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2138 - accuracy: 0.9048
Epoch 271/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2140 - accuracy: 0.9048
Epoch 272/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2137 - accuracy: 0.9047
Epoch 273/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2138 - accuracy: 0.9044
Epoch 274/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2137 - accuracy: 0.9047
Epoch 275/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2137 - accuracy: 0.9047
Epoch 276/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2140 - accuracy: 0.9050
Epoch 277/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2138 - accuracy: 0.9045
Epoch 278/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2136 - accuracy: 0.9048
Epoch 279/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2134 - accuracy: 0.9055
Epoch 280/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2135 - accuracy: 0.9043
Epoch 281/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2136 - accuracy: 0.9039
Epoch 282/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2135 - accuracy: 0.9043
Epoch 283/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2137 - accuracy: 0.9048
Epoch 284/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2131 - accuracy: 0.9038
Epoch 285/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2134 - accuracy: 0.9043
Epoch 286/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2134 - accuracy: 0.9041
Epoch 287/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2132 - accuracy: 0.9050
Epoch 288/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2132 - accuracy: 0.9046
Epoch 289/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2134 - accuracy: 0.9049
Epoch 290/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2132 - accuracy: 0.9049
Epoch 291/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2131 - accuracy: 0.9050
Epoch 292/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2133 - accuracy: 0.9050
Epoch 293/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2128 - accuracy: 0.9049
Epoch 294/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2130 - accuracy: 0.9049
Epoch 295/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2127 - accuracy: 0.9047
Epoch 296/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2131 - accuracy: 0.9047
Epoch 297/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2132 - accuracy: 0.9047
Epoch 298/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2129 - accuracy: 0.9048
Epoch 299/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2130 - accuracy: 0.9059
Epoch 300/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2129 - accuracy: 0.9050
Epoch 301/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2131 - accuracy: 0.9045
Epoch 302/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2128 - accuracy: 0.9053
Epoch 303/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2129 - accuracy: 0.9051
Epoch 304/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2128 - accuracy: 0.9045
Epoch 305/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2126 - accuracy: 0.9055
Epoch 306/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2127 - accuracy: 0.9048
Epoch 307/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2125 - accuracy: 0.9045
Epoch 308/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2127 - accuracy: 0.9047
Epoch 309/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2125 - accuracy: 0.9053
Epoch 310/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2127 - accuracy: 0.9048
Epoch 311/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2126 - accuracy: 0.9051
Epoch 312/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2122 - accuracy: 0.9053
Epoch 313/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2125 - accuracy: 0.9051
Epoch 314/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2123 - accuracy: 0.9050
Epoch 315/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2124 - accuracy: 0.9051
Epoch 316/500
31647/31647 [==============================] - 2s 72us/step - loss: 0.2124 - accuracy: 0.9051
Epoch 317/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2122 - accuracy: 0.9053
Epoch 318/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2124 - accuracy: 0.9056
Epoch 319/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2123 - accuracy: 0.9058
Epoch 320/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2125 - accuracy: 0.9057
Epoch 321/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2122 - accuracy: 0.9049
Epoch 322/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2121 - accuracy: 0.9052
Epoch 323/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2123 - accuracy: 0.9055
Epoch 324/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2122 - accuracy: 0.9049
Epoch 325/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2121 - accuracy: 0.9052
Epoch 326/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2122 - accuracy: 0.9056
Epoch 327/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2120 - accuracy: 0.9054
Epoch 328/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2120 - accuracy: 0.9056
Epoch 329/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2121 - accuracy: 0.9051
Epoch 330/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2119 - accuracy: 0.9058
Epoch 331/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2121 - accuracy: 0.9056
Epoch 332/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2118 - accuracy: 0.9054
Epoch 333/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2119 - accuracy: 0.9053
Epoch 334/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2119 - accuracy: 0.9053
Epoch 335/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2117 - accuracy: 0.9062
Epoch 336/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2117 - accuracy: 0.9050
Epoch 337/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2120 - accuracy: 0.9060
Epoch 338/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2117 - accuracy: 0.9052
Epoch 339/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2118 - accuracy: 0.9056
Epoch 340/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2117 - accuracy: 0.9055
Epoch 341/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2120 - accuracy: 0.9059
Epoch 342/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2118 - accuracy: 0.9057
Epoch 343/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2116 - accuracy: 0.9049
Epoch 344/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2113 - accuracy: 0.9056
Epoch 345/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2117 - accuracy: 0.9053
Epoch 346/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2114 - accuracy: 0.9054
Epoch 347/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2113 - accuracy: 0.9056
Epoch 348/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2114 - accuracy: 0.9060
Epoch 349/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2114 - accuracy: 0.9062
Epoch 350/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2114 - accuracy: 0.9060
Epoch 351/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2113 - accuracy: 0.9053
Epoch 352/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2114 - accuracy: 0.9059
Epoch 353/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2112 - accuracy: 0.9064
Epoch 354/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2113 - accuracy: 0.9058
Epoch 355/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2111 - accuracy: 0.9052
Epoch 356/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2112 - accuracy: 0.9062
Epoch 357/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2112 - accuracy: 0.9058
Epoch 358/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2111 - accuracy: 0.9056
Epoch 359/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2112 - accuracy: 0.9059
Epoch 360/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2107 - accuracy: 0.9064
Epoch 361/500
31647/31647 [==============================] - 2s 68us/step - loss: 0.2112 - accuracy: 0.9053
Epoch 362/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2109 - accuracy: 0.9058
Epoch 363/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2111 - accuracy: 0.9061
Epoch 364/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2110 - accuracy: 0.9062
Epoch 365/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2110 - accuracy: 0.9061
Epoch 366/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2106 - accuracy: 0.9059
Epoch 367/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2109 - accuracy: 0.9062
Epoch 368/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2108 - accuracy: 0.9052
Epoch 369/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2107 - accuracy: 0.9059
Epoch 370/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2108 - accuracy: 0.9057
Epoch 371/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2107 - accuracy: 0.9059
Epoch 372/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2110 - accuracy: 0.9060
Epoch 373/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2108 - accuracy: 0.9059
Epoch 374/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2108 - accuracy: 0.9052
Epoch 375/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2107 - accuracy: 0.9057
Epoch 376/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2107 - accuracy: 0.9058
Epoch 377/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2109 - accuracy: 0.9055
Epoch 378/500
31647/31647 [==============================] - 2s 68us/step - loss: 0.2107 - accuracy: 0.9060
Epoch 379/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2107 - accuracy: 0.9062
Epoch 380/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2107 - accuracy: 0.9061
Epoch 381/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2108 - accuracy: 0.9061
Epoch 382/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2103 - accuracy: 0.9061
Epoch 383/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2106 - accuracy: 0.9058
Epoch 384/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2104 - accuracy: 0.9062
Epoch 385/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2104 - accuracy: 0.9063
Epoch 386/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2106 - accuracy: 0.9055
Epoch 387/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2102 - accuracy: 0.9066
Epoch 388/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2105 - accuracy: 0.9059
Epoch 389/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2104 - accuracy: 0.9061
Epoch 390/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2103 - accuracy: 0.9067
Epoch 391/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2106 - accuracy: 0.9063
Epoch 392/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2102 - accuracy: 0.9057
Epoch 393/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2105 - accuracy: 0.9064
Epoch 394/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2102 - accuracy: 0.9066
Epoch 395/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2103 - accuracy: 0.9059
Epoch 396/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2102 - accuracy: 0.9067
Epoch 397/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2099 - accuracy: 0.9066
Epoch 398/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2101 - accuracy: 0.9060
Epoch 399/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2102 - accuracy: 0.9061
Epoch 400/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2101 - accuracy: 0.9059
Epoch 401/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2100 - accuracy: 0.9059
Epoch 402/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2101 - accuracy: 0.9063
Epoch 403/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2099 - accuracy: 0.9065
Epoch 404/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2098 - accuracy: 0.9062
Epoch 405/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2100 - accuracy: 0.9071
Epoch 406/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2098 - accuracy: 0.9063
Epoch 407/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2102 - accuracy: 0.9065
Epoch 408/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2099 - accuracy: 0.9063
Epoch 409/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2096 - accuracy: 0.9063
Epoch 410/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2099 - accuracy: 0.9063
Epoch 411/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2098 - accuracy: 0.9061
Epoch 412/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2097 - accuracy: 0.9062
Epoch 413/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2097 - accuracy: 0.9069
Epoch 414/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2097 - accuracy: 0.9062
Epoch 415/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2095 - accuracy: 0.9063
Epoch 416/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2099 - accuracy: 0.9056
Epoch 417/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2096 - accuracy: 0.9063
Epoch 418/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2097 - accuracy: 0.9070
Epoch 419/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2094 - accuracy: 0.9072
Epoch 420/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2097 - accuracy: 0.9061
Epoch 421/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2095 - accuracy: 0.9062
Epoch 422/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2097 - accuracy: 0.9065
Epoch 423/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2095 - accuracy: 0.9065
Epoch 424/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2096 - accuracy: 0.9069
Epoch 425/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2092 - accuracy: 0.9066
Epoch 426/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2096 - accuracy: 0.9071
Epoch 427/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2092 - accuracy: 0.9070
Epoch 428/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2093 - accuracy: 0.9066
Epoch 429/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2095 - accuracy: 0.9067
Epoch 430/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2093 - accuracy: 0.9068
Epoch 431/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2093 - accuracy: 0.9060
Epoch 432/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2095 - accuracy: 0.9065
Epoch 433/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2089 - accuracy: 0.9080
Epoch 434/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2093 - accuracy: 0.9065
Epoch 435/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2093 - accuracy: 0.9072
Epoch 436/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2091 - accuracy: 0.9068
Epoch 437/500
31647/31647 [==============================] - 2s 68us/step - loss: 0.2093 - accuracy: 0.9069
Epoch 438/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2090 - accuracy: 0.9074
Epoch 439/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2091 - accuracy: 0.9068
Epoch 440/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2088 - accuracy: 0.9070
Epoch 441/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2089 - accuracy: 0.9071
Epoch 442/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2090 - accuracy: 0.9069
Epoch 443/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2090 - accuracy: 0.9065
Epoch 444/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2090 - accuracy: 0.9069
Epoch 445/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2091 - accuracy: 0.9073
Epoch 446/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2090 - accuracy: 0.9069
Epoch 447/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2088 - accuracy: 0.9069
Epoch 448/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2091 - accuracy: 0.9069
Epoch 449/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2089 - accuracy: 0.9067
Epoch 450/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2087 - accuracy: 0.9072
Epoch 451/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2087 - accuracy: 0.9069
Epoch 452/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2085 - accuracy: 0.9071
Epoch 453/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2087 - accuracy: 0.9073
Epoch 454/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2086 - accuracy: 0.9065
Epoch 455/500
31647/31647 [==============================] - 2s 72us/step - loss: 0.2088 - accuracy: 0.9067
Epoch 456/500
31647/31647 [==============================] - 2s 73us/step - loss: 0.2086 - accuracy: 0.9071
Epoch 457/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2086 - accuracy: 0.9071
Epoch 458/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2088 - accuracy: 0.9070
Epoch 459/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2084 - accuracy: 0.9071
Epoch 460/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2086 - accuracy: 0.9074
Epoch 461/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2084 - accuracy: 0.9072
Epoch 462/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2088 - accuracy: 0.9072
Epoch 463/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2084 - accuracy: 0.9072
Epoch 464/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2084 - accuracy: 0.9065
Epoch 465/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2083 - accuracy: 0.9068
Epoch 466/500
31647/31647 [==============================] - 2s 72us/step - loss: 0.2084 - accuracy: 0.9078
Epoch 467/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2084 - accuracy: 0.9073
Epoch 468/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2085 - accuracy: 0.9072
Epoch 469/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2083 - accuracy: 0.9075
Epoch 470/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2083 - accuracy: 0.9074
Epoch 471/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2084 - accuracy: 0.9074
Epoch 472/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2083 - accuracy: 0.9076
Epoch 473/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2081 - accuracy: 0.9068
Epoch 474/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2082 - accuracy: 0.9071
Epoch 475/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2082 - accuracy: 0.9073
Epoch 476/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2079 - accuracy: 0.9075
Epoch 477/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2086 - accuracy: 0.9071
Epoch 478/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2081 - accuracy: 0.9074
Epoch 479/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2079 - accuracy: 0.9078
Epoch 480/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2081 - accuracy: 0.9070
Epoch 481/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2079 - accuracy: 0.9073
Epoch 482/500
31647/31647 [==============================] - 2s 71us/step - loss: 0.2081 - accuracy: 0.9073
Epoch 483/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2080 - accuracy: 0.9074
Epoch 484/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2082 - accuracy: 0.9067
Epoch 485/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2080 - accuracy: 0.9072
Epoch 486/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2079 - accuracy: 0.9074
Epoch 487/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2080 - accuracy: 0.9076
Epoch 488/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2078 - accuracy: 0.9081
Epoch 489/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2080 - accuracy: 0.9075
Epoch 490/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2080 - accuracy: 0.9071
Epoch 491/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2078 - accuracy: 0.9080
Epoch 492/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2077 - accuracy: 0.9071
Epoch 493/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2079 - accuracy: 0.9068
Epoch 494/500
31647/31647 [==============================] - 2s 68us/step - loss: 0.2079 - accuracy: 0.9073
Epoch 495/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2077 - accuracy: 0.9077
Epoch 496/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2076 - accuracy: 0.9077
Epoch 497/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2076 - accuracy: 0.9080
Epoch 498/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2077 - accuracy: 0.9071
Epoch 499/500
31647/31647 [==============================] - 2s 70us/step - loss: 0.2075 - accuracy: 0.9074
Epoch 500/500
31647/31647 [==============================] - 2s 69us/step - loss: 0.2079 - accuracy: 0.9075
Final loss (Test data): 0.2293, final accuracy (Test data): 0.8980

Biểu diễn kết quả mô hình phân loại

Mô hình đơn giản nên khỏi biểu diễn Confusion Matrix, ROC,... nha mọi người

Chỉ biểu diễn Acuuracy và Loss của Model

In [73]:

Algo Trading là gì? Ứng dụng Algo Trading trong phân tích tâm lí thị trường

noreply@blogger.com (Le Dang Trung Hieu) — Mon, 14 Dec 2020 08:41:00 +0000

Các khái niệm về Algo Trading (giao dịch thuật toán) và Quantitative Trading (giao dịch định lượng) đã rất phát triển trên thế giới. Nhưng, các khái niệm này lại còn khá mới ở Việt Nam. Bài viết này nói về một khía cạnh nhỏ của Algo Trading và áp dụng một thư viện phổ thông trên thế giới vào dự báo đầu tư.

Chắc chắn bài viết còn nhiều hạn chế, mong nhận nhiều góp ý của anh em trader.

-----------------------------------------------------------------------------

Lê Đặng Trung Hiếu (Link xử lí data trên Github)

Supervisor, Phòng ABS, CTCP Chứng Khoán Bản Việt (HoSE: VCI)

Những bài viết khác về Algo Trading & Machine Learning

-----------------------------------------------------------------------------

Giao dịch thuật toán (Algorithmic Trading) là qui trình áp dụng các thuật toán Machine Learning để thiết lập các giao dịch tự động hoặc đưa ra khuyến nghị giao dịch. (trước trước khi Machine Learning trở nên mạnh mẽ, Algo trading định nghĩa là áp dụng chuỗi các quy tắc tự động trong đầu tư)

Trong thế kỷ 21, giao dịch thuật toán (Algorithmic Trading) thu hút được sự quan tâm chung của cả trader khối bán lẻ lẫn tổ chức. Nó được sử dụng rộng rãi bởi các ngân hàng đầu tư, quỹ hưu trí, quỹ tương hỗ và quỹ đầu cơ. Algorithmic Trading có thể thực hiện một lệnh lớn hơn hoặc thực hiện các giao dịch nhanh đến mức con người không kịp phản ứng.

Một nghiên cứu vào năm 2019 cho thấy khoảng 92% giao dịch trên thị trường Forex được thực hiện bởi các thuật toán giao dịch chứ không phải con người. (Source: Wikipedia Algorithmic Trading)

Nền tảng bài viết dựa trên áp dụng thư viện VADER vào Sentiment Analysis

Ý tưởng của bài viết là gì?

Ý tưởng: Crawling tin tức liên quan đến đầu tư Vàng trên một trang tổng hợp các nguồn báo, sau đó áp dụng thư viện VADER được tích hợp sẵn trong toolkit xử lí ngôn ngữ tự nhiên nltk để dự báo tâm lí thị trường lên giá Vàng.

Sentiment Analysis là gì?

Sentiment Analysis là quá trình 'tính toán' xác định xem nội dung bài viết là tích cực, tiêu cực hay trung lập.

Trong kinh doanh: Các công ty sử dụng nó để tìm hiều thái độ mọi người phản ứng với các chiến dịch hoặc buổi ra mắt sản phẩm của họ và tại sao người tiêu dùng không mua một số sản phẩm. (như phân tích cảm xúc trong bình luận mua hàng trên TIKI chẳng hạn)

Trong lĩnh vực chính trị: nó được sử dụng để theo dõi quan điểm chính trị, để phát hiện sự nhất quán và không nhất quán giữa các tuyên bố và hành động ở cấp chính phủ. Nó cũng có thể được sử dụng để dự đoán kết quả bầu cử! .

Trong khuôn khổ bài viết này sẽ giới thiệu Sentiment Analysis ứng dụng trong phân tích cảm xúc tin tức & ứng dụng vào đầu tư.

Thư viện VADER là gì?

Đọc thêm về VADER Sentiment Analysis: https://blog.quantinsti.com/vader-sentiment/

VADER (Valence Aware Dictionary and sEntiment Reasoner) là một thuật toán phân tích trạng thái cảm xúc thể hiện trên nội dung bài viết. Vader có mã nguồn mở theo MIT License.

Vì sao không áp dụng lên chứng khoán Việt Nam, cụ thể một mã cổ phiếu nào đó?

Bởi vì thư viện VADER được train trên dữ liệu tiếng anh, nếu muốn build công cụ tương tự phải thiết lập lại Sentiment Analysis cho các tin tức tiếng việt. Hi vọng sẽ trình bày trong một bài viết khác

Quy trình thực hiện như thế nào?

Crawling dữ liệu bằng thư viện phổ thông BeautifulSoup
Trích xuất thông tin
applied VADER

Sử dụng nguồn data nào trong bài viết?

Nguồn data dùng trong bài viết: https://finviz.com/

FINVIZ là một platform tổng hợp thông tin thị trường chứng khoán thế giới, khá tương đồng các platform như FinTrade tại Việt Nam. Platform cung cấp các data cổ phiếu , ngoại hối và hợp đồng tương lai như: tin tức, các công cụ trực quan biểu đồ, theo dõi danh mục đầu tư, và các loại tool filter khác ...

PHASE 1: Crawling dữ liệu tin tức

Chọn crawl all thẻ <tr> cho nhanh

và kết quả:

PHASE 2: Tách thời gian & content

PHASE 3: Applied thư viện VADER

The VADER library có 4 feature được giải thích như sau:

pos: Xác xuất tích cực của thị trường (positive)
neu: Xác xuất trung tính của thị trường (neutral)
neg: Xác xuất tiêu cực của thị trường (negative)
compound: Chuẩn hóa điểm kết hợp của pos - neg - neu, có thang điểm từ -1 đến 1

Như kết quả trên, tin tức ngày 13/12/2020 là tin tức loại Neutral (trung tính)

Trực quan kết quả phân tích tâm lí thị trường

Khoa học dữ liệu trong phân tích vòng đời khách hàng

noreply@blogger.com (Le Dang Trung Hieu) — Wed, 29 Apr 2020 08:00:00 +0000

Bài viết áp dụng một góc nhìn trong phân tích vòng đời khách hàng trên nền tảng áp dụng ước tính Kaplan-Meier. Mục tiêu cho biết 1 yếu tố nào đó trong dịch vụ có kéo dài được "sự gắn bó" của khách hàng với dịch vụ hay không.

Kiến thức người viết hạn hẹp, giật "tít" tiêu đề nghe cho hoành tráng vậy, chứ bài viết chỉ mang tính chia sẻ học thuật. Xử lí dữ liệu bằng ngôn ngữ Python, trên nền JupyterLab, mong được anh em góp ý thêm

Lê Đặng Trung Hiếu

Phòng ABS, CTCP Chứng Khoán Bản Việt (VCSC)

Tầng 8, Sailing Tower, 111A Pasteur, Quận 1, TpHCM

Tổng quan về dataset

Bài viết sử dụng tập dữ liệu Telco_Churn. TelcoChurn là từ hồ sơ thông tin khách hàng của một công ty viễn thông. Dữ liệu này cũng đã được khai thác đa chiều, bài viết này viết về một khía cạnh phân tích mới của Customer Lifetime.

Mục tiêu cơ bản của bài toán là dự đoán Churn. Với Churn trong trường hợp này là Customer Churn, hiểu đơn giản là khi một khách hàng quyết định ngừng sử dụng một dịch vụ hay kết thúc hợp đồng (không muốn gia hạn) với một công ty nào đó. Churn thường được sử dụng trong các công ty kinh doanh với mô hình thanh toán theo kỳ (subscriber-based service model).

Ví dụ như khi các bạn quyết định ngừng sử dụng mạng di động X để chuyển qua dùng mạng của hãng Y. Lúc này các bạn sẽ được coi là churn của công ty X và là khách hàng mới của công ty Y. Đọc thêm về Churn và Churn Rate https://data-fun.com/cach-tinh-ty-le-churn-rate-la-gi/

Thông thường bài toán này được giới Data Science áp dụng các mô hình phân loại như DecisionTree, RandomForest, Logistic Regression,... trong dự báo Churn. Tuy nhiên, bài viết của mình xin được phép giới thiệu một hướng phân tích khác. Đó là áp dụng Ước tính Kaplan-Meier trong phân tích vòng đời của khách hàng.

Dữ liệu Raw có thể tải về hoặc xem tại: https://raw.githubusercontent.com/cafechungkhoan/chu_gia/master/telco_churn.csv

Ước tính Kaplan-Meier

Ước tính Kaplan-Meier (thường sử dụng trong y học) là một trong những phương pháp được đánh giá là tốt nhất được sử dụng để đo tỷ lệ đối tượng sống trong một khoảng thời gian nhất định sau khi điều trị. Trong các thử nghiệm lâm sàng hoặc thử nghiệm cộng đồng, hiệu quả của một can thiệp y tế nào đó được đánh giá bằng cách đo số lượng đối tượng sống sót hoặc được cứu sau can thiệp đó trong một khoảng thời gian.

Nền tảng người tạo ra ước lượng này: Paul Meier sinh ngày 24/7/1924 tại Newark (New Jersey), tốt nghiệp cử nhân toán từ trường Oberlin vào năm 1945, tiến sĩ thống kê học từ Đại học Princeton năm 1951 dưới sự hướng dẫn của John Tukey.

Main idea của phương pháp: Ước tính Kaplan-Meier là cách đơn giản nhất để tính toán sự sống sót theo thời gian bất chấp tất cả những khó khăn liên quan đến các đối tượng hoặc tình huống. Survival Curve tính toán xác suất xảy ra sự kiện tại một thời điểm nhất định và nhân xác suất kế tiếp này với xác suất được tính toán trước đó để có được ước tính cuối cùng.

Bảng research về survival analysis: Ước tính Kaplan-Meier https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3059453/

bài giảng của Đại học Princeton: Survival Model https://data.princeton.edu/wws509/notes/c7.pdf

Trong trường hợp của Telco_Churn, ta có thể gán nhãn Death cho khách hàng rời bỏ dịch vụ, và Survival cho khách hàng vẫn còn duy trì dịch vụ. Ý tưởng này được trình bày tại đây: https://support.sas.com/resources/papers/proceedings/proceedings/sugi28/120-28.pdf . Từ ý tưởng này, sử dụng Telco_Churn dataset để trình bày diễn giải.

Đôi nét về phương pháp: Công thức KP bắt đầu từ năm 1952, khi ông còn giảng dạy ở Đại học Johns Hopkins. Lúc đó, Edward Kaplan đọc một bài báo của Greenwood (người nổi tiếng với công thức Greenwood trong phân tích ung thư) về thời gian bệnh nhân mắc bệnh ung thư. Kaplan liên tưởng đến cách ước tính tuổi thọ của linh kiện điện thoại chôn dưới đáy biển (mà sau này chúng ta biết đến dưới thuật ngữ survival analysis). Ông viết bài báo về cách phân tích survival và đưa bài đó cho John Tukey xem đồng thời nộp cho JASA để công bố. Tukey báo cho ông biết rằng Paul Meier cũng đang nghiên cứu về vấn đề này, và bản thảo cũng đã được nộp cho JASA. Sau này JASA đề nghị hai người (Kaplan và Meier) nên hợp tác viết chung một bài báo, thay vì đăng riêng 2 bài. Phải hơn 4 năm trao đổi và hoàn thiện, sau bài báo mới hoàn chỉnh và được JASA công bố vào năm 1958. Bài báo này khi mới công bố 3 năm đã có 1495 trích dẫn. Cho đến nay, bài báo đã được trích dẫn trên 35.000 lần, trở thành một trong những công trình có ảnh hưởng lớn nhất đến lịch sử khoa học!

Công thức tổng quát của xác suất sống sót tại bất kỳ thời điểm cụ thể nào:

Cách tính Ước tính Kaplan-Meier như sau:

Tương tự như vậy, gán nhãn Death cho khách hàng Churn (1) và Survival cho khách hàng Not Churn (0). Và cột tenure chính là thời gian tính từ lúc khách hàng đăng kí đến lúc khách hàng rời đi

Quan sát kết quả và ý nghĩa của Survival Curve

Biểu đồ trên cho biết, sẽ có khoản 20% khách hàng rời đi vào ngày 20, 30% khách hàng rời đi vào ngày 50,....

Biểu đồ trên cho biết khách hàng sử dụng Subscribed Streaming TV có xác suất duy trì sử dụng dịch vụ lâu hơn so với khách hàng không đăng kí

Biểu đồ trên cho biết khách hàng sử dụng StreamingMovies có xác suất duy trì sử dụng dịch vụ lâu hơn so với khách hàng không đăng kí.

Và các yếu tố khác cũng như vậy, biểu diễn từng feature để quan sát thêm. Mình pass qua vấn đề ở đây

Mô hình Cox (Cox proportional hazards model)

Đại ý của model: dự đoán xác xuất rời bỏ dịch vụ của một khách hàng cụ thể theo thời gian
Thông thường nếu biến outcome là biến nhị phân (chỉ có hai giá trị 0/1, yes/no, sống/chết …) thì chúng ta dùng mô hình hồi qui logistic. Nhưng bài toán ở đây khác, biến outcome là biến nhị phân, mà nó lại phụ thuộc vào thời gian theo dõi. Ví dụ như bệnh nhân được điều trị, có người sống suốt thời gian theo dõi, có người chết sau điều trị vài tháng, có người sống đến 2 năm, lại có người chúng ta không biết còn sống hay chết vì không theo dõi được. Trong những trường hợp này, chúng ta dùng mô hình hồi quy Cox (còn gọi là mô hình hazards).

Gọi L(t) là rủi ro (hazard) của một cá nhân tại thời điểm t, mô hình hồi qui Cox phát biểu rằng L(t) được xác định bởi tích số của rủi ro trung bình (L0) và ảnh hưởng của các yếu tố nguy cơ (X1, X2, …, Xk):

L(t) = L0*exp(b1X1 + b2X2 + … + bkXk)

Trong đó, b1, b2, …, bk là hệ số cần phải ước tính từ dữ liệu thực tế. Ví dụ như tôi muốn biết rủi ro bị ung thư trong vòng 5 năm, L(5), của một cá nhân bằng rủi ro trung bình trong quần thể, L0, và ảnh hưởng của các yếu tố như độ tuổi, giới tính, lối sống, gen, v.v.
Trực quan mô hình Cox và Model dự đoán thời xác xuất rời bỏ dịch vụ của một khách hàng cụ thể theo thời gian

Ở bài viết này, mình dùng thư viện CoxPHFitter để xử lí Survival regression

đọc thêm về CoxPHFitter tại đây: https://lifelines.readthedocs.io/en/latest/fitters/regression/CoxPHFitter.html

Sau khi tiền xử lí dữ liệu, feature selection, chạy model thì ra kết quả:

Ứng dụng Machine Learning để dự báo lợi nhuận đầu tư

noreply@blogger.com (Le Dang Trung Hieu) — Wed, 15 Apr 2020 09:19:00 +0000

Data này tổng hợp 200 chỉ số tài chính từ 4391 công ty niêm yết tại Mỹ. Nguồn data có thể tải tại đây: https://www.kaggle.com/cnic92/200-financial-indicators-of-us-stocks-20142018

Bài viết này mình thử dùng thuật toán Machine Learning: Random Forest, để phân loại công ty nào có khả năng sinh lời trong năm, dựa vào 200 chỉ số tài chính. Kết quả chính xác của mô hình là 75.26% (acc). Trong đầu tư thì phương pháp này thường được gọi là phân tích định lượng

Dữ liệu này không lớn, nhưng số lượng Feature lớn, do đó kĩ thuật xử lí thuộc tính đầu vào khá quan trọng.

Noted: Kiến thức người viết hạn hẹp, cũng như trong tài chính thì các chỉ số tài chính cũng ko phải là yếu tố quyết định 100% kết quả đầu tư, nó còn phụ thuộc vào nhiều yếu tố kể cả quản lí vốn cách đi tiền,... Do đó sai số trong mô hình là điều không thể tránh khỏi. Hi vọng được anh em trong giới đầu tư và Data Science góp ý thêm.

Quan trọng hơn, không có mô hình nào gọi là chén thánh trong đầu tư. Mô hình nó chỉ giúp anh em dễ tiếp cận "Vùng may mắn" hơn, cung cấp góc nhìn đa chiều hơn. Và từ việc có nhiều thông tin khách quan để ra quyết định, chắc chắn việc quyết định sẽ khôn ngoan và ít cảm tính đi nhiều...

Đọc thêm về "vùng may mắn": https://tranbau.com/category/bai-viet-dau-tu/

---------------------------------------------------------------------

Lê Đặng Trung Hiếu

Supervisor

Phòng GD08, CTCP Chứng Khoán Vietcap

Tòa nhà Doji, 81 Hàm Nghi, Quận 1, TpHCM

Kết nối bạn bè: Facebook | Github | Linkedin
---------------------------------------------------------------------

Bắt đầu vào bài viết với việc xử lí dữ liệu đầu vào ....

Quan sát qua dữ liệu đầu vào:

2019 PRICE VAR [%] là dữ liệu % tăng giảm giá từ đầu năm đến cuối năm của mã cổ phiếu (Unnamed: 0) trong dataset ( tính từ giá open của năm và giá close của năm).
Từ 2019 PRICE VAR [%], filter % tăng giá > 0 là 1 (xem như class đầu tư có lợi nhuận) và % tăng giá < 0 là 0 (xem như class đầu tư không lợi nhuận)
Do đó xác định mục tiêu phân loại của bài toán là Class column trong dataset

Quan sát dữ liệu thiếu (Null, NaN) trong dataset và tìm cách loại bỏ

Quan sát thấy nhiều cột trống gần hết dữ liệu, nếu dropna() là tiêu, ko còn data để chạy. Số lượng feature cũng quá nhiều, heatmap ko cho thấy rõ là missing value nằm tại vị trí column nào. Nên idea xử lí là viết hàm drop các Feature có lượng Missing > 1 ngưỡng nào đó (ở đây mình cho là 20% missing)
Nếu chưa biết dạng chart bên dưới có thể đọc thêm về (Missing Value Heatmaps) https://dev.to/tomoyukiaota/visualizing-the-patterns-of-missing-value-occurrence-with-python-46dj

Lọc và loại bỏ các Feature có số lượng dữ liệu bị mất >20%, sau đó biểu diễn lại heatmap để quan sát kết quả:

OK, sau khi quan sát lại dữ liệu sau xử lí, bây giờ đã có thể dropna(). Mình sẽ không vẽ lại Missing Value Heatmap nữa cho đỡ mất thời gian. Hiện tại bài này cũng không loại bỏ Collinear Features trong mô hình. Nếu chưa biết về Collinear Features bạn có thể đọc tại https://medium.com/future-vision/collinearity-what-it-means-why-its-bad-and-how-does-it-affect-other-models-94e1db984168

Hiện tại mình loại bỏ các Zero Feature dựa trên Machine Learning để xác định các Feature cần loại bỏ. Phương pháp này tìm các tính năng quan trọng bằng cách sử dụng gradient boosting machine, có thể đọc thêm về thuật toán này tại đây LightGBM library.
Bài sau sẽ giới thiệu rõ hơn về phương pháp loại bỏ Zero Feature này

Biểu diễn 12 Feature quan trọng, ảnh hưởng nhiều đến bài toán phân loại như Gross Profit Growth, Revenue Growth,... Và mình cũng loại bỏ bớt các Feature ảnh hưởng ít đến mô hình, nhằm giảm tải sức nặng khi chạy thuật toán

Xử lí Collinear Features

Quan sát dendrogram corr() từng nhóm feature, mình lựa chọn loại bỏ các feature có orrelation magnitude > 0.97 như bên dưới:

['Net Income', 'Net Income Com', 'Weighted Average Shs Out (Dil)', 'Profit Margin', 'EBIT', 'Consolidated Income', 'Earnings Before Tax Margin', 'Net Profit Margin', 'Total liabilities', 'Investments', 'Other Liabilities', 'priceToBookRatio', 'priceSalesRatio', 'priceFairValue', 'ebitperRevenue', 'pretaxProfitMargin', 'netProfitMargin', 'returnOnEquity', 'daysOfSalesOutstanding', 'companyEquityMultiplier', 'operatingCashFlowSalesRatio', 'dividendpaidAndCapexCoverageRatios', 'Tangible Book Value per Share', 'EV to Operating cash flow', 'R&D to Revenue', 'Capex to Operating Cash Flow', 'Graham Number', 'Tangible Asset Value', 'Invested Capital', 'Average Inventory', 'Days Sales Outstanding', 'Capex per Share', 'Gross Profit Growth', 'Receivables growth']

Bây giờ Exploratory data analysis (EDA) nhanh trước khi chạy các thuật toán Machine Learning

Quan sát thấy số lượng mã cổ phiếu có Return dương (class = 1) lớn hơn 2 lần so với Return âm (class = 0). 2019 quả là 1 năm ngon lành với TTCK Mỹ :))

EDA xong thì thấy chỉ có 1 biến là Category còn lại là Numeric (mình chỉ biểu diễn Category feature, hiện tại trong data đó là Feature Sector):
Quan sát biểu đồ Sector ngành thì năm qua lợi nhuận thường nằm tại nhóm cổ phiếu Real Estate,Financial, Industry,... và ngành kém nhất là Energy

OK, giờ thì vào giai đoạn chạy Machine Learning

Ý tưởng bài viết là tìm xem các yếu tố cơ bản nào ảnh hưởng đến lợi nhuận dương và âm cuối năm.

Giờ tách data mình có ra làm 2 tệp train(dùng để học dữ liệu) và test(dùng để kiểm tra tính chính xác của mô hình). Giải thích thêm cho các bác ngành đầu tư là 2 dữ liệu này hoàn toàn độc lập, có thể đọc hiểu thêm tại đây: https://www.quora.com/What-is-the-difference-between-training-data-and-testing-data

Lặp qua các thuật toán cơ bản, thì mình pick thuật toán Random Forest có acc = 75.26% (trên tập kiểm tra) làm mô hình cơ sở cho dự đoán. Sau đó sẽ tập trung làm tối ưu cho mô hình này ở những bài viết sau.

Tuning Model

Do nhiều bạn bè góp ý mình nên bổ xung Tuning Model vào bài viết, nên sẵn mình bổ xung phần tuning model luôn, phương pháp Tuning là GridSearchCV (đọc thêm về GridSearchCV).

Các parameter mình dùng để optimized Random Forest:

parameters = {'criterion': ['entropy', 'gini'],
'max_depth': list(np.linspace(10, 30, 10, dtype = int)) + [None],
'max_features': ['auto', 'sqrt','log2', None],
'min_samples_leaf': [4, 12],
'min_samples_split': [5, 10],
'n_estimators': list(np.linspace(10, 50, 10, dtype = int))}

Sau khi chạy Tuning thì kết quả select cuối cùng là:

RandomForestClassifier(criterion='gini', max_depth='14', max_features='sqrt', min_samples_leaf=12, min_samples_split=5, n_estimators=23)

Quan sát qua kết quả giữa Predict và Actual rồi mình close topic.

#3 - Tình trạng Corona Virus tại Hàn Quốc

noreply@blogger.com (Le Dang Trung Hieu) — Fri, 06 Mar 2020 16:35:00 +0000

Dựa trên data của hơn 6000 người bị lây nhiễm COVID19 tại Hàn Quốc (quốc gia bị lây nhiễm số 2 của thế giới)
Dịch bệnh bùng nổ tại Korea vào 3/3/2020. Ngay lập tức KCDC (Trung tâm kiểm soát và phòng ngừa dịch bệnh Hàn Quốc) công bố thông tin về COVID-19 một cách nhanh chóng và minh bạch. Thông qua điều này anh em Data Analysis có cơ hội nhìn nhận vấn đề đa chiều hơn trước đây rất nhiều.

Bài viết là EDA ngắn về COVID19 tại Hàn Quốc, bao gồm nội dung chính:
1. Nam giới có xác suất sống cao hơn so với nữ giới
2. Lí do bị lây nhiễm hàng đầu là tiếp xúc trực tiếp với người bệnh. Lí do thứ 3 là có lịch sử đi từ Vũ Hán.
3. Tuổi trẻ hơn có xác xuất hồi phục tốt hơn. Với Mean người hồi phục là 44 tuổi (độ lệch chuẩn 14) so với Mean người tử vong là 65 tuổi (độ lệch chuẩn 12)
4. Không ghi nhận ca tử vong nào dưới 20 tuổi.
5. Tỉnh thành nhiều người bệnh là Gyeonggi - do và Seoul
6. Trực quan bản đồ lây nhiễm tại Hàn quốc với tập trung chủ yếu quanh Seoul
---------------------------------------------------------------
* Link tải data: http://bit.ly/2vMma2B
* Nguồn data từ KCDC: http://www.cdc.go.kr/
* Xử lí data bằng Python, có thể xem trực tiếp trên GitHub:
https://github.com/cafechungkhoan/chu_gia/blob/master/COVID19%20-%20Korea.ipynb
---------------------------------------------------------------

Heatmap quan sát dữ liệu đủ (đen) và thiếu (trắng)

Dữ liệu thiếu quá nhiều, do đó xử lí dữ liệu có phần mất thì giờ hơn.

Giai đoạn bùng nổ dịch ở Korea

Quan sát phân phối xác suất khả năng tử vong của nam và nữ

Quan sát bản đồ khu vực có bệnh COVID19

Quan sát tỉnh / thành nhiều người bệnh

Quan sát nguyên nhân lây nhiễm

Quan sát phân phối xác suất giữa tử vong & hồi phục

Quan sát phân phối xác suất của tử vong & hồi phục

Thấy không có trường hợp tử vong dưới 20 tuổi

kết nối bạn bè và trao đổi học tập:
Linkedin: http://bit.ly/3aYazxr
Facebook: http://bit.ly/2u9pvIl
Githut: http://bit.ly/3b1qBXd

Corona Virus (COVID 2019) dưới góc nhìn số liệu

noreply@blogger.com (Le Dang Trung Hieu) — Wed, 12 Feb 2020 15:18:00 +0000

Tổng quan nội dung bài viết bao gồm:
1. Phân tích dữ liệu thăm dò (EDA) tổng quan
2. Quan sát tăng / giảm các ca mới xác nhận lây nhiễm, tử vong, hồi phục. Với xu hướng giảm ca tử vong mới.
3. Quan sát khoản GAP giữa hồi phục và tử vong mỗi ngày
4. Chạy thử mô mình dự báo time series xác nhận lây nhiễm, tử vong, hồi phục trên thuật toán Facebook Prophet
------------------------------------------------------------------------------------------------
Bài viết trước đó: thị trường chứng khoán ra sao, sau các đại dịch

Xử lí code bằng python, có thể xem chi tiết code trên Github của mình:

https://github.com/cafechungkhoan/chu_gia/blob/master/nCov2019%20(COVID2019).ipynb

Tổng quan dataset

Exploratory Data Analysis (EDA)

Quan sát tăng / giảm các ca mới xác nhận lây nhiễm, tử vong, hồi phục

Chạy thử mô hình dự báo time series Facebook Prophet

Chắc hẳn mọi người đã quen thuộc với các mô hình dự báo time series phổ biến như Autoregressive Moving Average (ARMA), Autoregressive Integrated Moving Average (ARIMA), Seasonal Autoregressive Integrated Moving-Average (SARIMA),...

Nay nhân tiện giới thiệu thuật toán Prophet do đội ngũ khoa học dữ liệu Facebook công bố. Vốn được hông ít lời ca ngợi!

Thị trường chứng khoán ra sao sau các đại dịch

noreply@blogger.com (Le Dang Trung Hieu) — Thu, 06 Feb 2020 03:30:00 +0000

Ý tưởng của bài viết: lấy giá đóng cửa chỉ số Down Jones làm tham chiếu. Tính từ tháng kết thúc dịch bệnh, lấy hiệu giá đóng cửa sau 6 và 12 tháng tiếp theo, sau đó quan sát tỉ lệ % tăng giảm. từ đó tham khảo thị trường phản ứng tích cực hay tiêu cực sau những dịch bệnh lớn.

Nguồn data lấy từ Dow Jones Market Data. Plot chart bằng Python

Tăng giảm DJ sau 6 tháng

Tăng giảm DJ sau 12 tháng

Kết luận: Down Jones bình quân tăng 9.2% trong 6 tháng và 13.8% trong 12 tháng sau khi các đại dịch qua khỏi. Chỉ có lần duy nhất là HIV vào 6/1981 DJ rớt 1 mạch 10%. Có thể lấy thêm các dữ liệu index khác để quan sát thêm tính chính xác.

Đối với Trường hợp của Corona Virus thì sao?

Theo các nhà phân tích, mức độ nghiêm trọng của dịch bệnh sẽ quyết định phản ứng của thị trường. Việc thị trường có xu hướng tăng sau các đợt dịch bệnh trước đây không đồng nghĩa với diễn biến tương tự sẽ xảy ra với dịch viêm phổi cấp do virus corona mới lần này.

Nguyên nhân là dịch bệnh này bùng phát vào đúng dịp Tết Nguyên Đán, khi xu hướng đi lại và chi tiêu tiêu dùng tại châu Á có xu hướng tăng mạnh. Đến nay, Trung Quốc đã đóng cửa một phần Vạn Lý Trường Thành, cũng như hàng chục thành phố, cấm túc đối với khoảng 50 triệu người dân và huỷ nhiều sự kiện lớn liên quan tới dịp Tết cổ truyền.

Dịch bệnh cũng xảy ra trong bối cảnh kinh tế Trung Quốc tăng trưởng trì trệ, giảm xuống chỉ còn 6,1% trong năm 2019, mức thấp nhất trong gần ba thập kỷ, theo số liệu GDP được công bố gần đây.

“Nhiều người quan ngại rằng virus corona chủng mới có thể nhanh chóng lan rộng trong và ngoài Trung Quốc, gây ra những thiệt hại lớn cho chứng khoán và nền kinh tế", Jeffrey Kleintop, nhà chiến lược đầu tư toàn cầu trưởng của Charles Schwab.

Ngôn ngữ lập trình nào đang trở thành xu hướng của khoa học dữ liệu 2020?

noreply@blogger.com (Le Dang Trung Hieu) — Sat, 01 Feb 2020 14:46:00 +0000

Idea của bài viết: Bằng cách viết 1 bộ scrape dữ liệu qua nhiều năm ( trước mắt là 2018 - 2019), tất cả các bài viết có chứa cụm từ "tuyển dụng", "Data Science" trên các kho tuyển dụng như Linkedin, Indeed, SimplyHired, Monster, Angelist.

Sau đó so sánh tăng / giảm 2019 so với 2018 trong các yêu cầu tuyển dụng ngành này, từ đó đánh giá được các skill công nghệ nào đang có xu hướng tăng / giảm.

Bài viết lược dịch từ blog của Jeff Hale - CoFounder Rebel Desk. Và có chứa nhiều ý kiến chủ quan của người dịch. Hình ảnh tiêu đề do mình làm ngành chứng khoán nên tải đại lên project hiện tại, chớ ko có nghĩa gì cả

Kết quả data xử lí sau khi Scrape: https://docs.google.com/spreadsheets/d/1df7QTgdAOItQJadLoMHlIZH3AsQ2j2_yoyvHOpsy9qU/edit#gid=1734773261

Thu về trên 21000 kết quả tuyển dụng việc làm Data Science. Trong đó hơn 8000 là từ Linkedin, hơn 5000 từ Indeed. Chi tiết như hình bên dưới:

Kết quả tổng kết các yêu cầu kĩ năng cơ bản 11/2018

Từ dữ liệu 2018 cho thấy: phân tích và machine learning là trung tâm của công việc khoa học dữ liệu. Tìm kiếm thông tin từ mớ dữ liệu hỗn độn là yêu cầu chính của khoa học dữ liệu, bên cạnh với việc dùng các model machine learning phù hợp sau đó.

Khoa học dữ liệu đòi hỏi số liệu thống kê và kỹ năng khoa học máy tính. Nên không có gì ngạc nhiên khi toán học (đặc biệt xác suất thống kê và đại số tuyến tính) cũng nằm trong top các yêu cầu.

Điều thú vị là kĩ năng giao tiếp lại được đề cập trong gần một nửa kết quả. Các nhà khoa học dữ liệu cần có khả năng giao tiếp hiểu biết và làm việc với những người khác.

Những yêu cầu ngôn ngữ lập trình từ cao xuống thấp

Python: là ngôn ngữ có nhu cầu cao nhất, nằm top nhiều năm. Có lẽ do ngôn ngữ dễ sử dụng và có nhiều tài nguyên hỗ trợ. Phần lớn các công cụ khoa học dữ liệu mới tương thích với nó. Xếp hạng quán quân cho Python.

R: cũng không thua xa Python. Nó từng là ngôn ngữ chính cho khoa học dữ liệu. Khá ngạc nhiên là nhu cầu về R vẫn cao. Python hoặc R là bắt buộc cho hầu hết mọi vị trí nhà khoa học dữ liệu.

Xếp thứ 3, SQL cũng có nhu cầu cao. SQL là ngôn ngữ chung để truy cập vào các hệ thống quản lý cơ sở dữ liệu (RDBMS).

Tiếp theo là Hadoop và Spark , cả hai công cụ mã nguồn mở từ Apache cho Big Data.
Hadoop là một Apache framework mã nguồn mở được viết bằng java, cho phép xử lý phân tán (distributed processing) các tập dữ liệu lớn trên các cụm máy tính (clusters of computers) thông qua mô hình lập trình đơn giản.

Hadoop được thiết kế để mở rộng quy mô từ một máy chủ đơn sang hàng ngàn máy tính khác có tính toán và lưu trữ cục bộ (local computation and storage). (nguồn)

Sau đó đến Java và SAS . Đáng ngạc nhiên khi thấy những ngôn ngữ này cũng có nhu cầu khá cao. Cả hai đều thấy các công ty lớn ghi trong yêu cầu tuyển dụng.

Tiếp là Tableau, công cụ thực hiện các nghiệp vụ trực quan và phân tích dữ liệu một cách nhanh chóng (cá nhân mình thì thấy dùng để trực quan là chính).

So sánh những thay đổi trong 2017 và 2018

2019 Python xuất hiện trong gần 75% kết quả.

Đây là biểu đồ cho thấy mức tăng và giảm về tỷ lệ phần trăm trung bình của danh sách giữa năm 2018 và 2019. AWS và PyTorch đứng đầu danh sách.

Amazon Web Services (AWS) là nền tảng đám mây toàn diện và được sử dụng rộng rãi nhất, cung cấp trên 175 dịch vụ đầy đủ tính năng từ các trung tâm dữ liệu trên toàn thế giới.
PyTorch là một framework được xây dựng dựa trên python cung cấp nền tảng tính toán khoa học phục vụ lĩnh vực Deep learning.

Kết luận

2 kĩ năng quan trọng là phân tích và machine learning.

Đầu tư vào kỹ năng giao tiếp của bạn, nghe khá buồn cười nhưng đây là một trong các yêu cầu quan trọng.

Nếu bạn đang phân vân giữa Python và R, hãy chọn Python. Nếu học Python ngon lành rồi, hãy cân nhắc việc học R. Độ bao phủ của bạn sẽ tốt hơn...

Kết nối với mình:

Linkedin: http://bit.ly/3aYazxr
Facebook: http://bit.ly/2u9pvIl
Githut: http://bit.ly/3b1qBXd

IPO là gì? Đầu tư IPO nên hay không?

noreply@blogger.com (Le Dang Trung Hieu) — Fri, 18 Jan 2019 04:04:00 +0000

IPO là gì? Bối cảnh IPO tại Việt Nam ra sao? Làm sao để tìm kiếm cổ phiếu IPO và phương thức đầu tư vào cổ phiếu IPO từ thế giới nhìn về Việt Nam.

Mục lục tự động

Trong bài viết bên dưới, sẽ giúp nhà đầu tư nhìn rõ mọi khía cạnh của quá trình IPO một doanh nghiệp. Hiểu rõ bản chất và quy trình IPO là gì, sẽ mang lại cho nhà đầu tư rất nhiều góc nhìn, thông qua đó thuận lợi trong việc lựa chọn phương pháp đầu tư cổ phiếu IPO, cũng như phương pháp tìm kiếm thông tin những con hàng “hot” trước khi nó trở nên đại trà.
Bắt đầu bài viết, vẫn là phải hiểu đúng về định nghĩa IPO...

IPO là gì

IPO là quá trình một công ty tư nhân lần đầu tiên bán cổ phiếu cho các nhà đầu tư bên ngoài, và trở thành một công ty niêm yết.

Video đơn giản về IPO

Trước khi IPO, công ty được xem là công ty tư nhân , với một số lượng cổ đông khá nhỏ được tạo thành chủ yếu từ các nhà đầu tư tiên phong (như người sáng lập, gia đình và bạn bè của họ) và các nhà đầu tư chuyên nghiệp kiểu như Shark Tank mà nhà đầu tư thường xem vậy (thuật ngữ gọi nhóm này là các nhà đầu tư mạo hiểm hoặc nhà đầu tư thiên thần).

Đặc biệt, cho đến khi cổ phiếu của một công ty được chào bán ra trên sàn chứng khoán, nhà đầu tư chỉ có thể đầu tư vào cổ phiếu này trên thị trường chứng khoán phi tập trung (thị trường OTC, ví dụ như hiện tại có ô tô Trường Hải - THACO, Seoul Metal - SMV,...).

Các công ty niêm yết phải có hàng trăm cổ đông và phải tuân theo các quy tắc và quy định nghiêm ngặt. Họ phải thành lập một ban giám đốc và họ phải báo cáo thông tin tài chính và kế toán kiểm toán hàng quý. Tại Hoa Kỳ, các công ty niêm yết báo cáo lên Ủy ban Chứng khoán và Giao dịch Hoa Kỳ (SEC). Còn ở Việt Nam, các công ty niêm yết được giám sát bởi ủy ban chứng khoán nhà nước SSC.

Ngoài ra, các công ty niêm yết phải tuân thủ các quy định và yêu cầu được đặt ra bởi các sàn giao dịch chứng khoán nơi cổ phiếu của họ được niêm yết, ở Việt nam là sở giao dịch chứng khoán TPHCM (HoSE) và sở giao dịch chứng khoán Hà Nội (HNX).

Uy tín của một công ty đã niêm yết trên sàn chứng khoán rất lớn. Trong lịch sử, chỉ những công ty tư nhân có nền tảng cơ bản mạnh mẽ và tiềm năng lợi nhuận “khủng” mới có thể đủ điều kiện để IPO. Ngày nay, với nhiều lí do, các yêu cầu niêm yết đã giảm bớt một chút. Nhà đầu tư có thể xem thêm tại phần Quy định về IPO.

Lý do dẫn đến IPO

Thị trường chứng khoán phát triển mạnh, các công ty tư nhân có thể huy động được nhanh và nhiều vốn nhất thông qua việc tiến hành IPO trên thị trường chứng khoán. Cổ phiếu của công ty cũng có thể đạt được tính thanh khoản rất cao và các giá trị gia tăng về giá sau khi IPO.

Top cổ phiếu IPO trên thế giới

Nói rõ hơn:

IPO là phương pháp huy động vốn hiệu quả nhất hiện giờ

Mặc dù các công ty tư nhân có nhiều lựa chọn để huy động vốn - chẳng hạn như vay, tìm thêm nhà đầu tư tư nhân hoặc bằng cách mua lại bởi một công ty khác (hoạt động M&A). Nhưng, cho đến nay, IPO làm tăng số vốn huy động lớn nhất cho công ty và các cổ đông sáng lập.

Vốn hóa IPO hàng năm

IPO gia tăng uy tín của doanh nghiệp nhanh chóng

IPO với mỗi doanh nghiệp chỉ có một lần duy nhất, và sau khi đã IPO thì các lần huy động vốn tiếp theo sẽ được gọi là phát hành cổ phiếu trên thị trường thứ cấp chứ ko còn gọi là IPO nữa, đây cũng là điểm hay nhầm lẫn của các nhà đầu tư mới.

Có thể xem sức ảnh hưởng của niềm tin trong IPO qua biểu đồ cấu trúc về IPO Trust sau đây.

IPO có ý nghĩa rất quan trọng, vì với bất kỳ doanh nghiệp lớn nào, đây cũng là thử thách đầu tiên và quan trọng nhất. bởi vì trước khi được phép huy động vốn rộng rãi phải đảm bảo hàng loạt các điều kiện phát hành nghiêm ngặt và qui chế báo cáo thông tin chuẩn mực.

Lợi ích khi lên sàn chứng khoán

Mục tiêu chính của IPO là huy động vốn cho doanh nghiệp. Tuy nhiên, vẫn có những lợi ích đặc thù khác như:

Thuận lợi khi phát hành cổ phiếu

Một công ty đại chúng có thể tăng vốn bổ sung trong tương lai thông qua các nghiệp vụ thứ cấp như phát hành cổ phiếu. (có thể xem thêm về phát hành cổ phiếu hoặc phân biệt các loại phát hành cổ phiếu qua bài viết: https://www.cafechungkhoan.com/2018/12/co-phieu.html#phat-hanh-co-phieu)

Phát hành với số vốn lớn và thủ tục thuận lợi nhiều hơn so với doanh nghiệp chưa niêm yết.

Tối ưu hóa chiến thuật giữ người bằng cổ phiếu

Công ty co thể thưởng cổ phiếu cho giám đốc điều hành hoặc nhân viên xuất săc khác thông qua bán ưu đãi cổ phiếu trước khi niêm yết. Cổ phiếu trong một công ty đại chúng hấp dẫn hơn đối với nhân viên nội bộ vì cổ phiếu có thể được bán dễ dàng hơn, so với việc còn nằm trên OTC. IPO cũng giúp một công ty đại chúng có thể tuyển dụng và giữ chân nhân tài tốt hơn.

Hình ảnh doanh nghiệp điển hình áp dụng chiến thuật này là MWG:

Thuận lợi trong mua bán sáp nhập

Hoạt động sáp nhập và mua lại dễ dàng hơn đối với một công ty đại chúng, bằng cách sử dụng cổ phiếu của mình để mua lại một công ty khác.

Tại Việt Nam, sáp nhập hợp nhất thông qua con đường phát hành cổ phiếu để hoán đổi được nhiều doanh nghiệp lựa chọn, với nhiều thương vụ đáng kể từ năm 2014 đến nay như SHB sáp nhập Habubank, SHN và An Bình Group, MHB sáp nhập vào BIDV, DL1 với các công ty con, Nam Long với các công ty liên quan...

Gần đây nhất có trường hợp CTCP Ô tô Hàng Xanh (HAX, sàn HOSE) phát hành cổ phiếu hoán đổi cổ phần của CTCP Sản xuất - Thương mại và Dịch vụ ôtô PTM (sàn UPCoM) và tới đây là thương vụ sáp nhập đình đám của CTCP Mía đường Thành Thành Công – Tây Ninh (SBT) và CTCP Đường Biên Hòa (BHS).

Đọc thêm: M&A bằng hoán đổi cổ phiếu: Những điểm cần chú ý trên báo cáo tài chính

Nâng cao tính minh bạch của công ty

Phát hành chứng khoán ra công chúng làm tăng chất lượng và độ chính xác của các báo cáo của công ty bởi vì các báo cáo của công ty phải được lập theo các tiêu chuẩn chung do cơ quan quản lý qui định. Chính điều này làm cho việc đánh giá và so sánh kết quả hoạt động của công ty được thực hiện dễ dàng và chính xác hơn.

Mang lại uy tín và vị thế cho công ty trên thương trường

Cổ phiếu IPO vì khi niêm yết sẽ mang lại uy tín rất lớn. Đây có thể là một yếu tố có lợi cho doanh nghiệp khi đi vay, nó giúp doanh nghiệp có tiềm lực đạt được những điều khoản có lợi. Tuy nhiên nhà đầu tư phải lưu ý là giá trị thực sự của những lợi thế vô hình như uy tín rất khó đo lường và cũng rất dễ mất đi.

Các rủi ro khi thực hiện IPO

IPO rất tốn kém

Và chi phí duy trì công ty đại chúng đang diễn ra và thường không liên quan đến các chi phí kinh doanh khác. Thông thường giai đoạn lên kế hoạch, định giá, tìm kiếm đối tác chiến lược và hàng loạt nghiệp vụ khác trong IPO sẽ mất khoản 12 đến 18 tháng. (nghiên cứu quy trình và cách thức IPO của PWC: https://www.pwc.com/us/en/deals/publications/assets/cost-of-an-ipo.pdf )

Trong đó chi phí IPO theo thống kê của Oxford Economics, và dựa trên báo cáo đăng ký công khai của 315 công ty, trung bình, các công ty phải chịu một khoản phí bảo lãnh phát hành bằng 4-7% tổng số tiền thu được, cộng thêm 4.2 triệu đô la chi phí cung cấp trực tiếp cho IPO.

Riêng Việt Nam thì con số này tùy thuộc vào công ty chứng khoán và chưa có số liệu thống kê đáng tin cậy.

Video về 5 rủi ro phổ biến của IPO trên thế giới

Ngoài các lí do kể trên, còn có những rủi ro đặc thù như:

Biến động giá cổ phiếu gây áp lực cho quản lý

Áp lực từ phía cổ đông nhỏ hoặc cổ đông chiến lược, thực sự có ảnh hưởng tới quyết định của ban giám đốc, trong khi biến động giá cổ phiếu chưa chắc phản ánh kết quả tài chính thực sự.

Nguy cơ gây bất ổn trong công ty

Các chiến lược được sử dụng để làm tăng giá trị cổ phiếu của một công ty đại chúng, chẳng hạn như sử dụng nợ quá mức để mua lại cổ phiếu , có thể làm tăng rủi ro và sự bất ổn trong công ty.

Nguy cơ làm lộ bí mật kinh doanh

Một công ty đại chúng phải nộp báo cáo với SSC có thể tiết lộ bí mật và phương thức kinh doanh, giúp các đối thủ cạnh tranh dễ phân tích hơn.
Sự lãnh đạo và quản trị cứng nhắc của ban giám đốc có thể khiến việc giữ chân các nhà quản lý giỏi sẵn sàng chấp nhận rủi ro trở nên khó khăn hơn.

Sau IPO công ty có hưởng lợi từ tăng giá cổ phiếu không

Câu trả lời ngắn gọn là không. Để dễ hiểu, hãy nhớ rằng thị trường chứng khoán bao gồm hai thị trường - thị trường sơ cấp và thị trường thứ cấp.

Trong thị trường sơ cấp , một công ty phát hành cổ phiếu cho các nhà đầu tư chuyển vốn cho công ty để lấy cổ phần. Chỉ đến lúc này, công ty mới nhận được vốn cho cổ phiếu của họ. Khi cổ phiếu được phát hành theo giá chào bán quy định, công ty sẽ nhận được tiền mặt của họ.

Trong thị trường thứ cấp , các nhà đầu tư ban đầu mua vấn đề ở thị trường sơ cấp bán cổ phần của họ cho các nhà đầu tư khác, những người này lần lượt nắm giữ cổ phần của họ và cuối cùng cũng bán chúng cho các nhà đầu tư khác. Đây là thị trường thứ cấp được truyền thông tích cực theo dõi và tạo ra sự thay đổi giá hàng ngày trong chứng khoán. Bởi vì thị trường này chỉ liên quan đến các nhà đầu tư mua và bán chứng khoán từ các nhà đầu tư khác, bản thân các công ty đại chúng không thấy lợi nhuận trực tiếp hoặc thua lỗ từ thay đổi giá.

Tuy nhiên, vẫn có lợi cho một công ty đại chúng có giá cổ phiếu mạnh vì nó làm tăng vốn hóa thị trường của công ty và do đó khả năng phát hành thêm cổ phiếu vốn với giá chào bán tương đối cao (cho phép công ty tăng vốn cổ phần với giá rẻ). Xem thêm tại phần lợi ích của niêm yết trên sàn chứng khoán.

Điều kiện để IPO

Mỗi quốc gia có những qui định riêng cho nghiệp vụ phát hành chứng khoán lần đầu ra công chúng. Ở Việt Nam, để tiến hành IPO, thông thường tổ chức phát hành phải tuân thủ 6 điều kiện sau:

Đáp ứng được yêu cầu về vốn điều lệ tối thiểu 120 tỷ đồng niêm yết tại HoSE và 30 tỷ đồng niêm yết HNX
Tối thiểu 20% vốn cổ phần của tổ chức phát hành phải được bán cho trên 100 người đầu tư ngoài tổ chức phát hành; trường hợp vốn cổ phần của tổ chức phát hành từ 100 tỷ đồng trở lên thì tỷ lệ tối thiểu này là 15% vốn cổ phần của tổ chức phát hành..
Công ty được thành lập và hoạt động trong vòng một thời gian nhất định (thường khoảng từ 3 đến 5 năm).
Công ty phải làm ăn có lãi với mức lợi nhuận không thấp hơn mức qui định và trong một số năm liên tục nhất định (thường từ 2-3 năm).
Cổ đông sáng lập phải nắm giữ ít nhất 20% vốn cổ phần của tổ chức phát hành và phải nắm giữ mức này tối thiểu 3 năm kể từ ngày kết thúc đợt phát hành.
Trường hợp cổ phiếu phát hành có tổng giá trị theo mệnh giá vượt 10 tỷ đồng thì phải có tổ chức bảo lãnh phát hành.

Vai trò của tổ chức bảo lãnh phát hành

Bảo lãnh phát hành là quá trình một công ty chứng khoán giúp tổ chức phát hành thực hiện các thủ tục trước và sau khi chào bán chứng khoán như định giá chứng khoán, chuẩn bị hồ sơ xin phép phát hành chứng khoán, phân phối chứng khoán và bình ổn giá chứng khoán trong giai đoạn đầu.

Thông thường, để phát hành chứng khoán ra công chúng, tổ chức phát hành cần phải có được sự bảo lãnh của một công ty nhỏ, và số lượng phát hành không lớn, thì chỉ cần có một tổ chức bảo lãnh phát hành. Nếu đó là một công ty lớn, và số lượng chứng khoán phát hành vượt quá khả năng của một tổ chức bảo lãnh thì cần phải có một tổ hợp bảo lãnh phát hành, bao gồm một hoặc một tổ chức bảo lãnh chính và một số tổ chức bảo lãnh phát hành thành viên.

Các tổ chức bảo lãnh phát hành được hưởng phí bảo lãnh hoặc một tỷ lệ hoa hồng nhất định trên số tiền thu được từ đợt phát hành. Phí bảo lãnh phát hành là mức chênh lệch giữa giá bán chứng khoán cho người đầu tư và số tiền tổ chức phát hành nhận được.
Ví dụ: nếu công chúng mua chứng khoán phải trả 20.000 đ một cổ phiếu, trong khi công ty phát hành nhận 18.000 đ một cổ phiếu thì tiền phí bảo lãnh phát hành là 2.000 đ một cổ phiếu.

Phí bảo lãnh hoặc hoa hồng bảo lãnh cao hay thấp là tuỳ thuộc vào tính chất của đợt phát hành (lớn hay nhỏ, thuận lợi hay khó khăn). Nói chung, nếu đợt phát hành đó là đợt phát hành chứng khoán lần đầu ra công chúng thì mức phí hoặc hoa hồng phải cao hơn lần phân phối sơ cấp. Đối với trái phiếu, phí bảo lãnh hoặc hoa hồng phụ thuộc vào lãi suất trái phiếu.

Quy trình thực hiện đấu giá IPO

Bán cổ phiếu lần đầu ra công chúng hay còn gọi là phát hành chứng khoán lần đầu, được thực hiện theo các bước sau. Quý nhà đầu tư lưu ý là lần đầu, các lần phát hành sau không gọi là IPO và cũng có cơ chế khác với phát hành lần đầu:

Giai đoạn 1: Chuẩn bị cho IPO

Bước 1: Tổ chức đại hội cổ đông để chốt về mục tiêu sử dụng vốn sau khi phát hành:

Số lượng vốn cần huy động;
Số lượng cổ phiếu dự định phát hành;
Tỉ lệ và số lượng dự tính bán cho các đối tượng: Hội đồng quản trị, cổ động hiện tại, người lao động trong doanh nghiệp, người bên ngoài doanh nghiệp, người nước ngoài…

Bước 2: Thành lập ban tổ chức, xin phép phát hành chứng khoán ra công chúng.
Chức năng chủ yếu của Ban tổ chức là chuẩn bị các hồ sơ xin phép phát hành để nộp lên cơ quan quản lý nhà nước về chứng khoán và thị trường chứng khoán;

Bước 3: Lựa chọn tổ chức bảo lãnh phát hành (nếu chưa rõ về vai trò của tổ chức bảo lãnh phát hành, bạn có thể đọc thêm phần bảo lãnh phát hành).

Noted: Trong phần lớn các trường hợp IPO, để đảm bảo sự thành công của đợt IPO thì tổ chức phát hành phải chọn ra được một tổ chức bảo lãnh phát hành phù hợp. Tổ chức bảo lãnh phát hành với uy tín và mạng lưới rộng lớn của mình sẽ giúp cho việc phân phối chứng khoán của tổ chức phát hành diễn ra một cách suôn sẻ. Chính vì vậy, khi tiến hành phát hành chứng khoán ra công chúng thì việc lựa chọn tổ chức bảo lãnh phát hành có ý nghĩa rất quan trọng, và mang tính quyết định đến sự thành bại của đợt phát hành. Trong trường hợp khối lượng chứng khoán phát hành là quá lớn, vượt quá khả năng của một tổ chức bảo lãnh phát hành thì tổ chức bảo lãnh phát hành chính (tổ chức bảo lãnh đã được lựa chọn) sẽ đứng ra lựa chọn các thành viên khác để cùng với mình tiến hành bảo lãnh cho toàn bộ đợt phát hành.

Bước 4: Lựa chọn công ty kiểm toán và tổ chức tư vấn và cùng với các tổ chức này xây dựng phương án phát hành và dự thảo bản cáo bạch để cung cấp cho các nhà đầu tư.

Giai đoạn 2: Tiến hành IPO

Đầu tiên là tiến hành định giá:

Ban tổ chức, bảo lãnh phát hành, công ty kiểm toán và tổ chức tư vấn tiến hành định giá chứng khoán phát hành.

Định giá chứng khoán là giai đoạn rất khó khăn và phức tạp, đòi hỏi sự khéo léo cao. Nếu định giá chứng khoán cao thì sẽ khó khăn trong việc bán chứng khoán, còn nếu định giá chứng khoán quá thấp thì sẽ làm thiệt hại về phía công ty IPO.

Vì thế, việc định giá chứng khoán làm sao cho người mua muốn mua và người bán không bị thiệt hại là hết sức quan trọng.

Bước 2 là tiến hành xin phép niêm yết

Chính thức thành lập bảo lãnh phát hành và ký hợp đồng bảo lãnh phát hành với tổ chức phát hành.
Công ty kiểm toán xác nhận các báo cáo tài chính trong hồ sơ xin phép phát hành.
Tổ chức phát hành nộp hồ sơ lên Uỷ ban chứng khoán. Thông thường tổ chức phát hành sẽ được trả lời về việc cấp hay từ chối cấp giấy phép trong một thời hạn nhất định kể từ ngày nộp hồ sơ xin phép phát hành đầy đủ và hợp lệ.

Noted: Trong thời gian chờ Uỷ ban chứng khoán Nhà nước xem xét hồ sơ, tổ chức phát hành thường sử dụng nội dung trong bản cáo bạch để thăm dò nhu cầu của thị trường (nếu chưa rõ về bản cáo bạch, có thể xem qua định nghĩa ở đây).Việc thăm dò này, nhằm lựa chọn phương thức bán và giá bán phù hợp.

Bước 3 là sau khi được cấp phép IPO

Sau khi được cấp phép phát hành, tổ chức phát hành phải ra thông báo phát hành trên các phương tiện thông tin đại chúng, đồng thời công bố ra công chúng bản cáo bạch chính thức và việc thực hiện việc phân phối chứng khoán trong một thời gian nhất định kể từ khi được cấp giấy phép.

Noted: Thời hạn phân phối được qui định khác nhau đối với mỗi nước. ở Việt nam, theo qui định tại Nghị định 48/Chính phủ về chứng khoán và thị trường chứng khoán thì thời hạn này là 90 ngày, trong trường hợp xét thấy hợp lý và cần thiết, Uỷ ban chứng khoán nhà nước có thể gia hạn thêm.

Tiến hành đăng ký, lưu giữ, chuyển giao và thanh toán chứng khoán sau khi kết thúc đợt phân phối chứng khoán.

Sau khi hoàn thành việc bán chứng khoán, tổ chức phát hành cùng với tổ chức bảo lãnh phát hành phải báo cáo kết quả đợt phát hành cho Uỷ ban chứng khoán và tiến hành đăng ký vốn với cơ quan có thẩm quyền.

5 nguyên tắc đầu tư vào cổ phiếu IPO

Nghiên cứu khách quan về cổ phiếu IPO

Không giống như hầu hết các công ty đã niêm yết, cổ phiếu sắp IPO thường không có nhiều báo cáo phân tích của các cty chứng khoán. Bởi vậy, việc cố gắng phát hiện ra các dấu hiệu, dẫu là nhỏ, cũng cho chúng ta biết một lượng thông tin đáng kể. Và nhà đầu tư cần nhớ rằng, mặc dù hầu hết các công ty cố gắng viết đầy đủ tất cả thông tin trong bản cáo bạch của họ,nhưng nó vẫn được viết bởi chính công ty đó chứ không phải bởi một đơn vị phân tích khách quan, không có lợi ích riêng.

Nghiên cứu khách quan về công ty sắp IPO, nhà đầu tư có thể tìm kiếm về: các đối thủ cạnh tranh, thông tin trên báo chí trong quá khứ, cũng như sức khỏe của toàn ngành. Mặc dù thông tin có thể khan hiếm, nhưng tìm hiểu càng nhiều càng tốt về công ty là một bước quan trọng trong việc đầu tư khôn ngoan. Mặt khác, nghiên cứu của bạn có thể dẫn đến việc phát hiện ra rằng triển vọng của một công ty đang bị thổi phồng quá mức, định giá quá cao hay không.

Chọn một công ty có đơn vị bảo lãnh phát hành mạnh

Công ty bảo lãnh phát hành mạnh ở việt nam thường là các công ty chứng khoán lớn. Ngoại trừ các lợi ích bên trong, báo cáo phân tích của công ty sắp IPO được họ viết ra, còn vì danh tiếng của bản thân công ty nữa. Do vậy, các công ty niêm yết được họ đứng ra bảo lãnh phát hành thường là các công ty tốt.

Ngược lại, hãy thận trọng hơn khi lựa chọn các công ty môi giới nhỏ hơn, bởi vì họ có thể sẵn sàng bảo lãnh cho bất kỳ công ty nào.

Tuy nhiên, một điểm tích cực của các công ty chứng khoán nhỏ hơn là, vì số lượng khách hàng nhỏ hơn, nên các công ty này lại giúp nhà đầu tư cá nhân dễ dàng mua cổ phiếu trước IPO hơn.

Noted: Xin lưu ý rằng hầu hết các công ty chứng khoán lớn, thường không cho toàn bộ nhà đầu tư dễ dàng mua cổ phiếu IPO. Các nhà đầu tư cá nhân được ưu tiên vào IPO là những khách hàng lâu năm và thường có doanh số giao dịch cao.Đâu cũng vậy, bánh ít đi, bánh quy lại mà…

Luôn đọc kĩ bản cáo bạch

Dù rằng nhà đầu tư không nên đặt tất cả niềm tin vào nó, nhưng không bao giờ nên bỏ qua việc đọc bản cáo bạch. Nó có thể là một bản đọc khô khan, nhưng bản cáo bạch nêu ra những rủi ro và cơ hội của công ty, cùng với việc chỉ ra mục đích của nguồn vốn IPO huy động.

Cách nhanh nhất để cổ phiếu rớt giá sau IPO là đặt mục tiêu cao, mà làm ra kết quả thì tào lao. Do đó, một trong những điều lớn nhất cần chú ý trong khi đọc bản cáo bạch là xem thử triển vọng thu nhập tương lai có quá lạc quan hay không.

Thận trọng trong đầu tư không bao giờ thừa

Ngay cả khi bạn tìm thấy một công ty sắp IPO mà bạn cho là một khoản đầu tư đáng giá, có thể bạn vẫn không thể mua được cổ phần. Các nhà môi giới có thói quen tiết kiệm phân bổ IPO của họ cho các khách hàng ưa thích, vì vậy trừ khi bạn là người giỏi, nhiều khả năng bạn sẽ không thể tham gia.

Bởi vậy, việc mà các môi giới săn đón bạn quá mức một cổ phiếu nào đó, thường là có vấn đề.

Case Study: Warren Buffett có nói: “Tôi một lần nữa nhấn mạnh rằng nên dành rất nhiều thời gian mỗi ngày chỉ để ngồi và suy nghĩ. Điều đó không phổ biến lắm trong giới doanh nhân Mỹ. Tôi đọc nhiều hơn và suy nghĩ nhiều hơn, đưa ra ít quyết định nóng vội hơn so với hầu hết mọi người trong giới kinh doanh.”

Lưu ý thời hạn giữ cổ phiếu của ban giám đốc cty IPO

Thông thường ban giám đốc của công ty niêm yết bị cấm giao dịch cổ phiếu trong vòng 3 năm, tính từ thời gian IPO. Nếu họ tiếp tục nắm giữ cổ phiếu khi thời hạn lock bắt buộc đã hết, đó có thể là một dấu hiệu cho thấy công ty có một tương lai tươi sáng và bền vững.
Hãy để thị trường đi theo hướng của nó trước khi bạn tiến vào. Một công ty tốt vẫn sẽ là một công ty tốt và là một khoản đầu tư xứng đáng, ngay cả khi thời hạn lock của ban giám đốc đã hết hạn.