Thiên Cơ JackpotDự đoán thông minh
Quay lại
Bạch Thư Kỹ Thuật9 phút đọc

Walk-Forward Optimization: Tại Sao Mô Hình Của Chúng Tôi Không Bị Overfitting?

Một mô hình AI đánh bại thị trường trong quá khứ chưa chắc đã chiến thắng trong tương lai. Bài bạch thư này sẽ giải thích cách chúng tôi sử dụng WFO để triệt tiêu hội chứng "học vẹt" (Overfitting) trong quá trình huấn luyện máy học.

"Kẻ thù lớn nhất của một kỹ sư Machine Learning không phải là thuật toán quá yếu, mà là một thuật toán dối trá – nó nói rằng nó rất giỏi, nhưng thực chất nó chỉ đang học thuộc lòng."

1. Overfitting Là Gì Trong Bài Toán Xổ Số?

Trong thế giới của Trí tuệ Nhân tạo (AI), Overfitting (Học vẹt hay Quá khớp) xảy ra khi một mô hình ghi nhớ quá chi tiết dữ liệu lịch sử. Thay vì tìm ra quy luật thực sự (Signal), nó lại đi ghi nhớ luôn cả các yếu tố nhiễu ngẫu nhiên (Noise).

Giả sử bạn cung cấp cho AI dữ liệu 1,000 kỳ quay Vietlott. Nếu AI bị Overfitting, nó sẽ tạo ra một bộ quy luật cực kỳ hoàn hảo để... dự đoán chính xác lại 1,000 kỳ quay đó. Nó sẽ đưa cho bạn một biểu đồ chiến thắng tuyệt đối. Nhưng ngay khi áp dụng vào kỳ quay thứ 1,001 (tương lai chưa xảy ra), mô hình sẽ sụp đổ hoàn toàn vì nó không có khả năng "tổng quát hóa" (Generalization).

2. Cách Backtest Truyền Thống Đang Đánh Lừa Bạn

Hầu hết các phần mềm dự đoán thông thường trên thị trường sử dụng phương pháp In-Sample Testing (Kiểm thử trong mẫu). Họ lấy 100% dữ liệu để huấn luyện thuật toán, sau đó dùng chính thuật toán đó kiểm tra lại trên dữ liệu ban đầu và tuyên bố: "Phần mềm của chúng tôi có độ chính xác 90%!".

Đây là sự tự dối mình. Nó giống như việc bạn đưa trước đề thi cho học sinh đem về nhà học thuộc, sau đó cho thi lại đúng đề đó và kết luận học sinh này là thiên tài.

3. Giải Pháp Từ Phố Wall: Walk-Forward Optimization (WFO)

Để đảm bảo AI của Thiên Cơ Jackpot hoạt động thực sự hiệu quả trên dữ liệu tương lai (Out-of-Sample), chúng tôi áp dụng Walk-Forward Optimization (Tối ưu hóa bước tiến) – tiêu chuẩn vàng trong thiết kế thuật toán giao dịch tại các quỹ đầu tư định lượng (Quant Funds).

Cơ chế hoạt động như sau:

  1. Cửa sổ Huấn luyện (Training Window): AI được cung cấp dữ liệu từ kỳ 1 đến kỳ 500 để học các mẫu hình phân phối toán học.
  2. Cửa sổ Kiểm thử mù (Out-of-Sample Window): Sau khi học xong, bộ não AI bị khóa lại (không được học thêm). Nó phải dùng kiến thức đó để dự đoán kết quả của kỳ 501 đến 550. Mọi kết quả đúng/sai trong giai đoạn này đều được ghi nhận làm thành tích thực tế.
  3. Bước tiến (Step Forward): Sau đó, cửa sổ dữ liệu trượt về phía trước. AI lại lấy dữ liệu từ kỳ 51 đến 550 để huấn luyện, rồi dự đoán mù cho kỳ 551 đến 600.
  4. Quá trình này lặp lại liên tục cho đến kỳ quay hiện tại.

4. Tại Sao WFO Là Chìa Khóa Để Chiến Thắng?

Bằng cách sử dụng WFO, biểu đồ hiệu suất (Equity Curve) mà Thiên Cơ Jackpot công bố không phải là "thành tích ảo" được nặn ra từ việc AI học vẹt dữ liệu. Đó là kết quả của hàng ngàn bài "kiểm tra mù" (Out-of-Sample Test) mô phỏng chính xác điều kiện thực tế của một người chơi đứng trước một kỳ quay chưa từng diễn ra.

Nếu một mô hình bị Overfitting, nó sẽ lập tức bị phát hiện và đào thải ngay trong các cửa sổ kiểm thử mù của bước Walk-Forward.

"Chúng tôi không xây dựng AI để dự đoán đúng quá khứ. Chúng tôi xây dựng AI để chinh phục sự hỗn loạn của tương lai."