Nghịch Lý Của Mô Hình Định Lượng

Trong thế giới tài chính và kinh doanh, thứ mà người ta thèm muốn nhất ở một người làm số liệu luôn là một con số: Doanh thu 6 tháng tới tăng bao nhiêu phần trăm? Giá cổ phiếu này mục tiêu là bao nhiêu?

Chúng ta thích những con số điểm (point forecasts) vì chúng mang lại ảo giác an tâm. Một con số rõ ràng — chẳng hạn như +24.3% — giúp kế hoạch năm trông ngăn nắp, bài thuyết trình trông chuyên nghiệp, và quan trọng hơn cả: nó xua tan cảm giác bất an trước một tương lai hoàn toàn mù mờ. Với một tập dữ liệu chuỗi thời gian đủ dài và vài lệnh hồi quy trong Stata, việc tạo ra một con số có vẻ thuyết phục như vậy thật ra không hề khó.

Nhưng sau nhiều năm trực tiếp xây dựng và kiểm định các mô hình kinh tế lượng, tôi nhận ra một sự thật trớ trêu: càng hiểu sâu về toán học và mô hình hóa, tôi lại càng ít dám tin vào con số duy nhất hiện ra ở cuối phương trình.

Khi mới bắt đầu, tôi từng nghĩ giải pháp cho sự bất định đơn giản là học thêm công cụ cao cấp hơn. Trung bình trượt chưa đủ thì dùng ARIMA, tuyến tính chưa đủ thì tìm đến các dạng hàm phi tuyến. Nhưng càng đi sâu, một nghịch lý càng lộ rõ: mỗi khi một phương pháp mới giải quyết được một giả định thống kê lỏng lẻo, nó lại âm thầm gài vào hệ thống những giả định cấu trúc và điểm gãy tiềm ẩn khác.

Và nguy hiểm hơn là một sự cám dỗ rất phổ biến trong nghề phân tích: thay vì để mô hình phơi bày sự bất định thực tế của thế giới, ta rất dễ bắt đầu thay đổi các biến kiểm soát, điều chỉnh độ trễ, thử hàng chục đặc tả mô hình khác nhau cho đến khi kết quả đầu ra khớp đúng với những gì bản thân hoặc tổ chức đã kỳ vọng từ trước.

Tôi viết bài luận này không phải để bác bỏ kinh tế lượng hay kêu gọi từ bỏ các mô hình định lượng. Tôi vẫn làm việc với Stata, kiểm tra sai số chuẩn vững và chạy mô hình mỗi ngày. Nhưng tôi không còn muốn chúng đóng vai những nhà tiên tri ban phát sự chắc chắn giả tạo.

Tôi muốn dùng mô hình định lượng như một công cụ để khám phá sự bất định, bóc tách các mối quan hệ, tìm ra vùng dễ sụp đổ và chuẩn bị sẵn kế hoạch phản ứng cho từng kịch bản có thể xảy ra.

Bởi vì vấn đề cốt lõi chưa từng nằm ở sự tồn tại của mô hình. Vấn đề nằm ở chỗ chúng ta đã nhầm lẫn một mô hình toán học có điều kiện với chính bản thân tương lai.

I. Ảo Tưởng Về Một Con Số Tương Lai Duy Nhất

Hãy bắt đầu bằng một bài toán kinh doanh cụ thể và thực tế.

Giả sử bạn đang điều hành Tiệm Cà Phê Mộc, một xưởng rang và quán cà phê thủ công tại Sài Gòn đã hoạt động được tròn 24 tháng. Bạn đang đứng trước một quyết định phân bổ vốn quan trọng: có nên ký hợp đồng thuê mặt bằng mới với diện tích gấp đôi và đầu tư thêm máy rang hạt công suất lớn trong 6 tháng tới hay không?

Để ra quyết định, bạn cần dự báo doanh thu từ tháng thứ 25 đến tháng thứ 30.

Bạn mở tập dữ liệu 24 tháng lịch sử. Dữ liệu cho thấy doanh thu tiệm tăng dần từ 130 triệu đồng/tháng trong năm đầu lên đỉnh 220 triệu đồng vào tháng 12 (mùa lễ Tết), sau đó có những tháng chững lại vào mùa mưa quanh mức 140 đến 160 triệu đồng.

Bạn giao dữ liệu này cho 4 chuyên viên phân tích định lượng khác nhau. Mỗi người sử dụng một phương pháp toán học kinh điển:

1. Chuyên viên A (Mô hình Naïve / Neo đỉnh gần nhất): Lấy con số doanh thu tháng 24 vừa đạt 220 triệu làm điểm neo và giả định tiệm sẽ duy trì công suất đỉnh này cho 6 tháng tới. Dự báo: 220 triệu đồng/tháng.
2. Chuyên viên B (Mô hình Xu thế tuyến tính - Linear Trend): Kẻ một đường hồi quy xu thế thời gian qua 24 tháng. Doanh thu đang có xu hướng tăng trung bình khoảng 3.5 triệu mỗi tháng. Dự báo: doanh thu sẽ tịnh tiến đều đặn từ 225 triệu lên 245 triệu đồng/tháng.
3. Chuyên viên C (Mô hình San bằng hàm mũ có mùa vụ - Seasonal ETS): Nhận diện quy luật mùa vụ của ngành F&B tại Sài Gòn. Sau đỉnh cao điểm Tết (tháng 12 và tháng 24), doanh thu tháng giêng và các tháng sau Tết luôn sụt giảm mạnh do người dân về quê và thắt chặt chi tiêu, trước khi phục hồi vào giữa năm. Dự báo: tháng 25 sẽ rơi về 168 triệu đồng, sau đó mới bò dần lên 195 triệu đồng vào tháng 30.
4. Chuyên viên D (Mô hình Hồi quy biến số - Feature Regression): Đưa thêm ngân sách quảng cáo dự kiến và chỉ số tìm kiếm vào phương trình. Vì tiệm dự kiến tăng ngân sách marketing, mô hình dự phóng doanh thu sẽ bứt phá mạnh mẽ lên 280 đến 300 triệu đồng/tháng.

Hãy nhìn vào kết quả: Cùng một tập dữ liệu lịch sử trung thực, 4 mô hình toán học chuẩn mực cho ra 4 con số tương lai lệch nhau hơn 50%.

Bản thân dữ liệu quá khứ không hề nói dối. Nhưng dữ liệu quá khứ không tự động chứa đựng tương lai.

Khi chuyên viên A chọn mô hình Naïve, anh ta đang đặt cược vào giả định rằng động lực tăng trưởng gần nhất là vĩnh cửu. Khi chuyên viên B kẻ đường xu thế, anh ta giả định rằng các yếu tố hỗ trợ trong 2 năm qua sẽ tiếp tục vận hành tuyến tính mà không gặp giới hạn công suất vật lý hay sự gia nhập của đối thủ cạnh tranh mới. Khi chuyên viên C dùng ETS, anh ta giả định quy luật mùa vụ quá khứ sẽ lặp lại hoàn hảo.

Không có mô hình nào trong số này là ngây ngô. Nhưng việc chọn bất kỳ một con số nào trong số đó làm "sự thật chắc chắn" để ký một hợp đồng thuê nhà trị giá hàng tỷ đồng là một canh bạc nguy hiểm.

Mô hình toán học không sinh ra tương lai. Nó chỉ phản chiếu những giả định cấu trúc mà chúng ta đã vô tình hoặc hữu ý gài vào phương trình.

II. Phân Biệt Dự Báo Thống Kê Với Can Thiệp Nhân Quả

Khi các mô hình ngoại suy chuỗi thời gian đơn giản bộc lộ điểm yếu, bước đi tự nhiên tiếp theo của người làm định lượng là đưa thêm các biến giải thích (explanatory variables) vào phương trình:

Doanh Thu = β₀ + β₁ × Chi Tiêu Marketing + β₂ × Lượt Tìm Kiếm Google + ε

Chạy lệnh hồi quy OLS trong Stata trên dữ liệu lịch sử của Tiệm Cà Phê Mộc, ta thấy hệ số R² đạt mức ấn tượng 0.86. Cả hai hệ số β đều có ý nghĩa thống kê cao (p < 0.01).

Trong một buổi họp chiến lược, rất dễ có người đứng lên và tuyên bố: "Mỗi khi lượt tìm kiếm từ khóa Cà phê Mộc tăng thêm 1.000 lượt, doanh thu của chúng ta tăng thêm 15 triệu đồng. Vậy giải pháp để đạt mục tiêu tăng trưởng là chi tiền chạy dịch vụ đẩy mạnh lượt tìm kiếm trên mạng."

Đây chính là điểm rẽ nguy hiểm nhất trong tư duy định lượng.

Năm 2010, Giáo sư Galit Shmueli đã công bố bài báo kinh điển mang tên To Explain or to Predict? trên tạp chí Statistical Science. Luận điểm cốt lõi của Shmueli đã bóc trần sự nhầm lẫn phổ biến: Một mô hình có năng lực dự báo thống kê xuất sắc hoàn toàn có thể là một mô hình sai lầm khi dùng để can thiệp thực tế.

Hãy phân biệt thật rành mạch hai khái niệm này:

• Mô hình Dự báo (Prediction - P(Y | X)): Trả lời câu hỏi: Nếu tôi quan sát thấy biến X ở một giá trị cụ thể, tôi có thể cập nhật kỳ vọng gì về biến Y? Đây là bài toán về dòng chảy thông tin (information flow). Lượng tìm kiếm Google tăng vào các ngày thứ Sáu là một tín hiệu thống kê đáng tin cậy giúp quản lý tiệm chuẩn bị thêm đá và sữa cho cuối tuần. Mô hình dự báo hoạt động tốt ngay cả khi X không hề gây ra Y.
• Can thiệp Nhân quả (Causal Intervention - P(Y | do(X))): Trả lời câu hỏi: Nếu tôi dùng quyền lực hoặc tiền bạc để cưỡng ép thay đổi X, điều gì sẽ thực sự xảy ra với Y? Nếu tiệm cà phê chi tiền thuê các trang trại nhấp chuột (click farms) để tăng lượt tìm kiếm từ khóa lên gấp 10 lần, doanh thu thực tế gần như chắc chắn sẽ bằng 0.

Lý do rất đơn giản: Lượt tìm kiếm tự nhiên và doanh thu thực tế cùng chịu sự chi phối của một biến ẩn chung (confounder): thời tiết Sài Gòn cuối tuần đẹp trời và độ lan tỏa hữu cơ của món cà phê ủ lạnh mới.

Khi bạn tác động cơ học vào chỉ số X, bạn đã cắt đứt mối liên kết tự nhiên giữa X và biến nguyên nhân gốc. Dự báo thống kê ghi nhận sự đồng hành; can thiệp chính sách đòi hỏi cơ chế truyền tải lực thực sự.

III. Cạm Bẫy Chuỗi Thời Gian: Nội Sinh, Độ Trễ Và Dự Báo Lồng Nhau

Ngay cả khi ta không ngây thơ nhầm lẫn tương quan với nhân quả, việc đưa các biến kinh doanh vào mô hình chuỗi thời gian vẫn đối mặt với hai cạm bẫy cấu trúc nghiêm trọng.

1. Mối quan hệ tương hỗ và nội sinh (Endogeneity & Dynamic Feedback)

Trong thực tế vận hành của Tiệm Cà Phê Mộc, dòng tiền không chảy theo một đường thẳng đơn hướng.

Hãy xem xét bài toán con gà và quả trứng trong ngân sách:

• Bạn chi tiền marketing vì tháng trước thấy doanh thu giảm sút cần kéo khách, hay doanh thu tháng này tăng lên nhờ tháng trước bạn đã chi tiền marketing?
• Nếu doanh thu tháng này tăng mạnh dẫn đến tiệm có lượng tiền mặt dồi dào hơn trong tài khoản, thì tháng tiếp theo chủ tiệm mới quyết định tăng ngân sách tiếp thị và nhập thêm hạt cà phê đặc sản cao cấp. Nhờ tiếp thị và hạt tốt, doanh thu tháng sau đó nữa lại có cơ hội tăng lên.
• Nhưng đồng thời, một đợt suy thoái kinh tế vĩ mô có thể tác động độc lập làm giảm cả doanh thu lẫn ngân sách chi tiêu của tiệm.

Nếu người phân tích đưa đồng thời Doanh thu(t), Chi phí Marketing(t), và Chi phí Nhập hạt(t) vào cùng một lệnh hồi quy OLS ở cùng thời điểm t, họ đã phạm phải sai lầm nội sinh do tác động đồng thời (simultaneity). Giả định cơ bản E[ε | X] = 0 bị vi phạm, các hệ số β thu được sẽ bị chệch và hoàn toàn không thể diễn giải được về mặt cơ chế.

Trong lý thuyết đồ thị nhân quả hiện đại (Causal DAGs), một nguyên tắc toán học tối thượng là: Đồ thị nhân quả không được phép chứa chu trình kín (directed cycles). Bạn không thể vẽ một mũi tên hai chiều mơ hồ giữa Doanh thu và Chi phí trong cùng một thời điểm. Để mô hình hóa trung thực, ta bắt buộc phải phân rã các biến số theo từng bước thời gian rời rạc (t, t+1, t+2).

2. Dữ liệu rò rỉ và bẫy "Dự báo lồng trong dự báo"

Cạm bẫy thứ hai liên quan đến tính khả dụng của thông tin tại thời điểm ra quyết định (Forecast Origin).

Hãy tự hỏi: Tại ngày cuối cùng của tháng 24, khi bạn cần đưa ra dự báo cho 6 tháng tới, những thông tin nào thực sự đã tồn tại trong vũ trụ?

Bạn chỉ có dữ liệu quá khứ từ tháng 1 đến tháng 24 (ex-ante information). Toàn bộ dữ liệu của các tháng từ 25 đến 30 (ex-post outcomes) là những gì chưa hề xảy ra.

Nếu mô hình của bạn có dạng:

Doanh Thu(t+6) = f(Marketing(t+6), Giá Hạt Cà Phê(t+6), Lạm Phát(t+6))

Bạn thực chất chưa hề giải quyết được sự bất định. Bạn chỉ vừa dời sự bất định từ biến này sang một loạt biến khác.

Để dự báo doanh thu tháng thứ 30, mô hình của bạn đòi hỏi phải biết trước ngân sách marketing, giá hạt cà phê thế giới và tỷ lệ lạm phát của chính tháng 30 đó. Bạn tưởng mình đang dự báo doanh thu, nhưng thực chất bạn đang phải dự báo 3 biến số vĩ mô và vi mô khác mà bạn cũng hoàn toàn không thể biết trước.

Trong thực nghiệm kinh tế lượng, việc đưa nhầm các biến số chỉ được biết sau thời điểm dự báo vào tập dữ liệu huấn luyện được gọi là bẫy rò rỉ dữ liệu (look-ahead leakage). Nó tạo ra những bảng kết quả hồi quy với R² đẹp như mơ trên màn hình máy tính, nhưng sẽ sụp đổ ngay trong ngày đầu tiên triển khai vào thực tế vận hành.

IV. Chiếc Bẫy Của Mô Hình Phức Tạp Và Lời Nguyền Data Snooping

Đến đây, một nhà phân tích có thể nói: "Nếu hồi quy OLS tuyến tính có quá nhiều khiếm khuyết, tại sao không sử dụng các phương pháp ước lượng phi tuyến hoặc các mô hình định lượng linh hoạt hơn?"

Chúng ta bước vào thế giới của các công cụ kinh tế lượng và học máy nâng cao:

• Hồi quy bình phương bé nhất tổng quát (Generalized Least Squares - GLS): Khắc phục hiện tượng phương sai sai số thay đổi (heteroskedasticity) và tự tương quan (autocorrelation) trong phần dư chuỗi thời gian. Cần phân biệt rành mạch GLS với Mô hình tuyến tính tổng quát (Generalized Linear Models - GLM) vốn dùng cho các biến mục tiêu phi chuẩn như phân phối Poisson hay Logistic.
• Mô hình cộng tính tổng quát (Generalized Additive Models - GAM): Sử dụng các hàm spline phi tuyến để nắm bắt các đường cong uốn lượn tự do theo từng khoảng dữ liệu.
• Hồi quy chuẩn hóa và co ngót (Ridge / Lasso / Elastic Net): Tự động phạt các hệ số lớn để chống đa cộng tuyến (multicollinearity) và giảm hiện tượng quá khớp (overfitting).
• Cây quyết định tăng cường (Gradient Boosted Trees / Random Forests): Nắm bắt các mối tương tác phi tuyến đa chiều giữa các biến số.

Nhưng sự linh hoạt toán học không bao giờ là một bữa ăn miễn phí.

Định luật bất biến của thống kê học là sự đánh đổi giữa độ chệch và phương sai (bias-variance tradeoff). Một mô hình càng linh hoạt thì nguy cơ ghi nhớ các nhiễu ngẫu nhiên trong quá khứ (idiosyncratic noise) càng cao. Khi đối mặt với một cú sốc mới nằm ngoài phân phối lịch sử (out-of-distribution regime shift), các mô hình phức tạp thường gãy đổ đột ngột và khó lường hơn nhiều so với các quy tắc đơn giản.

Kiểm định ngoài mẫu và Lời nguyền Data Snooping

Để đánh giá một mô hình, quy trình chuẩn mực là sử dụng phương pháp Kiểm định gốc trượt (Rolling-Origin Cross-Validation): Huấn luyện trên tháng 1–12 và dự báo tháng 13–15; sau đó mở rộng cửa sổ lên tháng 15 và dự báo tháng 16–18.

Cách làm này đảm bảo tính toàn vẹn của trật tự thời gian. Nhưng ngay cả khi làm đúng như vậy, bạn vẫn có thể rơi vào một cạm bẫy nhận thức luận sâu sắc hơn.

Ví dụ trực quan về trò chơi tung đồng xu: Tưởng tượng bạn tổ chức một cuộc thi tung đồng xu cho 1.000 người, mỗi người tung 10 lần liên tiếp. Thuần túy do quy luật phân phối xác suất ngẫu nhiên, chắc chắn sẽ có 1 hoặc 2 người đoán đúng cả 10 lần. Nếu bạn vội vã kết luận rằng người này sở hữu "năng lực thấu thị tương lai" và giao toàn bộ tài sản cho anh ta quản lý, bạn sẽ đối mặt với sự sụp đổ ở lần tung thứ 11.

Năm 2000, nhà kinh tế lượng Halbert White đã công bố nghiên cứu nền tảng A Reality Check for Data Snooping trên tạp chí Econometrica. Luận điểm của White chỉ ra rằng: Nếu bạn thử nghiệm hàng chục hoặc hàng trăm đặc tả mô hình, biến số và cấu hình siêu tham số trên cùng một tập dữ liệu, thì mô hình chiến thắng cuối cùng thường có kết quả ngoài mẫu tốt không phải vì nó nắm bắt được quy luật của thế giới, mà đơn giản vì nó là kẻ may mắn nhất trong quá trình tìm kiếm.

Đó là lý do vì sao một mô hình có sai số ngoài mẫu thấp nhất trong 2 năm qua lại hoàn toàn có thể thất bại thảm hại trong 6 tháng tiếp theo. Người làm phân tích đã vô tình tối ưu hóa cho bài kiểm tra trong phòng thí nghiệm thay vì đo lường khả năng sống sót ngoài thực tế.

V. Giải Phẫu Sự Bất Định: Khi Dải Tin Cậy 95% Không Phải Là Chiếc Phao Cứu Sinh

Khi thừa nhận rằng một con số điểm duy nhất là quá mỏng manh, các nhà phân tích định lượng thường chuyển sang xuất ra một biểu đồ hình phễu (Fan Chart) kèm theo khoảng dự báo 80% hoặc 95%.

Nhìn vào một biểu đồ có dải màu bóng mờ bao quanh con số trung tâm, người ra quyết định thường thở phào nhẹ nhõm: "Vậy là 95% mọi kịch bản có thể xảy ra trong tương lai đều đã nằm gọn trong dải an toàn này."

Đây là một sự ngộ nhận vô cùng nguy hiểm.

Để hiểu tại sao, chúng ta cần bóc tách 5 tầng bất định ẩn bên dưới bất kỳ một mô hình toán học nào:

1. Bất định ngẫu nhiên nội tại (Aleatoric / Process Uncertainty): Sự biến thiên ngẫu nhiên vốn có của cuộc sống dù ta có nắm trong tay mô hình hoàn hảo (ví dụ: một cơn mưa rào bất chợt lúc 17h chiều làm vắng khách).
2. Bất định ước lượng tham số (Parameter Uncertainty): Các hệ số β được ước lượng từ một mẫu hữu hạn 24 tháng, luôn đi kèm sai số chuẩn (standard error).
3. Bất định biến đầu vào tương lai (Predictor Uncertainty): Mức độ mù mờ về giá hạt cà phê hay lạm phát thực tế của 6 tháng tới.
4. Bất định dạng mô hình (Model / Specification Uncertainty): Khả năng cấu trúc toán học ta chọn (tuyến tính, logarit hay hàm bậc hai) không phản ánh đúng cơ chế vận hành thực sự của thị trường.
5. Bất định chuyển dịch cấu trúc (Regime / Structural Uncertainty): Quy luật kinh tế của quá khứ bị gãy đổ hoàn toàn (ví dụ: một chuỗi cà phê ngoại quốc khổng lồ mở chi nhánh đối diện tiệm Mộc, hoặc suy thoái vĩ mô làm người tiêu dùng cắt giảm hoàn toàn việc uống cà phê ngoài quán).

Ví dụ trực quan về phòng máy lạnh: Một dải tin cậy 95% trong phần mềm thống kê giống như việc bạn đang ngồi trong một căn phòng kín với điều hòa nhiệt độ hoạt động ổn định, và đo đạc xác suất nhiệt độ phòng dao động trong khoảng 23°C đến 25°C. Con số 95% đó là chính xác về mặt toán học, nhưng nó phụ thuộc hoàn toàn vào giả định ngầm: máy lạnh không cháy, lưới điện tòa nhà không bị cắt, và bức tường không bị sập.

Khoảng dự báo 95% mà phần mềm xuất ra thực chất chỉ là một khoảng tin cậy có điều kiện (conditional prediction interval). Nó trả lời: "NẾU dạng mô hình này là đúng tuyệt đối, NẾU các tham số ước lượng là chính xác, và NẾU cấu trúc kinh tế của 2 năm qua không hề thay đổi, thì 95% phần dư ngẫu nhiên sẽ rơi vào dải này."

Nó hoàn toàn không bảo vệ bạn trước sự thật rằng mô hình đã chọn có thể bị sai, hoặc tương lai sắp bước vào một trạng thái hoàn toàn mới.

Một dải dự báo 95% không bao trùm 95% mọi tương lai có thể tưởng tượng được. Nó chỉ bao trùm 95% sự ngẫu nhiên bên trong thế giới giả lập chật hẹp của chính mô hình đó.

VI. Tự Vấn: Tại Sao Chúng Ta Vẫn Cần Mô Hình Định Lượng?

Đến điểm này, một câu hỏi phản biện nghiêm túc và cần thiết phải được đặt ra:

Nếu mọi dự báo đều đầy rẫy giả định và cạm bẫy, liệu chúng ta có nên vứt bỏ toàn bộ mô hình định lượng và quay về điều hành bằng trực giác thuần túy?

Câu trả lời dứt khoát là: Không.

Từ chối lập mô hình không giúp bạn thoát khỏi việc phải đưa ra các giả định về tương lai. Một người chủ doanh nghiệp tuyên bố "tôi không tin vào mô hình, tôi cứ làm tới đâu tính tới đó" thực chất vẫn đang đưa ra một dự báo ngầm định: anh ta ngầm giả định rằng ngày mai dòng tiền vẫn đủ để trả tiền mặt bằng, nhà cung ứng vẫn giao hàng, và khách hàng vẫn tiếp tục bước vào cửa.

Doanh nghiệp bắt buộc phải lên kế hoạch vận hành cụ thể:

• Bạn phải ký hợp đồng bao tiêu bao nhiêu tấn hạt cà phê cho mùa vụ tới?
• Bạn cần tuyển dụng và đào tạo bao nhiêu nhân sự pha chế?
• Bạn cần duy trì lượng tiền mặt dự phòng thanh khoản là 100 triệu hay 500 triệu đồng?

Một mô hình định lượng với các phương trình và giả định được viết rõ ràng trên giấy, dù chưa hoàn hảo, vẫn trung thực và hữu ích hơn gấp nhiều lần so với một mớ trực giác cảm tính mơ hồ nằm trong đầu của một cá nhân. Khi giả định được viết ra, người khác mới có thể phản biện, kiểm tra và tìm ra điểm sai.

Mục tiêu của chúng ta không phải là bài xích mô hình, mà là thay đổi mục đích sử dụng của mô hình.

Ta không dùng mô hình để đi tìm một con số tương lai duy nhất rồi đánh cược cả số phận tổ chức vào đó. Ta dùng mô hình như một công cụ thăm dò để trả lời các câu hỏi:

• Những biến số nào thực sự là động lực sống còn của doanh nghiệp?
• Những điều kiện ngầm định nào bắt buộc phải duy trì để mô hình kinh doanh không bị sụp đổ?
• Giới hạn chịu tải của dòng tiền nằm ở đâu khi các biến số xấu cùng xuất hiện đồng thời?

VII. Chuyển Dịch Tư Duy: Từ Dự Báo Tất Định Sang Khám Phá, Thử Tải Và Thích Ứng

Đây là bước chuyển hóa quan trọng nhất trong toàn bộ triết lý định lượng.

Trong mô thức truyền thống Dự đoán rồi Hành động (Predict-then-Act):

1. Bạn thu thập dữ liệu quá khứ.
2. Bạn cố tìm ra một mô hình khớp dữ liệu nhất để ngoại suy một tương lai khả dĩ nhất.
3. Bạn tối ưu hóa toàn bộ cấu trúc chi phí, mặt bằng và nguồn lực cho đúng con số dự báo đó.

Cách làm này tạo ra những cấu trúc cực kỳ mỏng manh (fragile). Chỉ cần thực tế lệch nhẹ khỏi dự báo, tổ chức sẽ lập tức rơi vào khủng hoảng vì không hề có phương án dự phòng.

Trong mô thức hiện đại Khám phá, Thử tải và Thích ứng (Explore, Stress-Test, and Adapt), được kế thừa từ khung lý thuyết Robust Decision Making (RDM) của Robert Lempert và tập đoàn RAND:

1. Bạn xác định các động lực bất định cốt lõi.
2. Bạn dùng mô hình để sinh ra một không gian các kịch bản hợp lý (Plausible Scenario Space) thay vì cố đoán một kịch bản duy nhất.
3. Bạn thử tải từng chiến lược qua toàn bộ các kịch bản đó để tìm ra vùng sụp đổ (vulnerability boundaries).
4. Bạn lựa chọn các quyết định bền bỉ (robust actions) giúp tổ chức duy trì khả năng sống sót trên diện rộng nhiều kịch bản, đồng thời thiết lập các dấu chỉ quan sát sớm (signposts) để kịp thời kích hoạt kế hoạch thích ứng khi dữ liệu thực tế xuất hiện.

Ví dụ về lập kế hoạch của hãng hàng không: Một hãng hàng không thương mại không bao giờ lên kế hoạch mua sắm đội bay bằng cách chỉ tin vào một con số dự báo duy nhất rằng giá dầu năm tới chắc chắn là 80 USD/thùng. Họ lập kế hoạch theo không gian kịch bản: Nếu dầu 50 USD thì tối ưu thế nào? Nếu dầu vọt lên 130 USD thì tỷ lệ phòng hộ giá (fuel hedging) kích hoạt ở đâu và tần suất các tuyến bay phụ điều chỉnh ra sao? Họ không đoán tương lai; họ chuẩn bị cho mọi trạng thái của thế giới.

Bản đồ kịch bản và kế hoạch phản ứng định trước của Tiệm Cà Phê Mộc

Hãy quay lại với bài toán mở rộng mặt bằng của Tiệm Cà Phê Mộc. Thay vì tranh cãi xem doanh thu 6 tháng tới là 168 triệu hay 280 triệu, ta lập một ma trận hai chiều dựa trên hai biến số bất định lớn nhất: Cầu tiêu dùng vĩ mô và Biên lợi nhuận gộp (Giá hạt cà phê đầu vào).

Ta thu được 4 góc phần tư rõ ràng, và quan trọng nhất: ta chuẩn bị sẵn kế hoạch hành động tương ứng cho từng góc ngay từ hôm nay.

Nhìn vào ma trận trên, bạn sẽ thấy sức mạnh thực sự của tư duy kháng bất định:

• Nếu rơi vào kịch bản Thời cơ vàng (Cầu cao, Biên gộp tốt): Tiệm không vội vàng vay nợ mở ồ ạt chi nhánh thứ 2 mà ưu tiên mở rộng xưởng rang bán buôn và trích 30% thặng dư vào quỹ dự phòng.
• Nếu rơi vào kịch bản Đe dọa sinh tồn (Cầu giảm sâu, Giá hạt tăng vọt): Tiệm đã có sẵn quy trình cắt giảm 40% món nước chậm bán, đàm phán giảm tiền thuê, và tái cơ cấu ca làm việc để bảo toàn tối đa số tháng sống sót (runway).

Người điều hành không còn là một con bạc ngồi cầu nguyện cho một dự báo màu hồng trở thành sự thật. Họ là một thuyền trưởng đã có sẵn hải trình cho cả ngày nắng đẹp lẫn khi giông bão ập đến.

VIII. Ứng Dụng Trong Đầu Tư: Giả Định Nào Đang Gánh Toàn Bộ Định Giá?

Tư duy này áp dụng hoàn hảo sang lĩnh vực phân tích cổ phiếu và định giá doanh nghiệp.

Trong giới đầu tư tài chính, chúng ta thường xuyên bắt gặp những báo cáo phân tích dài hàng chục trang với kết luận đanh thép: "Cổ phiếu công ty X được định giá mục tiêu chính xác 85.400 đồng/cổ phiếu dựa trên mô hình chiết khấu dòng tiền (DCF) 10 năm."

Nhưng bất kỳ ai từng tự tay xây dựng một mô hình DCF đều hiểu rõ: định giá chiết khấu dòng tiền là một phương trình cực kỳ nhạy cảm. Chỉ cần bạn điều chỉnh tỷ lệ chiết khấu WACC từ 12% sang 14%, hoặc hạ tốc độ tăng trưởng vĩnh viễn (terminal growth rate) từ 3% xuống 2%, giá trị định giá của doanh nghiệp có thể bốc hơi từ 30% đến 50%.

Thay vì tin vào một con số mục tiêu duy nhất, một nhà đầu tư có tư duy định lượng nghiêm túc sẽ sử dụng Biểu đồ độ nhạy lốc xoáy (Tornado Sensitivity Analysis) để bóc tách: Giả định nào trong bảng tính đang mang vác phần lớn trọng lượng của luận điểm đầu tư?

Nhìn vào biểu đồ lốc xoáy phía trên của Tiệm Cà Phê Mộc:

• Con số định giá cơ sở là 10.0 tỷ VND.
• Nhưng nếu tốc độ tăng trưởng doanh thu hoặc biên EBIT thực tế trượt nhẹ về cận dưới, giá trị doanh nghiệp lập tức rơi xuống 6.8 tỷ VND.
• Ngược lại, nếu mọi thứ diễn ra hoàn hảo, giá trị có thể đạt 14.5 tỷ VND.

Việc biết rằng định giá nằm trong khoảng từ 6.8 tỷ đến 14.5 tỷ mang lại giá trị gì cho nhà đầu tư?

Nó xác định rõ Biên an toàn (Margin of Safety). Nếu bạn mua doanh nghiệp này ở mức định giá 7 tỷ, bạn biết rằng quyết định đầu tư của mình vẫn có khả năng sống sót ngay cả khi kịch bản tăng trưởng kém nhất xảy ra. Nhưng nếu bạn mua ở mức 10 tỷ với niềm tin rằng doanh nghiệp chắc chắn sẽ tăng trưởng 28%, bạn đang đứng trên một bờ vực mỏng manh.

Mục đích của việc định giá định lượng không phải là đoán đúng giá thị trường trong tương lai. Mục đích là tìm ra mức giá mà tại đó, ngay cả khi những giả định của bạn bị sai lệch, bạn vẫn không bị hủy diệt.

IX. Khung Kiến Trúc Quyết Định DRASVU

Để đúc kết toàn bộ hành trình từ việc nhận diện ảo tưởng dự báo đến xây dựng một hệ thống ra quyết định vững chắc, tôi tổng hợp thành một khung tư duy mang tên Vòng lặp DRASVU:

Khung tư duy này biến đổi hoàn toàn vai trò của các mô hình toán học trong tổ chức:

• D - Drivers: Bóc tách các lực vật lý và kinh tế cốt lõi (sức mua, chi phí đầu vào, công suất) thay vì chỉ nhìn vào số liệu tài chính bề mặt.
• R - Relationships: Nhận diện các mối quan hệ nhân quả và độ trễ thời gian, tránh nhầm lẫn giữa tương quan quan sát và can thiệp thực tế.
• A - Assumptions: Liệt kê minh bạch mọi điều kiện bắt buộc phải tồn tại để chiến lược duy trì hiệu lực.
• S - Scenarios: Xây dựng không gian kịch bản đa chiều, bao quát cả những kịch bản bất lợi nghiêm trọng nhưng hợp lý (severe-but-plausible stress scenarios).
• V - Vulnerabilities: Thử tải mô hình để tìm ra chính xác ranh giới mà tại đó dòng tiền hoặc luận điểm đầu tư bị đổ vỡ.
• A - Actions: Quy định sẵn các hành động ứng phó định trước cho từng trạng thái kịch bản, giúp tổ chức hành động dứt khoát không do dự.
• U - Signposts & Update: Thiết lập hệ thống cảm biến quan sát thực tế và liên tục hiệu chỉnh mô hình khi dòng dữ liệu mới đổ về.

X. Sự Khiêm Tốn Của Người Làm Nghiên Cứu

Tôi quay trở lại với cuốn vở ghi chép và kết quả hồi quy Stata với con số dự phóng +24.3% ban đầu.

Tôi không xóa con số đó đi. Tôi cũng không vứt bỏ các tập lệnh hay đóng lại bảng tính định lượng.

Nhưng cái nhìn của tôi đối với con số ấy đã hoàn toàn thay đổi.

Tôi không còn nhìn nó như một lời hứa hẹn chắc chắn về những gì sắp xảy ra vào 6 tháng tới. Tôi nhìn nó như một đường tham chiếu tạm thời, một lát cắt có điều kiện được tạo ra từ một tập hợp các giả định cụ thể về thế giới.

Bên cạnh con số đó, trong cuốn vở của mình, tôi mở thêm một trang ghi chú mới.

Ở trang ghi chú ấy không có các phương trình vi phân hay thuật toán tối ưu hóa phức tạp. Ở đó chỉ có một danh sách rõ ràng: những điều kiện nào sẽ khiến con số này trở thành vô nghĩa, những kịch bản bất lợi nào có thể bẻ gãy dòng tiền của tiệm, ngưỡng chịu tải tối đa của bộ máy là bao nhiêu, và quan trọng nhất: tôi và đội ngũ của mình sẽ làm gì vào ngày mai nếu kịch bản xấu nhất thực sự gõ cửa?

Sự hoài nghi đối với các dự báo không phải là sự từ chối toán học. Đó là sự tôn trọng sâu sắc đối với sự phức tạp khôn lường của thực tế.

Một mô hình định lượng không cần phải đóng vai một nhà tiên tri toàn tri để trở nên hữu ích. Nếu nó giúp ta nhìn rõ những biến số cốt lõi, bóc tách những giả định mong manh, tìm ra vùng dễ sụp đổ, và chuẩn bị sẵn một tâm thế vững vàng để thích ứng trước mọi biến động, thì nó đã hoàn thành xuất sắc sứ mệnh cao quý nhất của một công cụ tư duy.

Ngày mai, thị trường có thể đi theo một hướng mà không một thuật toán nào từng dự đoán. Nhưng khi bạn đã có sẵn bản đồ cho mọi vùng đất, bạn sẽ không còn sợ hãi việc phải bước vào màn sương.

Tôi không dùng mô hình định lượng để tìm kiếm một tương lai chắc chắn. Tôi dùng nó để tìm ra những tương lai mà quyết định của mình không sống sót được, để từ đó xây dựng một sự kiên cường thực sự trước cuộc đời.