BÀI VIẾT · AI & MACHINE LEARNING

Backtest Chiến Lược Trading Bằng Python: Hướng Dẫn Chi Tiết

Cách backtest chiến lược đúng cách với Python: walk-forward testing, tránh look-ahead bias, đo lường hiệu suất.

📅 2026⏱️ 9 phút đọc✍️ AutoTrading VN

Backtest là gì và vì sao quan trọng?

Backtest là quá trình kiểm tra một chiến lược giao dịch trên dữ liệu lịch sử để đánh giá hiệu suất trước khi dùng tiền thật. Backtest đúng cách giúp phát hiện chiến lược có edge thật sự hay chỉ là may mắn, và ước lượng các chỉ số như winrate, drawdown, lợi nhuận kỳ vọng.

Các bước backtest cơ bản với Python

Lấy dữ liệu lịch sử: OHLCV từ MT5 qua copy_rates_from_pos() hoặc file CSV
Định nghĩa logic entry/exit: code hóa quy tắc vào/ra lệnh
Mô phỏng giao dịch: duyệt qua từng nến, áp dụng logic, ghi lại mỗi lệnh
Tính toán chỉ số: winrate, profit factor, max drawdown, Sharpe ratio

Tránh các cạm bẫy backtest

⚠️ Look-ahead bias: Sai lầm dùng thông tin tương lai mà tại thời điểm giao dịch chưa có. Ví dụ dùng giá đóng cửa của nến hiện tại để quyết định vào lệnh ngay đầu nến đó — điều không thể trong thực tế.

Survivorship bias: chỉ test trên symbol/giai đoạn 'sống sót', bỏ qua trường hợp xấu
Bỏ qua chi phí: không tính spread, commission, slippage khiến kết quả đẹp ảo
Overfitting: tối ưu tham số quá khớp với dữ liệu quá khứ — xem Overfitting trong AI Trading

Walk-Forward Testing: cách kiểm định đáng tin

Thay vì backtest trên toàn bộ dữ liệu, walk-forward chia dữ liệu thành nhiều đoạn: tối ưu trên đoạn 'in-sample', kiểm định trên đoạn 'out-of-sample' chưa từng thấy. Nếu chiến lược vẫn hoạt động tốt trên dữ liệu out-of-sample, độ tin cậy cao hơn nhiều.

Đây là bước quan trọng trước khi triển khai model AI thật — xem Đánh giá độ chính xác model.

Câu hỏi thường gặp

❓ Backtest tốt có đảm bảo lãi thật không?

Không đảm bảo. Backtest chỉ cho biết chiến lược từng hoạt động trong quá khứ. Thị trường thay đổi, và các yếu tố như slippage, tâm lý thực tế không phản ánh đầy đủ trong backtest.

❓ Cần bao nhiêu dữ liệu để backtest đáng tin?

Càng nhiều càng tốt, tối thiểu nên bao gồm nhiều điều kiện thị trường khác nhau (tăng, giảm, sideways). Ít nhất 1-2 năm dữ liệu và trên 100 lệnh mẫu.