BÀI VIẾT · AI & MACHINE LEARNING

Đánh Giá Độ Chính Xác Model AI Trading: Các Metric Cần Biết

Accuracy, precision, recall, Sharpe ratio — các chỉ số đánh giá model trading AI đúng cách thay vì chỉ nhìn winrate.

📅 2026⏱️ 8 phút đọc✍️ AutoTrading VN

Vì sao winrate không đủ để đánh giá?

Nhiều người chỉ nhìn winrate (tỷ lệ thắng) để đánh giá model, nhưng đây là góc nhìn phiến diện. Một model winrate 70% vẫn có thể thua lỗ nếu các lệnh thắng nhỏ và lệnh thua lớn. Cần bộ chỉ số toàn diện hơn để đánh giá đúng.

Các metric phân loại cơ bản

Accuracy: tỷ lệ dự đoán đúng tổng thể — hữu ích nhưng dễ gây hiểu lầm nếu dữ liệu mất cân bằng
Precision: trong các lệnh model báo 'thắng', bao nhiêu % thực sự thắng
Recall: trong các cơ hội thắng thật, model bắt được bao nhiêu %
F1-score: cân bằng giữa precision và recall

Các metric tài chính quan trọng

Profit Factor: tổng lãi chia tổng lỗ — trên 1.5 là tốt, trên 2 là xuất sắc
Sharpe Ratio: lợi nhuận điều chỉnh theo rủi ro — càng cao càng tốt
Max Drawdown: sụt giảm lớn nhất — xem Drawdown và phục hồi
Expectancy: lợi nhuận kỳ vọng trung bình mỗi lệnh

💡 Công thức Expectancy: (Winrate × Lãi trung bình) − (Tỷ lệ thua × Lỗ trung bình). Dương là hệ thống có edge, âm là thua dài hạn.

Đánh giá trên dữ liệu Out-of-Sample

Metric quan trọng nhất là hiệu suất trên dữ liệu model chưa từng thấy (out-of-sample). Model có thể đạt mọi chỉ số hoàn hảo trên dữ liệu train nhưng đó là ảo giác nếu không kiểm định độc lập — xem Overfitting trong AI Trading.

Câu hỏi thường gặp

❓ Profit Factor bao nhiêu là chấp nhận được?

Trên 1.3 là có lãi, 1.5-2.0 là tốt, trên 2.0 là xuất sắc (nhưng cẩn thận overfitting nếu quá cao trên dữ liệu nhỏ). Dưới 1.0 là thua lỗ.

❓ Nên ưu tiên metric nào nhất?

Với trading, Profit Factor và Max Drawdown trên dữ liệu out-of-sample quan trọng nhất — chúng phản ánh khả năng kiếm lời thực và rủi ro thực, không chỉ tỷ lệ đúng/sai.