BÀI VIẾT · AI & MACHINE LEARNING

Overfitting Trong AI Trading: Cạm Bẫy Khiến Bot Thua Lỗ Thật

Overfitting là gì, dấu hiệu nhận biết model bị overfit, và cách dùng out-of-sample data để kiểm định.

📅 2026⏱️ 8 phút đọc✍️ AutoTrading VN

Overfitting là gì?

Overfitting (quá khớp) xảy ra khi model học máy 'học thuộc lòng' dữ liệu huấn luyện thay vì học pattern tổng quát. Model overfit đạt độ chính xác rất cao trên dữ liệu đã thấy nhưng thất bại thảm hại trên dữ liệu mới — chính là dữ liệu thị trường thật trong tương lai.

Dấu hiệu nhận biết Overfitting

⚠️ Dấu hiệu kinh điển: Độ chính xác 95% trên dữ liệu train nhưng chỉ 50% trên dữ liệu test. Khoảng cách lớn giữa hiệu suất train và test là báo động đỏ của overfitting.

Backtest cực đẹp nhưng bot thua ngay khi chạy thật
Model có quá nhiều tham số so với lượng dữ liệu
Kết quả thay đổi mạnh khi thêm/bớt vài mẫu dữ liệu

Nguyên nhân gây Overfitting trong trading

Quá nhiều feature: dùng 50 chỉ báo cho 100 lệnh dữ liệu — xem Feature Engineering
Tối ưu tham số quá mức: chỉnh SL/TP/indicator đến khi backtest hoàn hảo
Huấn luyện quá lâu: quá nhiều epoch khiến model ghi nhớ nhiễu
Dữ liệu quá ít: không đủ mẫu để model học pattern thật

Cách phòng tránh Overfitting

Giữ model đơn giản: ít feature, ưu tiên logistic regression trước neural network phức tạp
Train/test split: luôn giữ một phần dữ liệu để kiểm định độc lập
Regularization: thêm penalty (L1/L2) để hạn chế model quá phức tạp
Walk-forward testing: xem Backtest bằng Python
Đủ dữ liệu: tối thiểu 200+ lệnh trước khi tin tưởng model

Câu hỏi thường gặp

❓ Model đơn giản có tốt hơn model phức tạp không?

Trong trading với dữ liệu hạn chế và nhiễu cao, model đơn giản (như logistic regression) thường ổn định và ít overfit hơn model phức tạp. Đơn giản không có nghĩa kém hiệu quả.

❓ Làm sao biết model đã sẵn sàng chạy thật?

Khi hiệu suất trên dữ liệu out-of-sample (chưa từng thấy) ổn định và gần với hiệu suất train. Nên chạy shadow mode (dự đoán không đặt lệnh thật) một thời gian trước.