Các “bẫy” của thị trường dự đoán: Tại sao danh mục bạn mua luôn thua cuộc

Tác giả: Terry Lee

Bản gốc: Tại sao thị trường dự đoán lại định giá sai các parlay – điểm mù về tương quan

Biên tập và tổng hợp: BitpushNews

Mở đầu

Trên các nền tảng như Polymarket, phần lớn người (bao gồm cả tôi trước đây) thường định giá “串关” (Parlay, tức cược nhiều sự kiện kết hợp) theo cách đơn giản: nhân xác suất của từng sự kiện lại với nhau.

Ví dụ:

• Xác suất sự kiện A xảy ra P(A) = 80%
• Xác suất sự kiện B xảy ra P(B) = 70%
• Xác suất sự kiện C xảy ra P© = 60%

Thì tổng xác suất của串关 = 80% × 70% × 60% = 33.6%

(Lưu ý, Parlay là thuật ngữ trong cờ bạc và đầu tư, tiếng Trung thường gọi là “串关” hoặc “过关”. Định nghĩa: Bạn cược hai hoặc nhiều sự kiện độc lập kết hợp lại. Quy tắc: Chỉ khi tất cả các dự đoán đúng, bạn mới thắng thưởng. Nếu một trong số đó sai, toàn bộ cược sẽ thua.)

Nghe có vẻ đơn giản, đúng không?

Vấn đề không nằm ở toán học, mà ở những giả định ẩn phía sau.

Phép nhân này dựa trên giả định rằng các sự kiện là độc lập nhau. Nghĩa là, kết quả của A không ảnh hưởng gì đến B. Nhưng trong thực tế, điều này không đúng.

Ví dụ:

1. Quyết định của Fed tại một cuộc họp sẽ ảnh hưởng lớn đến cuộc họp tiếp theo.
2. Một ứng viên tổng thống thắng các bang “Vành đai Sắt”, dự báo khả năng thắng ở Pennsylvania, từ đó ảnh hưởng đến tỷ lệ thắng chung của cuộc bầu cử.

Trong thực tế, hầu hết các sự kiện đáng để làm “串关” đều có liên hệ với nhau. Nếu bỏ qua mối liên hệ này, bạn rất dễ trả giá quá cao hoặc bỏ lỡ cơ hội kiếm lời.

Bài viết này sẽ trình bày một khung cơ bản, giúp bạn định giá串关 một cách khoa học, giống như ngành tài chính truyền thống đã làm trong hàng chục năm cho các “quyền chọn nhiều chân” (Multi-leg options).

Tại sao lại có sai lệch trong định giá?

Theo tôi, phần lớn các công cụ dự đoán thị trường tập trung vào “thực thi” hơn là “phân tích tương quan”. Thêm nữa, các thị trường này còn khá non trẻ. Dù “串关” phổ biến trong cá cược thể thao, nhưng khi xử lý các sự kiện xã hội/kinh tế đặc thù, do thị trường còn sơ khai, cơ chế định giá chưa hoàn thiện.

Nghiên cứu ví dụ: Quyết định lãi suất của Fed

(Ảnh 1: Fed có xu hướng lặp lại hành động, 83% trường hợp “duy trì lãi suất” sau đó sẽ tiếp tục “duy trì”)

Dựa trên dữ liệu của Fed tại St. Louis (FRED) từ 1994 đến đầu 2026, tôi xây dựng ma trận chuyển đổi (Transition Matrix), tập trung vào các thay đổi quyết định của Fed giữa hai kỳ họp liên tiếp.

Kết quả rõ ràng:

• Duy trì -> Duy trì: xác suất 83.1%
• Giảm lãi suất -> Giảm lãi suất: xác suất 69.2%
• Tăng lãi suất -> Tăng lãi suất: xác suất 62.5%

Rõ ràng, hoạt động của Fed có tính “liên tục”. Là một tổ chức dựa trên dữ liệu, họ có xu hướng lặp lại hành động cũ cho đến khi có “bước chuyển đổi chế độ” (Regime Shift).

Mức độ “liên tục” này mạnh đến mức nào?

Để kiểm tra, tôi xây dựng mô hình nhận diện các “xu hướng quyết định” liên tiếp trong lịch sử (tức các chu kỳ duy trì, giảm hoặc tăng lãi suất liên tiếp).

Kết quả:

• Duy trì lãi suất: xuất hiện 32 chu kỳ, trung bình kéo dài 5.4 kỳ họp
• Giảm lãi suất: 12 chu kỳ, trung bình 3.3 kỳ họp

Tiếp theo, tôi mô phỏng 1000 “vũ trụ song song” về lịch sử của Fed. Trong các mô phỏng này, mỗi kỳ họp là độc lập (giống như tung đồng xu). Dựa trên dữ liệu lịch sử, tôi đặt xác suất duy trì là 66%, giảm là 15%, tăng là 19%, nhưng các quyết định không liên quan gì đến nhau.

(Ảnh 2: Mức độ liên tục của Fed trong thực tế gấp 2-3 lần xác suất ngẫu nhiên)

Trong giả thuyết độc lập, trung bình chu kỳ duy trì chỉ kéo dài 2.9 kỳ họp, còn giảm hoặc tăng chỉ 1.2 kỳ.

So sánh thực tế và mô phỏng ngẫu nhiên:

• Duy trì: thực tế 5.4 kỳ vs ngẫu nhiên 2.9 kỳ (gấp 1.9 lần)
• Giảm: thực tế 3.3 kỳ vs ngẫu nhiên 1.2 kỳ (gấp 2.8 lần)
• Tăng: thực tế 2.6 kỳ vs ngẫu nhiên 1.2 kỳ (gấp 2.1 lần)

Chú ý, độ liên tục của giảm lãi suất gần như gấp 3 lần xác suất ngẫu nhiên. Nguyên nhân là khi Fed bắt đầu giảm, thường là để đối phó với suy thoái kéo dài, vấn đề này không thể giải quyết trong một kỳ họp. Họ giảm, đánh giá dữ liệu, nếu dữ liệu vẫn xấu, khả năng cao sẽ giảm tiếp.

Phép nhân đơn thuần để tính “串关” bỏ qua các mối liên hệ này. Thực tế, tính liên tục này mạnh hơn mô hình độc lập 2-3 lần.

Điều gì xảy ra sau hai kỳ họp liên tiếp?

Chỉ dựa vào kỳ họp trước là chưa đủ, để định giá “ba sự kiện” (3 chân), cần xem xét xác suất có điều kiện dựa trên kết quả của hai kỳ họp trước.

Phân tích gồm hai phần:

Tiếp tục theo hướng cũ

image.png

(Ảnh 3: Sau hai lần hành động giống nhau, khả năng hành động lần thứ ba gần như chắc chắn)

Từ hình 3 rõ ràng thấy, khi Fed lặp lại hành động hai lần liên tiếp, xác suất tiếp tục hành động đó lần thứ ba là rất cao:

• Hai lần duy trì -> lần thứ ba duy trì: 87%
• Hai lần tăng -> tăng: 84%
• Hai lần giảm -> giảm: 68% (kém hơn chút)

Cũng cần chú ý, các ô có giá trị 0% trong ma trận: Fed chưa bao giờ sau hai lần tăng liên tiếp lại đột ngột giảm, hay sau hai lần giảm lại đột ngột tăng. Họ luôn qua một giai đoạn “tạm dừng (duy trì)”. Chỉ cần nhận ra điều này, bạn có thể loại bỏ một loạt “mô hình non trẻ” nghĩ rằng có thể có các tổ hợp vô lý nhưng thực ra không có giá trị.

Sau một bước chuyển đổi chế độ

(Ảnh 4: Sau chuyển đổi chế độ, các hướng thay đổi khác nhau có độ khác biệt lớn)

Phần thú vị nhất dành cho trader. Không phải tất cả các thay đổi hướng đều bình đẳng:

• Duy trì -> Giảm: xác suất 75%. Khi Fed phá vỡ trạng thái duy trì để bắt đầu cắt giảm, “cánh cổng” mở ra, xác suất theo sau rất cao.
• Giảm -> Duy trì: xác suất 100%. Trong lịch sử gần đây, Fed chưa bao giờ sau khi tạm dừng cắt giảm lại ngay lập tức cắt giảm tiếp.
• Duy trì -> Tăng: xác suất 79%. Lần đầu sau duy trì, Fed thường thử nghiệm tăng nhẹ, rồi quan sát phản ứng.
• Tăng -> Duy trì hoặc tăng: lần lượt 60% và 40%. Khác với giảm, tạm dừng trong tăng lãi suất có độ không chắc chắn thực sự.

Sự bất đối xứng này là điểm cốt lõi. “Duy trì -> Giảm” có giá trị cao hơn nhiều so với giá trị tính theo phép nhân đơn thuần. Trong khi “Giảm -> Duy trì -> Giảm” gần như không có giá trị trong lịch sử. Chỉ khác thứ tự, giá trị thực của các tổ hợp này khác nhau rất xa. Mô hình độc lập không thể bắt được điều này.

Định giá tổng thể nghĩa là gì?

Đây là toàn cảnh. Chúng ta không nên dùng xác suất trung bình mù quáng, mà phải dựa trên xác suất có điều kiện dựa trên dữ liệu lịch sử.

Ví dụ, “ba lần duy trì liên tiếp”:

• Mô hình ban đầu: dùng xác suất tổng (67%), tính: 67% × 67% × 67% ≈ 30.1%
• Mô hình sửa: dùng xác suất có điều kiện, tính: 67% (lần 1) × 83% (lần 2|lần 1) × 87% (lần 3|hai lần trước) ≈ 48.4%

(Ảnh 5: Các tổ hợp hành động cùng chiều bị đánh giá thấp hơn hệ thống, còn các tổ hợp có đổi chiều thì bị đánh giá cao hơn)

Phát hiện thị trường theo thời gian thực

Lấy dữ liệu của Polymarket làm ví dụ:

(Ảnh 6: So sánh phân phối tỷ lệ cược của Polymarket với xác suất thực tế)

Tổ hợp 1: Duy trì – Duy trì – Duy trì (bị đánh giá thấp nặng nề)

• Mô hình ban đầu: 93% (tháng 3) × 75% (tháng 4) × 38% (tháng 6) ≈ 26%
• Mô hình có điều kiện: 87% × 87% × 87% ≈ 65.8%
• Kết luận: Thị trường đang đánh giá thấp nghiêm trọng, chênh lệch tới 39 điểm phần trăm.

Tổ hợp 2: Duy trì – Duy trì – Giảm lãi suất (bị đánh giá cao quá mức)

• Mô hình ban đầu: 93% × 75% × 49% = 34.2%
• Mô hình có điều kiện: 87% × 87% × 8.5% = 6.4%
• Kết luận: Thị trường định giá khoảng 34%, trong khi xác suất thực chỉ 6.4%. Thị trường đang thổi phồng giá trị gấp hơn 5 lần.

Liệu có thể kiếm lời?

Tôi đã thực hiện một phép thử đơn giản. Từ năm 1994, mỗi cặp hoặc bộ ba liên tiếp của các kỳ họp của Fed, nếu giá sửa lại cao hơn thị trường (tức là bị đánh giá thấp), tôi đặt cược 100 USD.

(Ảnh 7: Ví dụ tích lũy lợi nhuận của các chuỗi cược hai chân)

(Ảnh 8: Ví dụ tích lũy lợi nhuận của các chuỗi cược ba chân)

Từ 1994 đến nay, với mỗi tổ hợp bị đánh giá thấp, cược 100 USD, ta thu về:

• 2 chuỗi cược liên tiếp: lợi nhuận tích lũy hơn 169.000 USD
• 3 chuỗi cược liên tiếp: lợi nhuận vượt 1 triệu USD

Các đợt lợi nhuận lớn nhất xuất hiện vào các chu kỳ nới lỏng chính sách của Fed năm 2001, 2008, 2020 và 2024-2025. Trong các chu kỳ này, hành động liên tục lặp lại, trong khi mô hình ban đầu luôn đánh giá thấp tính liên tục này.

Đường lợi nhuận dạng “bậc thang” cho thấy, phần lớn tiền kiếm được là trong các chu kỳ Fed duy trì hành động liên tục. Tuy nhiên, hạn chế là, từ thập niên 90 đến 2000, chưa chắc đã có thị trường dự đoán đủ tốt để thực hiện các giao dịch này.

Ngoài Fed, còn áp dụng vào đâu nữa?

Ví dụ điển hình là dữ liệu của Fed, vì có đủ dữ liệu và liên hệ rõ ràng. Nhưng cùng khung này còn áp dụng cho các trường hợp khác:

1. Bầu cử sơ bộ tổng thống: Nếu ứng viên thắng một bang, khả năng thắng các bang có đặc điểm dân số tương tự sẽ thay đổi.
2. Tiền mã hóa và cổ phiếu tăng trưởng/macro: Giá Bitcoin liên quan đến tâm lý rủi ro vĩ mô. Cược “Bitcoin cao hơn X và Nasdaq cao hơn Y” có giá trị cao hơn xác suất độc lập của chúng, vì chung chia sẻ các yếu tố thúc đẩy.

Trong mọi trường hợp, phương pháp chung là: xem dữ liệu lịch sử, đo lường mối liên hệ thực sự giữa các sự kiện, dùng dữ liệu tốt hơn thay vì giả định trung bình, rồi so sánh với giá thị trường.

Kết luận

Thị trường dự đoán vẫn còn sơ khai. Phần lớn nhà đầu tư nhỏ lẻ khi định giá “串关” vẫn dựa trên cách “nhân xác suất đơn thuần, phó mặc số phận”.

Khung này cần kết hợp kiến thức cụ thể về từng tình huống, nhưng về bản chất chỉ có một câu hỏi: Liệu kết quả của sự kiện đầu tiên có thể cung cấp thông tin về sự kiện tiếp theo không? Nếu có, thì giá串关 ngây thơ đó là sai, và dữ liệu lịch sử sẽ cho biết chính xác mức độ sai lệch.

Nghiên cứu của Fed cho thấy, lợi thế này là có thật và có thể đo lường được. Nhưng nguyên tắc này là phổ quát. Ở bất cứ nơi nào định giá các sự kiện liên quan như độc lập, đều có thể tồn tại các cơ hội chưa được khám phá.

Vấn đề duy nhất là bạn có thể nhận ra và hành động hay không.