Tối ưu hóa EA là quá trình tìm kiếm các giá trị tham số giúp cải thiện hiệu suất lịch sử của một chiến lược. Thực hiện đúng cách, nó sẽ tinh chỉnh lợi thế thực sự. Thực hiện sai cách, nó tạo ra các tham số trông xuất sắc trên dữ liệu lịch sử nhưng ngay lập tức thất bại trong giao dịch thực. Sự khác biệt chính là kỷ luật của phân tích walk-forward.
Vấn đề cốt lõi của tối ưu hóa
Tối ưu hóa là quá trình tìm kiếm trong không gian tham số để tìm tổ hợp tối đa hóa chỉ số đã chọn (tổng lợi nhuận, tỷ lệ Sharpe, hệ số lợi nhuận) trên tập dữ liệu lịch sử. Vấn đề: với đủ tổ hợp tham số, bạn luôn có thể tìm được cài đặt trông đặc biệt xuất sắc trên bất kỳ dữ liệu lịch sử nào — kể cả nhiễu ngẫu nhiên.
Đây là curve-fitting (còn gọi là overfitting). Một EA bị curve-fitted đã ghi nhớ các chuyển động giá cụ thể của giai đoạn backtest thay vì khám phá ra lợi thế thực sự. Nó sẽ hoạt động kém hoặc thất bại trong kiểm tra forward.
Giải pháp walk-forward
Phương thuốc chữa curve-fitting là kiểm tra out-of-sample. Dành ra một phần dữ liệu lịch sử của bạn — thường là 20-30% gần nhất — làm “tập xác thực” mà bạn không bao giờ đưa vào tối ưu hóa. Sau đó:
- Tối ưu hóa tham số trên dữ liệu in-sample cũ hơn (ví dụ: 2020-2024)
- Kiểm tra các tham số tốt nhất trên dữ liệu out-of-sample (ví dụ: chỉ năm 2025) mà không điều chỉnh thêm
- Nếu hiệu suất duy trì được trong giai đoạn out-of-sample, các tham số có giá trị dự đoán thực sự nào đó
MT5 Strategy Tester có chế độ “Walk Forward Optimisation” tích hợp sẵn tự động hóa quá trình này qua các cửa sổ cuộn.
Kiểm tra độ ổn định — phím tắt thực tế
Nếu tối ưu hóa walk-forward có vẻ phức tạp, một tín hiệu đơn giản hơn về quá-tối-ưu là độ nhạy tham số. Sau khi tìm được tham số tốt nhất, hãy kiểm tra các biến thể: nếu hệ số nhân ATR mặc định là 2.0, hãy kiểm tra cả 1.8 và 2.2.
- Tham số ổn định: hiệu suất ở 1.8 và 2.2 tương tự như ở 2.0. Kết quả không quá nhạy cảm với tham số này — lợi thế là thực.
- Tham số bị curve-fitted: hiệu suất giảm mạnh ở 1.9 hoặc 2.1. Giá trị 2.0 được tối ưu hóa cụ thể cho dữ liệu lịch sử; một thay đổi nhỏ làm sụp đổ kết quả.
Luôn ưu tiên các tham số nằm trong vùng hiệu suất bằng phẳng, dù hiệu suất đỉnh tuyệt đối của chúng có thể thấp hơn một chút so với mức tối ưu nhạy cảm hơn.
Nên tối ưu hóa gì (và không nên tối ưu hóa gì)
Nên tối ưu hóa:
- Hệ số nhân stop-loss (các stop dựa trên ATR có phạm vi tham số tự nhiên)
- Ngưỡng lọc xu hướng (mức ADX, chu kỳ EMA)
- Bộ lọc phiên giao dịch (cửa sổ vào lệnh theo giờ trong ngày)
Không nên tối ưu hóa:
- Tỷ lệ rủi ro mỗi giao dịch — đây là quyết định kích thước vị thế, không phải tham số lợi thế
- Mục tiêu thoát lệnh được đặt để tối đa hóa lợi nhuận backtest — thị trường tương lai không phải là thị trường quá khứ
Khi nào nên dừng tối ưu hóa
Quy tắc dừng thực tế: khi tỷ lệ Sharpe của bạn trong giai đoạn out-of-sample vượt quá 1.5 và hiệu quả walk-forward (lợi nhuận out-of-sample / lợi nhuận in-sample) trên 0.5, hãy dừng tối ưu hóa. Tinh chỉnh thêm tại thời điểm này chỉ thêm rủi ro curve-fitting mà không cải thiện lợi thế tương xứng.
Kiểm tra cuối cùng trước khi giao dịch thực: chạy EA đã được tối ưu hóa trên tài khoản demo trong một tháng và so sánh kết quả giao dịch từng lệnh với backtest. Nếu hiệu suất demo trong phạm vi 20% của Sharpe backtest, các tham số là khả thi. Nếu demo hoạt động kém hơn nhiều, hãy xem lại các giả định mô hình thực thi (spread, slippage) trong cài đặt backtest.