Nghe lời AI rồi đầu tư thua lỗ: Tại AI kém hay vì người dùng sai?

Nghe lời AI rồi đầu tư thua lỗ: Tại AI kém hay vì người dùng sai?

Nhiều nhà đầu tư cá nhân đang phó mặc tiền thật cho trí tuệ nhân tạo (AI) chọn mã cổ phiếu. Thế nhưng, những câu hỏi mang tính áp đặt dựa trên nguồn tin hỗn tạp chỉ khiến AI đưa ra lời khuyên chiều lòng người hỏi. Máy móc chỉ phát huy sức mạnh khi được nạp dữ liệu sạch dưới sự kiểm chứng của người có kiến thức.

AI là một công cụ mạnh mẽ trong đầu tư, nhưng người dùng cần biết sử dụng đúng cách - Ảnh minh hoạ.

Thời gian gần đây, nhiều nhà đầu tư chứng khoán cá nhân phải chịu những khoản thua lỗ nặng nề khi nghe lời khuyên mua bán cổ phiếu từ các công cụ trí tuệ nhân tạo như ChatGPT, Gemini, Claude…. Thay vì xem AI là phương tiện tra cứu thông tin và học hỏi kiến thức, không ít người lại coi phần mềm trò chuyện tự động (chatbot) như chuyên gia tư vấn miễn phí tìm giúp mã thắng cuộc.

Trào lưu nhờ máy chọn cổ phiếu đang lan rộng trên các thị trường tài chính quốc tế. Theo khảo sát công bố tháng 4/2026 của trang thông tin tài chính Investing.com thực hiện trên 938 nhà đầu tư cá nhân tại Mỹ, có tới 62% người tham gia đã dùng AI để phục vụ việc ra quyết định. Trong nhóm này, 54% sử dụng trực tiếp các công cụ trò chuyện.

Khảo sát của Investing.com cũng chỉ ra rằng 35.5% nhà đầu tư cá nhân tại Mỹ đã ít nhất một lần xuống tiền mua bán theo gợi ý của máy, trong đó 26.6% làm theo nhiều lần. Việc nhiều người thua lỗ nặng, thậm chí lỗ một nửa tài khoản khi làm theo lời máy bắt nguồn từ nguyên nhân cốt lõi: người dùng giao nhầm việc cho công cụ ngay từ câu hỏi đầu tiên.

Kỳ vọng “nhân đôi tài khoản” và giàu nhanh

Sai lầm đầu tiên nằm ở cách đặt câu hỏi của người dùng. Khi gõ câu lệnh “Nên mua 3 cổ phiếu nào với số tiền 500 triệu đồng để nhân đôi tài khoản trong năm nay?”, người dùng đã ấn định sẵn hướng suy luận cho máy: chỉ tập trung vào cổ phiếu mà bỏ qua trái phiếu, bất động sản, vàng hay hàng hóa; chỉ được tìm điểm mua vào mà không được khuyên bán ra hay đứng ngoài quan sát.

Giả sử năm đó tình hình kinh tế vĩ mô cũng như thị trường chứng khoán cùng tiêu cực, trong khi Việt Nam lại chưa cho phép bán khống cổ phiếu cơ sở, thì lựa chọn tốt nhất cho nhà đầu tư cổ phiếu chỉ là đứng ngoài quan sát để bảo toàn vốn, mua mã nào cũng lỗ.

Trước câu hỏi áp đặt như vậy, chất lượng mô hình AI và cách cài đặt hệ thống sẽ ảnh hưởng trực tiếp tới câu trả lời. Một mô hình tốt, được cài đặt đúng cách sẽ đưa ra câu trả lời thận trọng, chừng mực, phân tích đúng tình hình thực tế để không tạo ra các kỳ vọng hão huyền. Ngược lại, mô hình khác có thể sẽ chiều lòng người dùng và cố tìm cho bằng được ba mã cổ phiếu dù thị trường bất lợi đến đâu.

Nghiên cứu công bố tháng 7/2026 của hai nhà kinh tế học tại Đại học Carnegie Mellon trên 1,500 người với 10,000 cuộc hội thoại cho thấy các mô hình ngôn ngữ lớn ((Large Language Model, LLM) đưa ra số lý lẽ ủng hộ người hỏi nhiều hơn tới 63% so với số lập luận trái ý người hỏi.

Bản chất kỹ thuật của các mô hình LLM khiến chúng dễ đưa ra những lời khuyên mua bán nghe xuôi tai. Nhà đầu tư đã giao nhầm việc cho máy khi bắt một cỗ máy tính xác suất chữ viết, vốn chỉ giỏi ghép từ tiếp theo dựa trên dữ liệu cũ, phải làm việc của một cỗ máy định giá dòng tiền tương lai và quản trị vốn.

Rủi ro càng lớn hơn khi AI trả lời bằng cách đọc thông tin trên mạng internet, bao gồm cả các bài viết PR quảng cáo và những lời bơm thổi cổ phiếu trong hội nhóm. Hệ quả là AI thường xuyên lấy nhầm số liệu của doanh nghiệp này gắn cho công ty khác, hoặc lấy kết quả kinh doanh năm này nhầm sang năm khác mà người dùng khó nhận ra.

Tình trạng quảng cáo quá đà về năng lực của AI đã buộc cơ quan quản lý phải vào cuộc. Tháng 3/2024, Ủy ban Chứng khoán và Giao dịch Mỹ (SEC) đã phạt hành chính hai công ty tư vấn đầu tư là Delphia với số tiền 225,000 USD và Global Predictions với mức phạt 175,000 USD vì quảng cáo sai sự thật về việc ứng dụng thuật toán AI và dữ liệu khách hàng để đưa ra dự báo đầu tư.

Nếu việc xin thẳng mã cổ phiếu trên nguồn tin mạng hỗn tạp khiến nhà đầu tư nhận về những lời khuyên sai lệch, thì việc khóa chặt đầu vào bằng dữ liệu sạch và chuyển sang dùng máy xây dựng quy tắc sàng lọc lại mở ra sức mạnh thật sự của công nghệ này. Khi đặt đúng vào vị trí kỹ thuật, AI giúp xử lý thông tin nhanh và chuẩn xác.

Làm sạch đầu vào trước khi kỳ vọng đầu ra

AI sử dụng hai đầu vào là dữ liệu thu thập được, và câu lệnh của người dùng.

Cùng một mô hình ngôn ngữ lớn, việc đổi cách giao việc từ hỏi đáp cảm tính sang phân tích số liệu từng bước sẽ có thể cải thiện chất lượng đầu ra. Minh chứng rõ nhất nằm ở nghiên cứu của ba nhà khoa học tại Trường Kinh doanh Booth thuộc Đại học Chicago thực hiện trên 150,678 báo cáo tài chính từ năm 1968 đến 2021 nhằm kiểm tra khả năng dự báo của GPT-4.

Ngay cả khi các nhà nghiên cứu đã chuẩn hóa bảng số liệu và xóa tên công ty để buộc AI phân tích con số thuần túy mà không dùng trí nhớ cũ, nếu chỉ hỏi đơn giản xem lợi nhuận năm kế tiếp tăng hay giảm, GPT-4 chỉ đoán đúng 52% số trường hợp, thấp hơn mức 53-57% của giới phân tích chuyên nghiệp. Thế nhưng, kết quả thay đổi hẳn khi nhóm nghiên cứu đổi sang câu lệnh hướng dẫn AI suy luận từng bước (Chain-of-Thought) theo đúng quy trình chuyên môn: tự tính tỷ số thanh khoản, biên lợi nhuận, hiệu suất tài sản, đối chiếu xu hướng qua từng năm rồi mới kết luận. Nhờ quy trình suy luận này, tỷ lệ dự báo đúng hướng đi lợi nhuận của GPT-4 chạm 60%, vượt qua các chuyên gia.

Khi kết hợp thêm phần nhận định do GPT-4 viết ra với mô hình mạng thần kinh nhân tạo chuyên xử lý số liệu, độ chính xác đạt tới 63% và danh mục đầu tư xây dựng từ mô hình này tạo ra mức sinh lời vượt trội hơn 12% mỗi năm. Kết quả này chứng minh AI rất hiệu quả khi được giao tính toán theo quy trình rõ ràng trên số liệu sạch.

Tại các tổ chức tài chính lớn trên thế giới, nguyên tắc kiểm soát dữ liệu đầu vào được thực hiện rất nghiêm ngặt. Ngân hàng Morgan Stanley chỉ cho phép trợ lý ảo truy xuất trong kho 100,000 tài liệu nghiên cứu đã kiểm duyệt, giúp 98% đội ngũ cố vấn nâng tỷ lệ tiếp cận tài liệu từ 20% lên 80%, còn công cụ Aladdin Copilot của BlackRock không đưa ra lời khuyên mua bán.

Với nhà đầu tư cá nhân, các mô hình ngôn ngữ lớn mạnh về ngôn ngữ lập trình và kỹ thuật, nên dùng AI xây dựng thuật toán và quy tắc đầu tư tốt hơn là giao máy trực tiếp đưa ra lời khuyên.

Hiện nay ở Việt Nam, một số công ty chứng khoán như TCBS hay DNSE đã tạo cổng kết nối MCP cho phép khách hàng sử dụng công cụ AI như Claude hay ChatGPT để truy cập vào cơ sở dữ liệu chứng khoán – doanh nghiệp của mình. Sau khi đã kết nối, nếu người dùng đặt câu hỏi “Phân tích tình hình thanh khoản của ngân hàng ACB”, AI sẽ không phải nhặt nhạnh từng con số trôi nổi ở các bài viết trên mạng, mà có thể lấy ngay số liệu chuẩn từ các công ty chứng khoán, tính toán tỷ số tài chính, rồi đưa ra đánh giá dựa trên các đầu vào đáng tin cậy này.

Ngoài ra, nhà đầu tư còn có thể sử dụng các thư viện Python mã nguồn mở để tải dữ liệu giá chứng khoán và báo cáo tài chính doanh nghiệp miễn phí.

Công cụ AI sử dụng số liệu được lấy trực tiếp từ công ty chứng khoán để phân tích. Ảnh: ĐQ.

Nếu người dùng không rành về giao diện lập trình, Python, token, MCP, API, endpoint,… thì cũng không sao cả, vì thế mạnh của các mô hình ngôn ngữ lớn chính là ngôn ngữ, bao gồm ngôn ngữ lập trình, và do vậy có thể hỗ trợ soạn sẵn các đoạn mã lệnh để truy cập và tải dữ liệu miễn phí.

Việc làm sạch dữ liệu không đảm bảo sẽ “nhân đôi tài khoản”, nhưng chắc chắn sẽ bớt rủi ro hơn so với việc cho AI lấy thông tin từ nguồn chưa kiểm chứng. Dù vậy, nhà đầu tư vẫn cần áp dụng nguyên tắc “trust but verify” (Tin tưởng nhưng phải kiểm chứng), tức là kiểm tra ngẫu nhiên một số dữ liệu do AI trình bày với dữ liệu gốc (bảng giá của sở giao dịch chứng khoán, báo cáo tài chính doanh nghiệp) để đảm bảo thông tin đúng và đủ.

Kiến thức con người - Mảnh ghép không thể thiếu

Một trong những việc mà AI có thể hỗ trợ nhà đầu tư cá nhân là xây dựng ứng dụng kiểm thử chiến thuật đầu tư trong quá khứ (backtest) nhằm trả lời những câu hỏi chẳng hạn như: “Từ 2016 đến 2026, nếu hàng năm tôi đều mua 5 mã cổ phiếu có ROE cao nhất trong nhóm VN30, thì tài khoản của tôi lãi/lỗ bao nhiêu?”

Ngay cả khi đã có dữ liệu sạch, người dùng vẫn phải có hiểu biết nhất định để không bị máy móc “dắt mũi” vào con đường sai lầm. Nhà đầu tư phải nắm vững nguyên lý tài chính thì mới định hướng cho máy đi đúng đường ngay từ đầu, đồng thời phản biện được những câu trả lời lệch lạc. Nếu thiếu kiến thức chuyên môn, người dùng rất dễ sập bẫy trước những bảng kết quả backtest quá khứ báo lãi cao nhưng sai phương pháp.

Sai lầm phổ biến thứ nhất trong kiểm thử chiến thuật là thiên kiến sống sót (survivorship bias), xảy ra khi mẫu dữ liệu chỉ lấy những công ty còn tồn tại khỏe mạnh ở hiện tại để tính cho quá khứ.

Ví dụ điển hình tại Việt Nam là việc dùng danh mục 30 cổ phiếu thuộc rổ chỉ số VN30 hiện nay để chạy kiểm thử chiến thuật cho giai đoạn 5 - 10 năm trước. Nếu người dùng không nhắc rõ, một số mô hình AI “lười biếng” sẽ lấy đúng danh sách VN30 của năm 2026 để kiểm thử kết quả đầu tư của năm 2018 hay 2020.

Mô hình có thể cho ra kết luận rằng chiến thuật “Mua Top 5 ROE trong VN30” tạo ra lợi nhuận bình quân 70%/năm nhờ mua VHM vào tháng 6/2018 hay mua BSR vào tháng 5/2025. Trong thực tế vào các thời điểm trên, VHM và BSR đều chưa vào rổ VN30 nên chiến thuật sẽ không thể đưa ra tín hiệu mua được. Ngược lại, có khả năng nhà đầu tư đã mua phải cổ phiếu ROS, NVL, PDR, TPB… hay hàng chục mã khác từng bị loại khỏi VN30 và chịu thua lỗ nặng.

Sai lầm phổ biến thứ hai là thiên kiến nhìn trước tương lai, xuất hiện khi chương trình kiểm thử dùng thông tin chưa có mặt trên thị trường tại thời điểm mô phỏng giao dịch. Chẳng hạn, AI thường lấy số liệu báo cáo tài chính cả năm gắn với ngày 31/12 để đặt lệnh mua ngay đầu tháng 1 năm sau, dù thực tế phải tới cuối tháng 1 mới công bố số liệu quý 4 và cuối tháng 3 mới có số kiểm toán cả năm.

Sai lầm thứ ba là lỗi mò mẫm dữ liệu quá khứ (data snooping), khi người dùng bảo máy thử hàng ngàn tổ hợp chỉ báo kỹ thuật để tìm công thức thắng cao nhất trong vài năm qua nhưng sớm thất bại khi giao dịch thật. Theo dữ liệu Eurekahedge từ tháng 12/2009 đến tháng 7/2024, chỉ số các quỹ đầu cơ dùng AI chỉ tăng 9.8% mỗi năm, thua mức 13.7% của S&P 500.

Tại Việt Nam, Bộ Tài chính đang đề nghị thử nghiệm có kiểm soát ứng dụng trí tuệ nhân tạo trong đầu tư trong 5 năm, chỉ cho phép công ty chứng khoán và quản lý quỹ đủ điều kiện cung cấp công cụ để khách hàng tự thiết kế nguyên tắc giao dịch. Để phát huy sức mạnh và hạn chế nhược điểm của AI, nhà đầu tư buộc phải có kiến thức tài chính vững vàng.

Đức Quyền

FILI