MASTER·VN Vào dashboard →
▮ AI Quant · Thị trường Việt Nam

Hệ thống AI chọn cổ phiếu Việt Nam — mỗi ngày.

Mỗi phiên giao dịch, một trí tuệ nhân tạo học sâu tự “đọc” toàn bộ thị trường — quét sạch ~630 mã trên cả HOSE và HNX — rồi đặt thẳng lên bàn bạn danh sách những cổ phiếu đáng mua nhất, chia gọn theo 3 rổ VNALL · VN100 · VN200. Không cảm xúc, không tin đồn, không bỏ sót. Bạn chỉ việc đọc và hành động.

Cuộn để xem bên trong
~630
mã HOSE + HNX
3
rổ: VNALL · VN100 · VN200
16:30
cập nhật mỗi phiên (T2–T6)
5 năm
backtest 2021–2026
▮ Tóm tắt

3 bước, tự động mỗi ngày

🌡️
Bước 1 · Quét toàn thị trường

Đo nhiệt độ cả sàn

Mỗi phiên, hệ thống quét sạch ~630 mã trên HOSE & HNX cùng lúc — giá, khối lượng, lịch sử lẫn diễn biến hôm nay. Nó “đo nhiệt độ” thị trường đang nóng (tăng), lạnh (giảm) hay đi ngang, không bỏ sót mã nào, không thiên vị mã nào.

🧠
Bước 2 · Bộ não AI

Đọc thế trận & bắt sóng lan

AI bắt mạch trạng thái chung của thị trường rồi tự đổi cách tin tín hiệu, đồng thời bắt được hiệu ứng lan tỏa có độ trễ giữa các mã — một mã “hắt hơi” hôm nay có thể báo trước cho mã khác ngày mai. Từ đó chấm điểm & xếp hạng toàn bộ.

🎯
Bước 3 · Chiến lược T+2

16:30 có sẵn 3 rổ

Đúng 16:30 mỗi phiên (T2–T6), bạn nhận ngay danh sách top chia làm 3 rổ: mua giá MỞ cửa phiên T, bán giá ĐÓNG cửa phiên T+2 — vào lệnh trong 2 phút. Hết đoán mò, hết FOMO.

▮ Bên trong bộ não

Mô hình “suy nghĩ” như thế nào?

Không phải hộp đen, cũng chẳng phải bói toán. Dưới đây là toàn bộ nguyên lý — từng tầng xử lý một, kèm hình minh hoạ động cho mỗi bước. Cứ cuộn từ từ.

01 Bài toán

Thị trường là một mạng lưới chằng chịt

Giá một cổ phiếu không bao giờ chạy một mình. Nó bị kéo bởi vô số lực đan xen — dòng tiền, tâm lý, vĩ mô, ngành nghề — khiến cả thị trường trở thành một mạng lưới liên kết, nơi mã này tác động lên mã kia.

Cách cũ gom cổ phiếu theo luật cứng (cùng ngành thì “liên quan”). Nhưng quan hệ thật xuyên qua mọi ranh giớiđổi liên tục theo từng phiên. Mô hình không dùng luật cứng — nó tự học quan hệ thật từ dữ liệu.

FIG.01 · MẠNG LƯỚI
quan hệ thật · biến động theo phiên
Các liên kết xanh là quan hệ thật mô hình tự học — chúng vượt qua ranh giới ngành và đổi theo từng phiên.
02 Quan hệ thật

Tức thời & có độ trễ

Đây là chỗ mô hình khác biệt nhất. Hai cổ phiếu không chỉ liên quan cùng lúc — chúng còn ảnh hưởng lẫn nhau lệch pha thời gian: một mã biến động hôm nay, mã liên đới mới “ngấm” sau một, hai phiên.

Ví dụ kinh điển: doanh nghiệp đầu chuỗi phản ứng với cú sốc nguyên liệu trước, doanh nghiệp cuối chuỗi mới ngấm sau. Mô hình đo đúng độ trễ đó — thứ mắt thường gần như không thể canh kịp.

“Đầu chuỗi hắt hơi, cuối chuỗi sổ mũi” — và máy biết trước ai sắp sổ mũi.
FIG.02 · SÓNG TRỄ
phiên TT+1T+2T+3 Mã AMã BMã CMã D cùng một cú hích — lan dần qua các mã, lệch nhau từng phiên
Cú hích ở Mã A lan sang B, C, D ở những phiên kế tiếp — mô hình học đúng khoảng trễ này.
03 Thách thức

Tổ hợp khổng lồ, dữ liệu thì ít

Để soi mọi quan hệ giữa hàng trăm mã × nhiều phiên, số cặp cần xét bùng nổ theo cấp số nhân. Trong khi đó mỗi năm chỉ có ~250 phiên giao dịch — dữ liệu thật sự khan hiếm so với độ phức tạp.

Lời giải: thay vì xét tất cả cùng lúc, mô hình xen kẽ — gộp thông tin theo thời gian rồi theo các mã, lần lượt. Cách này giữ được sức mạnh mà không “ngốn” dữ liệu đến mức học vẹt.

FIG.03 · QUY MÔ
tổ hợp quan hệ: bùng nổ ~250 phiên / năm dữ liệu: ít ỏi → gộp xen kẽ: theo thời gian ↔ theo các mã
Mô hình “chia để trị” — gộp luân phiên theo thời gian rồi theo các mã, để mạnh mà vẫn tiết kiệm dữ liệu.
04 Tổng quan

Năm tầng xử lý nối tiếp

Mỗi phiên, dữ liệu chảy qua một dây chuyền 5 tầng. Mỗi tầng làm đúng một việc, rồi chuyền tiếp — đầu vào là cả thị trường thô, đầu ra là một bảng xếp hạng sạch sẽ.

① Cổng lọc theo bối cảnh② Gộp theo thời gian (từng mã) → ③ Gộp chéo (giữa các mã) → ④ Cô đọng chuỗi → ⑤ Xếp hạng. Bốn tầng tiếp theo sẽ mổ xẻ từng phần.

FIG.04 · DÂY CHUYỀN
Cổng lọcbối cảnh Theothời gian Gộp chéocác mã Cô đọngchuỗi Xếp hạngtop-K THỊ TRƯỜNG THÔ → BẢNG XẾP HẠNG
Một dây chuyền cố định mỗi phiên: vào là cả thị trường, ra là danh sách đã xếp hạng.
05 Tầng ①

Cổng lọc theo bối cảnh thị trường

Đây là “linh hồn” của mô hình. Trước khi phân tích, nó đọc trạng thái chung của thị trường (chỉ số, thanh khoản — quá khứ & hiện tại) rồi tự điều chỉnh độ tin cho từng tín hiệu.

Thị trường tăng, giảm hay đi ngang thì tín hiệu nào đáng tin sẽ khác nhau. Cổng lọc khuếch đại cái đang hiệu nghiệm và nén cái nhiễu — tự động, mỗi phiên một khác, thay cho việc người phải dò thủ công.

FIG.05 · CỔNG LỌC
Thị trường: ĐI NGANG Thị trường: TĂNG ▲ Thị trường: GIẢM ▼ tín hiệu vào CỔNG LỌC tín hiệu sau lọc bối cảnh đổi → trọng số tín hiệu đổi theo
Cùng bộ tín hiệu, nhưng mức tin cậy được khuếch đại/nén lại tuỳ thị trường đang tăng, giảm hay đi ngang.
06 Tầng ②③

Gộp theo thời gian, rồi gộp chéo các mã

Với từng mã, mô hình đọc hết chuỗi lịch sử của chính nó để nắm “nhịp” riêng (tầng ②). Sau đó, ở mỗi thời điểm, nó nhìn ngang sang tất cả các mã khác để bắt quan hệ chéo (tầng ③).

Hai bước đan vào nhau cho phép một mã “vay” thông tin từ mã khác ở thời điểm lệch pha — đúng cái hiệu ứng độ trễ ở phần 02, giờ được tính toán tường minh.

FIG.06 · GỘP CHÉO
các mã · → các phiên trong cửa sổ nhìn lại mã đích một mã “vay” thông tin từ nhiều mã, ở nhiều thời điểm khác nhau
Ô xanh (mã đích) hút thông tin từ các ô sáng — gồm cả mã khác ở những phiên lệch nhau.
07 Tầng ④⑤

Cô đọng thành một điểm — rồi xếp hạng

Tất cả những gì học được về một mã được cô đọng thành một con số: điểm kỳ vọng của nó cho phiên tới. Bước cuối xếp hạng toàn thị trường theo điểm đó.

Mô hình không cố đoán giá tuyệt đối — nó học thứ hạng tương đối: mã nào khoẻ hơn mã nào. Cắt lấy top, ta có 3 rổ để bạn vào lệnh.

FIG.07 · XẾP HẠNG
chuỗi → 1 điểm BẢNG XẾP HẠNG ✓1 ✓2 ✓3 ✓4 ✓5 top-K → vào rổ
Mỗi mã thành một điểm; cả thị trường được xếp hạng; top-K (xanh đậm) lọt vào 3 rổ.
08 Bằng chứng

Nó “nhìn” có chọn lọc, không dàn trải

Khi soi mô hình thực sự dựa vào đâu, ta thấy nó không chia sự chú ý đều cho tất cả. Nó dồn trọng tâm vào đúng vài mã, vài thời điểm thật sự quan trọng — phần còn lại để mờ.

Đó là dấu hiệu của việc học thật: biết cái gì đáng nhìn và cái gì là nhiễu, thay vì trung bình hoá mọi thứ.

FIG.08 · TRỌNG TÂM
mức chú ý theo (phiên × mã nguồn) sáng = chú ý cao · phần lớn để mờ
Vài điểm sáng nổi bật giữa nền mờ — mô hình tập trung đúng chỗ, không trung bình hoá tất cả.
▮ Kiểm chứng

Năm năm dữ liệu thật, công khai

Backtest

Không “chọn ngày đẹp”

Toàn bộ nguyên lý ở trên được kiểm chứng bằng mô phỏng đầy đủ từng phiên suốt 2021–2026 trên dữ liệu thật HOSE + HNX. Lãi/lỗ tính NET (đã trừ phí 0,2%).

Bảng kết quả từng phiên hiển thị công khai ở trang Backtest — bạn tự cuộn, tự kiểm chứng, không có chỗ nào bị giấu.

FIG.09 · 5 NĂM
2021202220242026 mô phỏng tích luỹ
Minh hoạ hình dạng đường mô phỏng tích luỹ 2021–2026. Số liệu chi tiết từng phiên nằm ở trang Backtest.
▮ Vì sao tin được

Minh bạch & có cơ sở

AI học sâu thật sựMột mạng nơ-ron tự học từ nhiều năm dữ liệu thị trường, tự điều chỉnh theo từng giai đoạn — trí tuệ thực thụ, không phải vài chỉ báo cũ kỹ hay mẹo vặt.
Đọc được thứ con người không thấyXử lý đồng thời cả ~630 mã và những mối liên hệ ẩn giữa chúng trong cùng một lúc — quy mô và tốc độ vượt xa khả năng theo dõi thủ công.
Backtest 5 năm công khaiMô phỏng minh bạch 2021–2026 trên dữ liệu thật, hiển thị đầy đủ từng phiên ở trang Backtest — không giấu, không “chọn ngày đẹp”.
Theo dõi thật, đã trừ phíLãi/lỗ T+2 tính NET (đã trừ phí 0,2%), cập nhật tự động mỗi ngày — kỷ luật tuyệt đối, không cảm xúc, bạn tự kiểm chứng.

Xem danh sách cổ phiếu hôm nay

Dashboard cập nhật rổ mới nhất, theo dõi T+2, hiệu suất và backtest — tất cả ở một nơi.