Bot giao dịch crypto dùng AI thực sự làm gì?

Xuất bản: 12 November 2026 | Cập nhật: 12 November 2026

Vào 7 November 2026, ba công cụ tự động hóa crypto mô tả ba thứ khác nhau dưới nhãn “AI” trong chính tài liệu của mình.

• Trung tâm trợ giúp của Cryptohopper cho biết “A.I. là viết tắt của: Algorithmic Intelligence”. Tài liệu mô tả việc chấm điểm các chiến lược bạn cung cấp dựa trên tần suất tín hiệu trước đây của chúng đạt mục tiêu lợi nhuận.
• 3Commas cho biết họ “không cung cấp lời khuyên giao dịch hoặc tín hiệu AI”, mà kết nối các công cụ AI bên ngoài với bot của mình.
• Mô-đun mã nguồn mở FreqAI trong Freqtrade huấn luyện các mô hình như LightGBM và XGBoost, rồi huấn luyện lại theo lịch.

Tự thân những mô tả này không cho bạn biết bot có kiếm được tiền hay không.

“AI” trong bot giao dịch crypto có thể có nghĩa gì?

Các cơ chế này thường cùng tồn tại trong một sản phẩm. Lựa chọn và tối ưu là các dạng học thống kê theo nghĩa rộng. Gọi một cơ chế là bộ chấm điểm thay vì mô hình dự báo không giải quyết được việc nó có thuộc nhãn AI hay không, và cả hai cách mô tả đều không chứng minh khả năng sinh lời.

Câu hỏi hữu ích là hệ thống học điều gì từ dữ liệu nào, và được kiểm tra ra sao trên dữ liệu nó chưa từng thấy?

Tôi cũng sẽ tách trợ lý khỏi quy trình giao dịch. Một LLM có thể hỗ trợ tạo chiến lược mà không phải là mô hình tạo ra tín hiệu thị trường cho chiến lược đó. Tương tự, một chiến lược có thể dùng tham số được chọn bằng backtest trong khi thực thi các quy tắc rõ ràng.

Chính tài liệu của các nền tảng nói gì?

Bảng này ghi lại các cơ chế được mô tả trong tài liệu và những câu hỏi mà các mô tả đó chưa giải đáp. Đây không phải bảng xếp hạng. Tài liệu có thể giải thích mục đích của một tính năng mà không tiết lộ cách triển khai phía máy chủ hoặc chứng minh hiệu suất của nó.

Tất cả trích dẫn của nhà cung cấp ở trên đã được đối chiếu lại với các trang đang hoạt động hoặc bản lưu trữ vào 2026-11-12.

Thông tin chưa được công bố vẫn là câu hỏi bỏ ngỏ. Đó không phải bằng chứng rằng nhà cung cấp không có học máy, cũng không phải lý do để suy diễn rằng có một mô hình chưa được tiết lộ.

Vì sao một backtest tốt không thể chứng minh bot AI hoạt động hiệu quả?

Các thử nghiệm giản lược của tôi sử dụng dữ liệu công khai theo giờ của Binance spot BTCUSDT và ETHUSDT từ 2022-01-01 đến 2026-10-31. Chúng minh họa các vấn đề đánh giá trong mô hình và bộ mô phỏng của chính tôi, không phải hệ thống của bất kỳ nhà cung cấp nào. Một lỗi nhìn trước dữ liệu được cố ý cài vào khiến bài kiểm thử sai in ra độ chính xác 84.6%; AUC của mô hình walk-forward là 0.51, với các khoảng bao trùm mức ngẫu nhiên. Bài kiểm thử sau không tách riêng tác động của việc huấn luyện lại.

Bài toán dự báo sử dụng nến theo giờ được tổng hợp thành nến 4 giờ và một mục tiêu nhị phân: “tăng” nghĩa là lợi suất logarit trong 24 giờ tiếp theo, qua 6 nến kế tiếp, lớn hơn không; giá trị bằng không được tính là “giảm”. Đầu vào gồm lợi suất lịch sử, độ biến động, RSI, khoảng cách giữa các đường trung bình động hàm mũ và z-score của khối lượng, được tính từ thông tin có sẵn khi nến đóng; xác suất dự báo lớn hơn 0.5 được xem là “tăng”.

Một lỗi nhìn trước dữ liệu khiến bài kiểm thử in ra độ chính xác 85% như thế nào

Một đường trung bình động 13 nến lấy tâm được cố ý bổ sung đã sử dụng 6 nến tương lai, làm rò rỉ thông tin tương lai vào hồi quy logistic dù dữ liệu huấn luyện/kiểm thử được chia theo trình tự thời gian.

Độ chính xác 84.6% và AUC 0.93 thu được là những gì một bài kiểm thử sai in ra, không phải bằng chứng về năng lực mô hình; khi bỏ đặc trưng đó, độ chính xác của cùng mô hình chỉ khoảng 50%.

Vì sao chia dữ liệu huấn luyện/kiểm thử sau khi xáo trộn làm kết quả cao lên

Các nến liền kề có chung phần lớn cửa sổ nhãn 24 giờ, nên các quan sát phụ thuộc lẫn nhau bất kể cách chia; ngoài ra, xáo trộn đưa các nến ngay sát nhau vào tập huấn luyện, làm rò rỉ kết quả kiểm thử chồng lấn qua nhãn của chúng, đồng thời cho phép huấn luyện trên dữ liệu về sau.

Các phần chia theo khối huấn luyện trên cả hai phía của mỗi khối kiểm thử, với khoảng loại bỏ 24h ở trước và khoảng cách ly 48h ở sau, nên chỉ bài kiểm thử walk-forward mới huấn luyện hoàn toàn trên dữ liệu trước đó.

So sánh trên cùng tập mẫu này đo chênh lệch giữa các cách chia mà không phân bổ chênh lệch đó cho rò rỉ nhãn chồng lấn hay việc huấn luyện trên các quan sát về sau.

Có phân biệt được mô hình walk-forward với mức ngẫu nhiên không?

Mô hình hồi quy logistic của tôi dùng cửa sổ cuốn chiếu 365 ngày, khớp lại mỗi 30 ngày để tạo ra 35 mô hình; các khoảng AUC bao gồm mức ngẫu nhiên 0.5, và độ chính xác thấp hơn cách đoán “luôn tăng”.

Đây là đánh giá một quy trình walk-forward và không tách riêng tác động của việc huấn luyện lại: để làm điều đó, cần so sánh với một mô hình giữ nguyên hoặc một lịch khớp lại khác trên cùng các ngày, điều mà tôi không báo cáo ở đây.

Lợi suất logarit là logarit tự nhiên của giá trị cuối kỳ chia cho giá trị đầu kỳ. 0 nghĩa là không thay đổi, khoảng +0.69 nghĩa là giá trị tăng gấp đôi, và khoảng −0.69 nghĩa là giá trị giảm một nửa. Vì vậy, +0.59 không phải +59% và −0.91 không phải −91%. Mô hình dự báo hướng biến động trong 24 giờ tiếp theo, nhưng minh họa này quyết định lại vị thế ở mỗi nến 4 giờ, nên nó kiểm thử một chính sách giao dịch dựa trên dự báo, không phải chính kỳ hạn dự báo.

Thiết lập tốt nhất trong 16 thiết lập grid đã thổi phồng kết quả tuần tiếp theo đến mức nào?

Bộ mô phỏng spot-grid của chính tôi chọn thiết lập có lợi suất cao nhất từ 16 tổ hợp độ rộng biên giá và số mức lưới trên 7 ngày trước đó, rồi đo lợi suất trong 7 ngày tiếp theo; biên giá cũng lấy từ tuần lựa chọn, khiến con số trong mẫu vốn đã lạc quan ngay từ cách thiết kế.

Chênh lệch trung bình dưới đây vẫn tồn tại khi dùng giả định khác về đường đi của giá trong nến, nhưng không có nghĩa tuần nào cũng hụt kết quả. Các khoảng được tính từ bootstrap khối trượt, lấy mẫu lại các chuỗi 12 tuần liên tiếp để giữ lại sự phụ thuộc giữa những tuần liền kề.

Anny không hỗ trợ bot grid.

Chiến lược có điểm cao nhất có tiếp tục dẫn đầu không?

Mỗi tuần, bộ lựa chọn của tôi chọn trong năm quy tắc theo giờ dựa trên tỷ lệ đạt mục tiêu đã hoàn tất trong 90 ngày gần nhất; đạt mục tiêu nghĩa là giá đạt ít nhất 2% cao hơn giá đóng cửa của nến tín hiệu trong vòng 24 giờ, rồi so sánh tỷ lệ đạt mục tiêu trong 28 ngày tiếp theo của quy tắc được chọn với mức trung bình của năm quy tắc.

Có một chênh lệch nhỏ được quan sát thấy — BTC thấp hơn một chút và ETH cao hơn một chút so với mức trung bình đó — nhưng không tính khoảng tin cậy cho chênh lệch theo cặp, và các cửa sổ đánh giá chồng lấn nhau.

Điều này không chứng minh sự tương đương hay rằng lựa chọn không có giá trị, và tỷ lệ đạt mục tiêu không phải lợi nhuận: thiết lập này không có cơ chế dừng lỗ, thoát lệnh hoặc chi phí.

Các thử nghiệm này chỉ bao gồm đặc trưng và mô hình đơn giản, một tập tài sản hạn chế, một sàn giao dịch và một giai đoạn duy nhất. Nhãn chồng lấn làm giảm tính độc lập, việc thực thi được đơn giản hóa, và tỷ lệ đạt mục tiêu không đo lường lợi nhuận. Các kiểm thử này cho thấy lựa chọn cách đánh giá làm thay đổi kết quả như thế nào. Chúng không cho thấy học máy không thể hiệu quả trong crypto, và không nói lên điều gì về mô hình của bất kỳ nhà cung cấp cụ thể nào.

Bạn nên yêu cầu nhà cung cấp bot AI đưa ra bằng chứng gì?

Hãy dùng danh sách kiểm tra bằng chứng từ nhà cung cấp dưới đây. Chỉ mô tả mô hình thì vẫn chưa giải đáp được hiệu suất; chỉ có biểu đồ lợi suất thì vẫn chưa giải đáp được cơ chế và quy trình kiểm thử.

Hãy coi câu hỏi chưa được trả lời là vấn đề chưa được giải đáp. Yêu cầu thêm chi tiết thay vì tự bịa ra lời giải thích về cách hệ thống hoạt động.

Một backtest có thể tái lập vẫn có thể chỉ áp dụng trong phạm vi tài sản, ngày và giả định thực thi của nó. Một khoảng bất định có thể mô tả chỉ số được báo cáo mà không giải quyết mọi lựa chọn nghiên cứu trước đó.

Anny Trade nằm ở đâu trong bức tranh này?

Anny Trade sử dụng mô hình ngôn ngữ lớn cho trợ lý Ask Anny. Trang Optimizer công khai cho biết các chỉ báo, backtest, tìm kiếm tham số và kiểm định đều là “mã xác định — không có LLM ở bất kỳ đâu trong vòng lặp đó”. Các phép tính của CFO Anny Line và Optimizer không sử dụng LLM.

Các bot của Anny thực thi những quy tắc vào và thoát lệnh rõ ràng trên các tài khoản sàn giao dịch mà bạn kết nối, và Anny không hỗ trợ bot grid. Những mô tả này xác định nơi mô hình ngôn ngữ được sử dụng; chúng không chứng minh khả năng sinh lời.

Khám phá backtest và tìm kiếm tham số bằng mã xác định của Optimizer và áp dụng cùng danh sách kiểm tra cho nó.

Câu hỏi thường gặp

Bot giao dịch AI có thể dự báo giá crypto không?

Một mô hình được huấn luyện có thể ước tính một kết quả thị trường đã xác định, nhưng việc có dự báo không chứng minh năng lực dự báo hữu ích. Bài toán của tôi là hướng biến động trong một kỳ hạn cụ thể, không phải mức giá chính xác trong tương lai. Không mô hình nào trong bài viết này thể hiện năng lực dự báo hướng biến động đáng tin cậy ngoài mẫu.

Chấm điểm chiến lược theo tỷ lệ đạt mục tiêu có phải học máy không?

Lựa chọn chiến lược dựa trên hiệu suất có thể được xem là học thống kê theo nghĩa rộng vì sử dụng kết quả lịch sử để chấm điểm các chiến lược hiện có. Nhãn gọi không cho bạn biết những lựa chọn đó có hữu ích về sau hay không. Tỷ lệ đạt mục tiêu không phải thước đo lợi nhuận.

Dùng LLM có nghĩa là bot dùng học máy để giao dịch không?

Một LLM có thể viết chiến lược hoặc gọi công cụ giao dịch mà không phải là mô hình dự báo thị trường. Hãy hỏi nó tạo ra gì, có quyền truy cập công cụ nào và việc thực thi được kiểm soát ra sao. Sau đó đánh giá riêng chiến lược được tạo ra; chỉ sử dụng mô hình ngôn ngữ không chứng minh hiệu suất giao dịch.

Kiểm định walk-forward là gì?

Đánh giá walk-forward huấn luyện trên dữ liệu trước và kiểm thử trên dữ liệu sau, tiến dần theo thời gian. Quy trình của tôi dùng cửa sổ huấn luyện cuốn chiếu và khớp lại nhiều lần, với một khoảng loại bỏ trước mỗi khối kiểm thử. Nó khác với cách chia theo khối huấn luyện trên cả hai phía của một khối kiểm thử.

Tôi có thể tự kiểm chứng AI của một bot mã nguồn đóng không?

Tài liệu công khai có thể giúp xác định cơ chế được tuyên bố mà không làm rõ cách triển khai phía máy chủ. Thiếu công bố không phải bằng chứng theo bất kỳ hướng nào. Các thử nghiệm giản lược của tôi không kiểm tra hệ thống mã nguồn đóng và không thể xác định mô hình chưa được tiết lộ của bất kỳ nhà cung cấp nào làm gì.

Cách tôi thực hiện các kiểm thử này (phương pháp và giới hạn).

Mọi kết quả trong bài viết này đều đến từ mô phỏng và backtest trên dữ liệu lịch sử, không phải giao dịch thực tế. Kết quả giả định và mô phỏng có những hạn chế vốn có: được xây dựng khi đã biết diễn biến quá khứ, không phản ánh thực thi thật và không dự báo hiệu suất tương lai.

Bộ dữ liệu được mô tả ở trên chứa 42,359 nến theo giờ cho mỗi tài sản, với một giờ bị thiếu từ phía sàn tại 2023-03-24 13:00 UTC. Các mã kiểm tra toàn vẹn hằng tháng được lấy mẫu khớp với mã do Binance công bố. Phiên bản phần mềm là numpy 2.5.4, pandas 3.1.1 và scikit-learn 1.9.1.

Dữ liệu kết thúc tại 2026-10-31 23:00 UTC, và các kết quả chưa hoàn tất được xử lý như sau.

• Kiểm thử dự báo: loại bỏ những nến không có nhãn đầy đủ cho 24 giờ tiếp theo, nên nến 4 giờ cuối cùng có nhãn là 2026-10-30 20:00 UTC. Khối cuối cùng trong 35 khối walk-forward bắt đầu vào 2026-10-17.
• Grid: chỉ giữ lại một quyết định nếu có đủ 30 ngày dữ liệu về sau. Điều này cho ra 195 quyết định hằng tuần, từ 2023-01-02 đến 2026-09-21.
• Bộ lựa chọn: đưa ra 199 quyết định hằng tuần, từ 2023-01-02 đến 2026-10-19. Ba quyết định cuối, từ 2026-10-05, có cửa sổ 28 ngày bị rút ngắn do dữ liệu kết thúc, và tín hiệu trong 24 giờ cuối được tính là không đạt mục tiêu. Loại bỏ ba quyết định đó vẫn giữ các chênh lệch nhỏ theo cùng hướng (BTC 0.32 so với 0.34, ETH 0.47 so với 0.46).

Hồi quy logistic sử dụng các đặc trưng được chuẩn hóa với tham số điều chuẩn C = 0.1. So sánh cách chia sử dụng mô hình rừng ngẫu nhiên với 200 cây và kích thước lá tối thiểu 5. Các đầu vào không gây rò rỉ gồm lợi suất qua 1, 3, 6, 18 và 42 nến; độ biến động qua 18 và 42 nến; RSI(14); khoảng cách giữa đường trung bình động hàm mũ 20 nến và 50 nến; cùng z-score khối lượng trên 42 nến.

Các khoảng AUC walk-forward sử dụng bootstrap khối trượt với 42 nến 4 giờ liên tiếp trong mỗi khối, 500 lần lấy mẫu lại và các phân vị 2.5th–97.5th. Minh họa giao dịch ghi nhận lợi suất 4 giờ tiếp theo tính từ giá đóng cửa của nến tín hiệu, không có độ trễ. Chi phí 15 bps gồm phí giả định 10 bps và trượt giá 5 bps cho mỗi lần thay đổi vị thế.

Dù mục tiêu dự báo là hướng biến động trong 24 giờ tiếp theo, chính sách giao dịch này xem xét lại vị thế ở mỗi nến 4 giờ. Lợi suất của nó đánh giá chính sách cụ thể đó, thay vì khả năng kiếm tiền trực tiếp theo kỳ hạn dự báo. Chỉ riêng AUC gần 0.5 hay độ chính xác thấp hơn “luôn tăng” đều không loại trừ các cơ hội sinh lời: quy mô lãi/lỗ, ngưỡng quyết định và hiệu suất theo điều kiện cũng quan trọng.

Các cấu hình grid kết hợp độ rộng biên giá bằng 0.8×, 1.0×, 1.25× và 1.6× nửa biên độ giá trong giai đoạn trước với 10, 25, 50 và 100 mức. Mỗi lần khớp lệnh chịu phí 0.05%, không có trượt giá. Mỗi tuần bắt đầu lại từ đầu; coin chưa bán được định giá theo giá đóng cửa cuối cùng, không tính phí thoát lệnh. Các khoảng chênh lệch sử dụng bootstrap khối trượt vòng tròn của 195 chênh lệch hằng tuần (khối 12 tuần, 10,000 lần lấy mẫu lại, seed cố định). Chênh lệch hằng tuần có tự tương quan âm nhẹ ở độ trễ 1, và quy tắc tự động chọn độ dài khối đề xuất khoảng 11 tuần (BTC) và 16 tuần (ETH). Các khoảng với khối dài 2–16 tuần tương tự hoặc hẹp hơn khoảng của bootstrap thông thường.

Các quy tắc của bộ lựa chọn sử dụng RSI, MACD, dải Bollinger, giao cắt EMA và phá vỡ mức cao nhất của 48 giờ trước. Một quy tắc cần ít nhất 5 tín hiệu đã hoàn tất để được chấm điểm. Các cửa sổ đánh giá chồng lấn cần được tính đến khi diễn giải những chênh lệch nhỏ quan sát được.

Trong lượt rà soát nghiên cứu nội bộ thứ hai, tôi chạy lại cả bốn tập lệnh ban đầu và thu được các tệp đầu ra giống hệt nhau đến từng byte. Tại 40 trong số 40 mốc thời gian được chọn ngẫu nhiên, việc thay thế dữ liệu tương lai không làm thay đổi các đặc trưng không gây rò rỉ; đặc trưng cố ý nhìn trước dữ liệu thất bại ở 40 trong số 40 lần kiểm tra, đúng theo thiết kế. Có 0 phần chia walk-forward chứa nhãn chồng lấn vào giai đoạn kiểm thử, và bộ chuẩn hóa chỉ được khớp trên dữ liệu huấn luyện bên trong quy trình.

Lượt rà soát đó củng cố khả năng tái lập và việc không có rò rỉ đã biết trong các quy trình không gây rò rỉ. Nó không cho thấy kết quả sẽ giữ nguyên ở giai đoạn khác, trên tài sản hoặc sàn khác, hay khi giao dịch thật, và cũng không loại bỏ thiên lệch do lựa chọn trong nghiên cứu.

Các giới hạn vẫn đáng kể: 2 tài sản, 1 sàn giao dịch, một giai đoạn và các mô hình đơn giản. Nhãn chồng lấn; không có mô hình trượt giá theo sổ lệnh hoặc hiệu chỉnh kiểm định nhiều lần ngoài những gì đã báo cáo. Bộ mô phỏng grid sử dụng đường đi giá trong nến gồm 4 điểm, và lợi suất tuyệt đối phụ thuộc vào giả định đó. Tôi không kiểm thử hệ thống thực tế của bất kỳ nhà cung cấp nào, không chạy FreqAI và không giao dịch thật.

Xem thêm

• Kiểm định walk-forward là gì?
• CFO Anny Line đọc trạng thái thị trường như thế nào?
• Làm thế nào để kết nối AI của tôi với dữ liệu thị trường crypto trực tiếp?
• Tài liệu lookahead-analysis của Freqtrade

Mọi kết quả trong bài viết này đều đến từ mô phỏng và backtest trên dữ liệu lịch sử, không phải giao dịch thực tế. Kết quả giả định và mô phỏng có những hạn chế vốn có: được xây dựng khi đã biết diễn biến quá khứ, không phản ánh thực thi thật và không dự báo hiệu suất tương lai.

Bài viết này chỉ nhằm mục đích giáo dục — không phải lời khuyên tài chính. Hiệu suất quá khứ không cho biết kết quả tương lai. Tài sản crypto biến động mạnh và bạn có thể mất toàn bộ khoản đầu tư. Anny Trade là một nền tảng phân tích, không phải bên tư vấn đầu tư đã đăng ký.