Mô hình dự đoán Bitcoin(BTC) vẫn khó vượt qua chuẩn so sánh đơn giản

Các mô hình dự đoán giá Bitcoin(BTC) đã mở rộng sang phân tích độ khan hiếm, chỉ số on-chain, luật lũy thừa và machine learning, nhưng trong các bài kiểm định thực tế, nhiều mô hình vẫn không thể vượt qua chuẩn so sánh đơn giản là lấy nguyên giá hôm nay làm dự báo.

CryptoSlate cho biết trong bài tổng hợp về cuộc đua các mô hình dự đoán giá Bitcoin rằng mọi mô hình đều cần được đối chiếu trước tiên với "chuẩn so sánh ngây thơ" (naive baseline). Trang này chỉ ra rằng một mô hình phức tạp có thể mô tả khá thuyết phục diễn biến giá trong quá khứ, nhưng điều đó không đồng nghĩa với việc nó sẽ vượt trội trong dự báo ngắn hạn và trung hạn.

Carlos Baquero (Carlos Baquero) viết trong phần tóm tắt một bài nghiên cứu công bố trên arXiv năm 2026 rằng rất khó tìm được nghiên cứu đã qua bình duyệt nào vượt qua chuẩn so sánh ngây thơ một cách ổn định trong khung thời gian 1-6 tháng, xuyên suốt nhiều giai đoạn thị trường khác nhau. Theo tác giả, vấn đề cốt lõi của nghiên cứu dự đoán giá Bitcoin không phải là thiếu mô hình, mà là cách đánh giá mô hình.

Chuẩn so sánh ngây thơ là dự báo đơn giản nhất, chẳng hạn lấy giá hiện tại hoặc giả định lợi suất bằng 0. Trong một thị trường mà giá di chuyển gần giống bước đi ngẫu nhiên (random walk), việc vượt qua chuẩn này tự nó đã không dễ. Một mô hình dự đoán, dù công thức có phức tạp đến đâu, trước tiên phải chứng minh được hiệu suất vượt trội so với "chuẩn" đơn giản này.

Vấn đề nằm ở chỗ thị trường Bitcoin không phải là một phòng thí nghiệm cố định. Khi người tham gia, thanh khoản, môi trường pháp lý và cấu trúc giao dịch liên tục thay đổi, các quy luật được xây dựng từ dữ liệu quá khứ có thể mất hiệu lực ở giai đoạn tiếp theo. Baquero cũng chỉ ra các rủi ro về tính không ổn định (non-stationarity), hiện tượng tối ưu hóa quá mức khi kiểm thử ngược (backtest overfitting) và rò rỉ thông tin (information leakage).

Phương pháp kiểm định mà ông đề xuất gồm kiểm tra walk-forward, sử dụng nhiều giai đoạn giữ lại (multiple holdout periods), so sánh với chuẩn ngây thơ và tính đến chi phí giao dịch. Theo ông, cách làm truyền thống là huấn luyện mô hình trên toàn bộ dữ liệu quá khứ rồi đo hiệu suất trên chính giai đoạn đó khó phản ánh đúng môi trường đầu tư thực tế.

Các mô hình mang tính giải thích cũng gặp giới hạn tương tự. Austin Shelton (Austin Shelton) kết luận trong bài nghiên cứu đăng trên Journal of Risk and Financial Management năm 2024 rằng stock-to-flow và Metcalfe's Law giải thích khá tốt lợi suất của Bitcoin trong phạm vi dữ liệu mẫu, nhưng khả năng dự đoán ngoài mẫu (out-of-sample) lại rất hạn chế, thậm chí gần như không có.

Stock-to-flow là mô hình đo độ khan hiếm bằng cách lấy nguồn cung hiện có chia cho nguồn cung mới tạo ra. Metcalfe's Law diễn giải giá trị mạng lưới tỷ lệ thuận với bình phương số lượng người dùng. Cả hai đều có thể dùng làm khung giải thích cấu trúc dài hạn, nhưng điều đó khác với việc dự đoán đúng chiều giá ở giai đoạn tiếp theo.

Machine learning cũng không phải ngoại lệ. Frontiers in Blockchain công bố một nghiên cứu năm 2026 sử dụng hơn 3 triệu bản ghi dữ liệu theo phút cùng dữ liệu giao ngay và hợp đồng tương lai vĩnh viễn trên Binance để kiểm tra các tín hiệu vi cấu trúc thị trường. Nghiên cứu cho biết khi siết chặt kiểm soát rò rỉ dữ liệu, hiện tượng quá khớp (overfitting) của mô hình LightGBM bộc lộ rõ rệt, và khi tính thêm phí giao dịch cùng trượt giá (slippage) ở mức thực tế, không chiến lược nào còn tồn tại được.

Mô hình hồi quy OLS đơn giản chỉ cải thiện nhẹ so với bước đi ngẫu nhiên. Kết quả này đi ngược lại quan niệm phổ biến rằng mô hình càng phức tạp thì càng hiệu quả.

Tranh luận về luật lũy thừa (power law) vẫn chưa khép lại. Giovanni Santostasi (Giovanni Santostasi) và Stephen Perrenod (Stephen Perrenod) khẳng định trong bài nghiên cứu đăng trên tạp chí Nonlinear Science năm 2026, dựa trên phân tích 5.696 quan sát theo ngày từ tháng 7 năm 2010 đến tháng 2 năm 2026, rằng giá Bitcoin tính theo USD tuân theo quy luật lũy thừa theo thời gian.

Nghiên cứu này đưa ra hệ số mũ giá 5,69, hệ số xác định (R²) 0,961 và phần dư ổn định làm căn cứ. Tuy nhiên, đây là lập luận về cấu trúc giá dài hạn, cần được phân biệt rõ với bằng chứng cho khả năng tự động dự đoán đúng chiều giá ngắn hạn.

Xét về cấu trúc thị trường, các mô hình dự đoán Bitcoin cần được kiểm định riêng biệt giữa độ chính xác thống kê và khả năng sinh lời thực tế. Ngay cả khi tần suất đoán đúng chiều giá cao, khi tính đến phí giao dịch, trượt giá, phí funding và độ trễ khớp lệnh, hiệu suất thực tế có thể biến mất hoàn toàn. Đây là lý do vì sao hiệu suất trong phòng thí nghiệm và hiệu suất có thể giao dịch thực tế lại khác nhau.

Đối với nhà đầu tư, sự phân biệt này cũng quan trọng. Đường xu hướng dài hạn hay chỉ số on-chain mà các mô hình giá đưa ra có thể là tài liệu tham khảo hữu ích để đọc thị trường, nhưng nếu muốn biến chúng thành tín hiệu giao dịch ngắn hạn, cần kiểm tra xem đã có kiểm định ngoài mẫu và tính đến chi phí giao dịch hay chưa.

Cuộc tranh luận về mô hình giá Bitcoin đang dịch chuyển từ câu chuyện "công thức tinh vi" sang câu hỏi "dự đoán có thể kiểm chứng được hay không". Bình luận cho rằng khả năng giải thích, khả năng dự đoán, xu hướng dài hạn, chiều hướng ngắn hạn, độ chính xác thống kê và hiệu suất giao dịch thực tế là những khái niệm hoàn toàn khác nhau, không thể đánh đồng.