Machine Learning không phải "hộp đen thần kỳ" — đó là công cụ tìm pattern trong dữ liệu lịch sử để dự đoán xác suất xảy ra trong tương lai. Bài viết này hướng dẫn quy trình thực tế từ A đến Z.

1. Thu thập và chuẩn bị dữ liệu

Chất lượng dữ liệu quyết định 80% hiệu quả của mô hình. Dữ liệu cần có:

• OHLCV: Open, High, Low, Close, Volume từng nến
• Thời gian: Ít nhất 3–5 năm lịch sử
• Nhiều khung thời gian: M5, M15, H1, H4 đồng bộ

2. Feature Engineering

Features là các đặc trưng được tính toán từ dữ liệu thô để mô hình học. Một số features hiệu quả trong trading:

• EMA 20/50/200 và khoảng cách giá đến EMA
• RSI, MACD histogram, ATR
• Vị trí giá trong Bollinger Band
• Tỉ lệ volume so với trung bình 20 nến
• Khoảng cách đến Order Block gần nhất

3. Chọn mô hình và huấn luyện

Với dữ liệu thị trường, các mô hình sau thường cho kết quả tốt:

4. Đánh giá và triển khai

Không dùng accuracy làm metric chính — thay vào đó dùng Sharpe Ratio và Maximum Drawdown trên dữ liệu test chưa từng thấy (out-of-sample). Backtest phải qua ít nhất 500 trades mới có ý nghĩa thống kê.

Bot ml_logger.py của hệ thống chạy inference mỗi khi nến đóng, ghi kết quả vào ml_signal.json để các bot giao dịch đọc và ra quyết định.