Giải thích LightGBM, lợi thế của cách chia dữ liệu thành cây và cách kiểm tra dự đoán cổ phiếu đúng cách.
Máy phức tạp hơn lại thua?
“Phiên bản mạng nơ-ron không vượt được LightGBM.” Nghe khá bất ngờ: một cỗ máy tính toán nhiều tầng tham gia cuộc thi, nhưng một khu rừng gồm các cây nhỏ lại giành cúp. Quạt máy tính chạy ầm ầm cũng chẳng được cộng điểm.
Câu nói không kèm dữ liệu và điểm số nên chưa thể kiểm tra riêng kết quả đó. Dù vậy, nghiên cứu cho thấy cách dự đoán dựa trên cây thường rất mạnh với dữ liệu số trong bảng.[1][2]
LightGBM làm gì?
LightGBM là cách học từ ví dụ cũ để dự đoán trường hợp mới. Công trình nổi bật được công bố năm 2017.[3]
Hãy tưởng tượng bảng gồm tăng trưởng lợi nhuận, lượng giao dịch đột biến, quy mô doanh nghiệp và biến động giá cổ phiếu sau đó. Một cây hỏi: “Lợi nhuận có vượt mức này không?” Cây tiếp theo sửa chỗ dự đoán trước còn sai. Nhiều lần sửa nhỏ tạo thành dự đoán cuối cùng.
Một cây đơn giản, nhưng cả khu rừng phối hợp thì rất đáng gờm.
Vì sao có thể thắng?
Dữ liệu tài chính có những giá trị tăng vọt, cột ít hữu ích và quy luật chỉ xuất hiện khi vượt một ngưỡng. Cách dùng cây rất giỏi chia các trường hợp theo ngưỡng.
Nghiên cứu năm 2022 cho thấy phương pháp cây vẫn mạnh với bảng dữ liệu cỡ vừa.[1] Nghiên cứu năm 2023 chỉ ra rằng điều chỉnh thiết lập đôi khi quan trọng hơn chọn loại mô hình.[2]
Máy tính ồn ào như máy bay không có nghĩa là dự đoán tốt hơn.
Cây có luôn thắng không?
So sánh lớn năm 2025 ghi nhận mạng nơ-ron có thể bắt kịp trong một số điều kiện khi được học lâu hơn và kết hợp nhiều dự đoán.[4] Hiểu ảnh và đọc bảng lợi nhuận là hai công việc khác nhau.
Kiểm tra trước khi giao dịch cổ phiếu
Hai cách chỉ được dùng thông tin đã công bố tại thời điểm dự đoán. Dùng kết quả kinh doanh được công bố sau đó chẳng khác nào đọc báo ngày mai.
Hãy thử từ quá khứ đến tương lai, tính phí giao dịch, chênh lệch giữa giá dự kiến và giá thực tế, và các giai đoạn thua lỗ nặng. Đoán đúng giá tăng giảm và kiếm được lãi sau phí là hai bài thi khác nhau.
Kết luận
Mạng nơ-ron hoàn toàn có thể thua LightGBM. Công cụ từ năm 2017 vẫn mạnh nếu phù hợp với nhiệm vụ. Đừng xem thường khu rừng ấy.
- Grinsztajn, Oyallon & Varoquaux (2022), “Why do tree-based models still outperform deep learning on typical tabular data? papers.nips.cc
- McElfresh et al. (2023), “When Do Neural Nets Outperform Boosted Trees on Tabular Data? proceedings.neurips.cc
- Ke et al. (2017), “LightGBM: A Highly Efficient Gradient Boosting Decision Tree. proceedings.neurips.cc
- Erickson et al. (2025), “TabArena: A Living Benchmark for Machine Learning on Tabular Data. proceedings.nips.cc
