AI Agent chứng khoán: Kiến trúc Multi-Agent giải thích

1. Vấn đề: 1 chatbot không đủ

Nhiều nhà đầu tư đã thử hỏi ChatGPT hoặc các LLM phổ biến về cổ phiếu Việt Nam. Kết quả thường đáng thất vọng.

Hãy thử một thí nghiệm đơn giản: hỏi ChatGPT "Phân tích cổ phiếu HPG". Bạn sẽ nhận được một bài viết chung chung, không có số liệu cập nhật, không có so sánh ngành, và đặc biệt — không có kết luận mua hay bán dựa trên data thực.

Lý do rất rõ ràng:

• Không có dữ liệu Việt Nam real-time — ChatGPT được huấn luyện từ dữ liệu cũ, không kết nối trực tiếp với sàn HOSE, HNX hay UPCOM. Khi bạn hỏi về giá, volume, hay P/E hiện tại, nó chỉ có thể đoán hoặc trả lời "tôi không có dữ liệu mới nhất."
• Hallucinate số liệu — Khi bị ép phải đưa con số, LLM có xu hướng "bịa" — gọi là hallucination. Doanh thu, lợi nhuận, EPS có thể sai hoàn toàn, và nhà đầu tư không có cách nào kiểm chứng nhanh.
• Không chuyên sâu tài chính — ChatGPT giỏi viết email, dịch thuật, hay brainstorm ý tưởng. Nhưng phân tích tài chính đòi hỏi quy trình chặt chẽ: thu thập data, tính toán chỉ số, so sánh ngang, áp dụng chiến lược — một chatbot đa năng không được thiết kế cho điều này.

Vậy giải pháp là gì? Thay vì cố gắng làm 1 chatbot giỏi mọi thứ, hãy xây dựng một hệ thống nhiều agent chuyên biệt, mỗi agent một vai trò — giống như một team phân tích thực sự.

2. Kiến trúc Multi-Agent: 4 vai trò chuyên biệt

Multi-Agent là kiến trúc trong đó nhiều AI Agent độc lập phối hợp với nhau để hoàn thành một nhiệm vụ phức tạp. Thay vì 1 model làm tất cả, mỗi agent được thiết kế để làm tốt nhất 1 việc cụ thể.

Hãy hình dung bạn là giám đốc đầu tư tại một quỹ. Khi cần phân tích một cổ phiếu, bạn không tự làm hết — bạn có một team:

Coordinator — Trưởng nhóm tiếp nhận

Coordinator là agent đầu tiên nhận câu hỏi của bạn. Vai trò của nó giống một trưởng nhóm giàu kinh nghiệm: đọc hiểu ý định, xác định loại phân tích cần thiết, và phân công cho đúng người.

Khi bạn hỏi "Phân tích toàn diện HPG", Coordinator nhận ra đây là yêu cầu phân tích tổng hợp — cần cả cơ bản, kỹ thuật, so sánh ngành — và khởi động quy trình phù hợp. Nếu bạn chỉ hỏi "P/E HPG bao nhiêu?", Coordinator biết đây là truy vấn đơn giản và xử lý nhanh hơn.

Planner — Chiến lược gia lên kế hoạch

Planner nhận brief từ Coordinator và thiết kế kế hoạch phân tích chi tiết: cần thu thập những dữ liệu nào, so sánh với công ty nào trong ngành, áp dụng chiến lược sàng lọc nào, và output cuối cùng sẽ có format gì.

Đây là bước mà hầu hết chatbot bỏ qua. Không có kế hoạch, AI sẽ trả lời lung tung — đôi khi phân tích kỹ thuật, đôi khi chỉ liệt kê tin tức. Planner đảm bảo mỗi phân tích đều có cấu trúc logic nhất quán.

Ví dụ, với "Phân tích toàn diện HPG", Planner sẽ lên kế hoạch:

1. Thu thập BCTC 4 quý gần nhất và cả năm
2. Tính các chỉ số định giá: P/E, P/B, EV/EBITDA
3. So sánh với HSG, NKG, TLH (cùng ngành thép)
4. Phân tích kỹ thuật: xu hướng giá, volume, support/resistance
5. Kiểm tra insider trading và giao dịch khối ngoại
6. Tổng hợp thành báo cáo có kết luận

Researcher — Nhà nghiên cứu truy vấn dữ liệu

Researcher là agent "chạy bộ" nhiều nhất. Sau khi nhận kế hoạch từ Planner, Researcher kết nối trực tiếp với hệ thống dữ liệu FinData để truy vấn thông tin — giá cổ phiếu, báo cáo tài chính, tin tức, giao dịch nội bộ, dữ liệu khối ngoại, và hàng chục loại data khác.

Điểm khác biệt quan trọng: Researcher không "nhớ" data từ quá trình huấn luyện. Nó truy vấn trực tiếp từ database ~7 triệu bản ghi, đảm bảo mọi con số đều chính xác và cập nhật. Mỗi data point đều có nguồn gốc rõ ràng, có thể trace back.

Researcher có thể chạy nhiều truy vấn song song — vừa lấy BCTC, vừa check tin tức, vừa tính chỉ số kỹ thuật — tất cả trong vài giây. Đây là thứ mà một analyst thủ công mất hàng giờ để làm.

Reporter — Chuyên gia tổng hợp báo cáo

Reporter nhận toàn bộ kết quả từ Researcher và biến chúng thành báo cáo có cấu trúc, dễ đọc, và có kết luận. Không phải dump data thô lên màn hình — Reporter phân tích, so sánh, và đưa ra nhận định.

Một báo cáo của Reporter thường bao gồm:

• Tổng quan công ty — Ngành nghề, vốn hoá, sở hữu
• Phân tích cơ bản — Doanh thu, lợi nhuận, biên lợi nhuận, các chỉ số tài chính quan trọng
• Định giá — P/E, P/B so với ngành và lịch sử
• Phân tích kỹ thuật — Xu hướng, tín hiệu, vùng hỗ trợ/kháng cự
• Rủi ro và cơ hội — Các yếu tố cần lưu ý
• Kết luận — Đánh giá tổng thể với điểm số và khuyến nghị

Quan trọng: Reporter không chỉ tạo text. FinStock có thể xuất báo cáo dưới dạng PDF chuyên nghiệp, slide PPT, hoặc podcast tóm tắt — tuỳ nhu cầu của bạn.

3. Flow: Từ câu hỏi đến báo cáo trong 30-60 giây

Hãy cùng đi qua một ví dụ thực tế: bạn mở FinStock và gõ "Phân tích toàn diện HPG".

Bước 1: Coordinator nhận và phân loại (1-2 giây)

Coordinator đọc câu hỏi, nhận ra đây là yêu cầu phân tích toàn diện (không phải hỏi giá đơn giản hay so sánh ngành). Nó xác định mã cổ phiếu HPG trên sàn HOSE và khởi động quy trình phân tích đầy đủ.

Bước 2: Planner thiết kế kế hoạch (2-3 giây)

Planner nhận brief "phân tích toàn diện HPG" và tạo kế hoạch gồm 8-10 bước truy vấn data. Planner cũng xác định các công ty cùng ngành cần so sánh: HSG, NKG, TLH — và chọn các chiến lược sàng lọc phù hợp với ngành thép.

Bước 3: Researcher truy vấn dữ liệu (15-30 giây)

Đây là bước tốn thời gian nhất nhưng cũng ấn tượng nhất. Researcher thực hiện hàng chục truy vấn song song:

• Lấy BCTC của HPG: bảng cân đối, kết quả kinh doanh, lưu chuyển tiền tệ
• Tính 106 tiêu chí chuẩn hoá: ROE, ROA, biên lợi nhuận gộp, biên lợi nhuận ròng, nợ/vốn chủ sở hữu...
• Truy vấn dữ liệu giá: giá lịch sử, volume, biến động
• So sánh ngang với HSG, NKG, TLH trên các chỉ số chính
• Kiểm tra giao dịch nội bộ và khối ngoại gần đây
• Tổng hợp tin tức liên quan đến HPG trong 30 ngày gần nhất

Tất cả từ database ~7 triệu bản ghi, không phải từ "trí nhớ" của AI.

Bước 4: Reporter tổng hợp báo cáo (10-15 giây)

Reporter nhận toàn bộ data thô, phân tích mối quan hệ giữa các chỉ số, đối chiếu với lịch sử và ngành, và viết báo cáo hoàn chỉnh. Kết quả là một phân tích 2,000-3,000 từ, có bảng biểu, có so sánh, có kết luận rõ ràng.

Tổng thời gian: 30-60 giây. So với 75-120 phút làm thủ công — nhanh hơn khoảng 100 lần.

4. So sánh: ChatGPT vs Hệ thống Multi-Agent

Để thấy rõ sự khác biệt, hãy so sánh trực tiếp ChatGPT (đại diện cho chatbot thông thường) với hệ thống Multi-Agent của FinStock:

Đây không phải so sánh "AI tốt vs AI xấu." ChatGPT xuất sắc trong nhiều lĩnh vực — viết content, brainstorm, coding. Nhưng phân tích chứng khoán Việt Nam cần data chuyên biệt + quy trình chặt chẽ, và đó là thứ mà kiến trúc Multi-Agent được thiết kế để giải quyết.

Để hiểu sâu hơn về sự khác biệt giữa các kiểu kiến trúc, bạn có thể đọc bài Multi-Agent vs Single-Agent: Đâu là kiến trúc phù hợp?.

5. Dữ liệu: Nền tảng của mọi phân tích

Một hệ thống Multi-Agent dù có thiết kế tốt đến đâu cũng vô nghĩa nếu không có dữ liệu chất lượng. Đây là nơi FinStock khác biệt hoàn toàn với các chatbot AI thông thường.

~7 triệu bản ghi, cập nhật liên tục

Hệ thống FinData — lớp dữ liệu phía sau FinStock — chứa khoảng 7 triệu bản ghi bao gồm:

• Giá cổ phiếu lịch sử — Tất cả mã trên HOSE, HNX, UPCOM
• Báo cáo tài chính — Bảng cân đối kế toán, kết quả kinh doanh, lưu chuyển tiền tệ, theo quý và năm
• Tin tức tài chính — Được AI phân loại và gắn tag với mã cổ phiếu liên quan
• Giao dịch nội bộ — Insider trading: ai mua, ai bán, bao nhiêu
• Giao dịch khối ngoại — Net buy/sell theo ngày, theo mã
• Sự kiện doanh nghiệp — Chia cổ tức, phát hành thêm, M&A

106 tiêu chí chuẩn hoá

Mỗi cổ phiếu được đánh giá trên 106 tiêu chí tài chính chuẩn hoá, bao gồm:

• Định giá: P/E, P/B, EV/EBITDA, P/S, PEG
• Hiệu quả: ROE, ROA, ROIC, biên lợi nhuận gộp, biên lợi nhuận ròng
• Tăng trưởng: Tăng trưởng doanh thu, lợi nhuận, EPS (QoQ, YoY, CAGR)
• Sức khoẻ tài chính: D/E, current ratio, quick ratio, interest coverage
• Dòng tiền: FCF yield, operating cash flow margin, capex ratio
• Kỹ thuật: RSI, MACD, Bollinger Bands, volume trend

Việc chuẩn hoá giúp so sánh giữa các doanh nghiệp trở nên công bằng — bạn không thể so P/E của ngân hàng với P/E của công ty công nghệ mà không đặt trong bối cảnh ngành.

22 chiến lược sàng lọc

Researcher agent không chỉ lấy data thô — nó áp dụng 22 chiến lược sàng lọc được xây dựng sẵn, bao gồm các phương pháp kinh điển như CAN SLIM, Magic Formula, Piotroski F-Score, và các chiến lược được tối ưu cho thị trường Việt Nam.

Nếu bạn quan tâm đến cách sàng lọc cổ phiếu cụ thể, đọc thêm tại 5 cách dùng AI Agent trong đầu tư chứng khoán.

Cách Researcher truy cập dữ liệu

Researcher agent sử dụng MCP Tool (Model Context Protocol) để kết nối với FinData. MCP là giao thức cho phép AI agent gọi các công cụ chuyên biệt — giống như cách bạn dùng app trên điện thoại. Thay vì "nhớ" data, agent chủ động truy vấn đúng data cần thiết tại thời điểm phân tích.

Kết hợp với RAG (Retrieval-Augmented Generation) cho tin tức và nghiên cứu, hệ thống đảm bảo mọi thông tin đều có nguồn gốc, có thể kiểm chứng — loại bỏ hoàn toàn vấn đề hallucination về số liệu.

6. Demo: Trải nghiệm FinStock step-by-step

Hãy cùng xem nhà đầu tư thực sự trải nghiệm FinStock như thế nào.

Bước 1: Đặt câu hỏi

Bạn mở FinStock và gõ: "Phân tích toàn diện HPG"

Không cần biết thuật ngữ chuyên ngành, không cần chọn menu hay filter phức tạp. Hỏi bằng tiếng Việt tự nhiên, như đang nhắn tin cho một analyst.

Bước 2: Hệ thống làm việc (30-60 giây)

Trên màn hình, bạn thấy hệ thống đang hoạt động — Coordinator đã phân loại, Planner đang lên kế hoạch, Researcher đang truy vấn data. FinStock hiển thị real-time tiến trình để bạn biết hệ thống đang làm gì, không phải chờ mù mờ.

Bước 3: Nhận báo cáo

Sau khoảng 30-60 giây, bạn nhận được báo cáo hoàn chỉnh bao gồm:

• Tổng quan HPG: Tập đoàn Hoà Phát, ngành thép, vốn hoá, cơ cấu sở hữu
• Phân tích cơ bản: Doanh thu, lợi nhuận, biên lợi nhuận — có so sánh YoY
• Định giá: P/E, P/B hiện tại vs trung bình ngành vs trung bình lịch sử
• So sánh ngành: HPG vs HSG, NKG, TLH trên các chỉ số chính
• Phân tích kỹ thuật: Xu hướng giá, volume, tín hiệu kỹ thuật
• Rủi ro và cơ hội: Các yếu tố ảnh hưởng
• Kết luận: Đánh giá tổng thể, điểm số, khuyến nghị

Bước 4: Xuất báo cáo

Bạn có thể xuất kết quả dưới dạng PDF để gửi cho khách hàng, PPT để trình bày trong cuộc họp, hoặc nghe tóm tắt dạng podcast khi đang di chuyển.

Đã kiểm chứng thực tế

FinStock (trước đây là StockGPT) đã được triển khai tại VPBankS — một trong những công ty chứng khoán hàng đầu Việt Nam — phục vụ 13,000 users với hơn 70,000 queries đã xử lý. Đây không phải demo hay prototype — là sản phẩm đang chạy production với hàng nghìn nhà đầu tư sử dụng hàng ngày.

Để hiểu rõ hơn về AI Agent là gì và tại sao nó quan trọng, đọc thêm bài AI Agent là gì? Giải thích đơn giản cho nhà đầu tư.

7. Tương lai: AI Agent sẽ đi đến đâu?

Kiến trúc Multi-Agent mà FinStock đang sử dụng mới chỉ là bước đầu. Nhìn về phía trước, có 3 xu hướng lớn sẽ định hình cách AI hỗ trợ đầu tư:

Quản lý danh mục tự động (Autonomous Portfolio)

Hiện tại, AI phân tích và đề xuất — bạn ra quyết định. Trong tương lai, AI Agent có thể quản lý một phần danh mục theo chiến lược bạn đặt ra: tự động rebalance, cắt lỗ, chốt lời theo rules đã định nghĩa. Agent sẽ hành động trong khuôn khổ bạn cho phép, báo cáo lại mọi quyết định.

Giám sát real-time 24/7

Thay vì chỉ phân tích khi bạn hỏi, AI Agent sẽ chủ động giám sát danh mục và cảnh báo: "HPG vừa break vùng kháng cự 28,000 với volume tăng 3 lần — phù hợp với chiến lược breakout bạn đang theo." Agent không chờ bạn hỏi — nó chủ động thông báo khi có sự kiện quan trọng.

Phân tích đa thị trường

Multi-Agent không giới hạn ở thị trường Việt Nam. Cùng kiến trúc Coordinator-Planner-Researcher-Reporter có thể mở rộng sang các thị trường khác — cho phép so sánh cross-market: "So sánh HPG với các công ty thép Trung Quốc và Ấn Độ" sẽ trở thành câu hỏi có thể trả lời trong vài phút.

Cá nhân hoá sâu hơn

AI Agent sẽ học được phong cách đầu tư của bạn qua thời gian: bạn là value investor hay growth investor? Bạn chấp nhận rủi ro ở mức nào? Bạn quan tâm đến ngành nào? Từ đó, mỗi phân tích sẽ được tuỳ chỉnh theo đúng nhu cầu cá nhân — không còn one-size-fits-all.

Tóm lại: Kiến trúc Multi-Agent — với 4 vai trò Coordinator, Planner, Researcher, Reporter — giải quyết đúng những hạn chế mà chatbot đơn lẻ không thể vượt qua trong lĩnh vực phân tích chứng khoán. Kết hợp với ~7 triệu bản ghi dữ liệu Việt Nam, 106 tiêu chí chuẩn hoá, và 22 chiến lược sàng lọc, hệ thống biến 75 phút research thủ công thành 30-60 giây phân tích có cấu trúc. Và đây mới chỉ là bắt đầu.