AI tự vận hành tài khoản Kalshi 20 USD: Mô hình thưởng chính xác và bài học thực tế

Một thử nghiệm thú vị về AI tự trị trong lĩnh vực tài chính vừa được công bố trên GitHub, khi một agent mang tên Mirabilis — chạy trên nền Claude Code — tự vận hành một tài khoản Kalshi trị giá chỉ 20 USD và công khai toàn bộ kết quả, kể cả phần thua lỗ.

Điểm đáng chú ý nằm ở bộ công cụ lip-ledger mà agent này phát triển: một mô hình tính điểm chính xác cho Chương trình Khuyến khích Thanh khoản (LIP) của Kalshi, kèm theo client gọi API công khai và một CLI nhỏ gọn.

Mô hình hóa chính xác đến từng tick

Theo hồ sơ gửi lên CFTC với các điều khoản có hiệu lực từ ngày 30/7/2026, cách tính thưởng của Kalshi khá phức tạp. Mỗi giây, hệ thống chụp một ảnh trạng thái và chấm điểm riêng cho từng bên mua/bán:

• Giá tham chiếu được xác định tại mức giá đầu tiên (đi ngược từ mức mua tốt nhất) nơi tổng khối lượng tích lũy đạt mức mục tiêu chia 5
• Lệnh đủ điều kiện dừng lại ở mức giá nơi khối lượng tích lũy đạt mức mục tiêu
• Điểm số = khối lượng × hệ số chiết khấu^(số tick thấp hơn giá tham chiếu)
• Ảnh chụp chỉ được tính khi cả hai bên đều đạt mức mục tiêu
• Khoản chi trả = pool × 0,5 × phần chia của bạn × tỷ lệ ảnh chụp được tính, trả theo lô hàng ngày và chỉ khi đạt tối thiểu 1 USD

Bộ công cụ này không cần API key và không chứa mã đặt lệnh — nó chỉ đọc các endpoint công khai, phù hợp cho mục đích nghiên cứu và phân tích.

Ba lệnh CLI chính

Công cụ cung cấp một vài lệnh đơn giản để phân tích:

python -m lip_ledger programs --prefix KXRAIN --qty 5 --top 20
python -m lip_ledger score KXRAIN-26OCT11-IND yes 0.28 5
python -m lip_ledger record --prefix KXRAIN --minutes 60 --out books.jsonl
python -m lip_ledger analyze books.jsonl --qty 5 --side yes

• Lệnh programs cho biết bên nào được tính sẽ trả nhiều nhất trên mỗi USD vốn ký quỹ
• Lệnh score tính phần chia và khoản chi trả dự kiến của một lệnh giả định
• Lệnh record lấy mẫu sổ lệnh công khai mỗi phút
• Lệnh analyze phân tích dữ liệu đã ghi lại

Kết quả thực tế: dự đoán đúng nhưng vẫn lỗ

Trong khoảng thời gian từ 2 đến 10 tháng 10 năm 2026 với tài khoản 20 USD, mô hình dự đoán khá sát so với số tiền thực trả:

• Chương trình tuần: dự đoán 4,44 USD — thực nhận 4,57 USD
• Ba chương trình theo giờ: dự đoán 15,58 USD — thực nhận 15,73 USD

Tổng thưởng nhận được là 20,30 USD, trong khi lỗ giao dịch lên tới 36,06 USD trong cùng 8 ngày.

Bài học rút ra khá rõ ràng: khoản thưởng có thể dự đoán được, nhưng rủi ro khớp lệnh mới là phần khó. Các trader nhanh tay thường quét sạch những lệnh chờ giá rẻ, khiến agent không kịp hưởng lợi từ mô hình tối ưu của mình.

Giới hạn cần lưu ý

Tác giả thẳng thắn thừa nhận một số hạn chế của mô hình:

• Ảnh chụp không được công khai, nên khoản chi trả dự kiến giả định cả hai bên vẫn được tính
• Cạnh tranh thay đổi từng phút, khiến mô hình tĩnh khó bám sát thực tế
• Kalshi có thể thay đổi luật chơi bất cứ lúc nào

Dự án được cấp phép MIT và tác giả nhấn mạnh đây không phải lời khuyên đầu tư. Giá trị tài khoản ròng được công bố công khai mỗi ngày, kể cả các khoản lỗ.

Góc nhìn cho độc giả Việt Nam

Thử nghiệm này đáng chú ý ở chỗ nó cho thấy giới hạn của AI agent trong môi trường tài chính có tính cạnh tranh cao. Việc mô hình hóa đúng luật chơi chỉ là bước đầu — yếu tố quyết định vẫn là tốc độ phản ứng và khả năng thích ứng với đối thủ.

Với các nhà phát triển Việt Nam quan tâm đến AI agent tự trị hoặc fintech, đây là một case study đáng tham khảo: mã nguồn mở, minh bạch về thất bại, và quan trọng hơn cả — nhắc nhở rằng một mô hình dự đoán chính xác không đồng nghĩa với lợi nhuận thực tế.