MSE Đang Nói Dối Bạn: Khi Dự Báo Chuỗi Thời Gian Chỉ Đúng Trung Bình Mà Sai Tương Lai

Trong dự báo chuỗi thời gian, chỉ số MSE (Mean Squared Error) từ lâu đã trở thành thước đo mặc định để đánh giá mô hình. Nhưng có một nghịch lý ít được nhắc đến: một mô hình có thể đạt MSE rất thấp, thậm chí dự đoán đúng cả giá trị trung bình lẫn phương sai của phân phối tương lai, mà vẫn mô tả một viễn cảnh chưa từng và sẽ không bao giờ xảy ra. Đây chính là lý do các nhà nghiên cứu đang chuyển hướng sang mô hình diffusion cho bài toán dự báo xác suất.

Vấn đề cốt lõi: Đúng thống kê chưa chắc đúng thực tế

Hãy tưởng tượng bạn dự báo nhiệt độ cho 24 giờ tới. Một mô hình truyền thống tối ưu theo MSE sẽ đưa ra một quỹ đạo duy nhất — quỹ đạo "trung bình" — làm mượt mọi biến động. Kết quả là dự báo trông hợp lý về mặt con số, nhưng lại phẳng lì và thiếu đi những đỉnh nhọn, những cú sốc ngắn hạn vốn là đặc trưng thực sự của dữ liệu.

Vấn đề trở nên tinh tế hơn khi ta xét đến phân phối dự báo. Một mô hình xác suất tốt cần tái tạo được:

• Giá trị trung bình (mean) — xu hướng trung tâm của tương lai
• Phương sai (variance) — mức độ bất định tổng thể
• Cấu trúc tương quan theo thời gian — mối liên hệ giữa các bước thời gian
• Hình dạng phân phối đa đỉnh — các kịch bản tương lai rời rạc, khác biệt

MSE chỉ kiểm soát được yếu tố đầu tiên. Ngay cả khi bạn tối ưu cả mean lẫn variance, bạn vẫn có thể rơi vào bẫy "đúng số liệu, sai câu chuyện".

Một dự báo có thể khớp hoàn hảo với mọi mô-men thống kê bậc một và bậc hai, nhưng từng mẫu cụ thể lại là một tương lai vô nghĩa — không có quỹ đạo thực tế nào trông giống như vậy.

Tại sao điều này xảy ra?

Nguyên nhân nằm ở cách các mô hình học phân phối. Khi huấn luyện với MSE, mô hình có xu hướng hội tụ về nghiệm trung bình có điều kiện. Với dữ liệu có nhiều chế độ (multimodal), ví dụ tình huống giá cổ phiếu có thể tăng mạnh hoặc giảm mạnh, nghiệm trung bình rơi vào khoảng giữa — một vùng mà thực tế gần như không bao giờ xảy ra.

Các phương pháp như Gaussian dự báo độc lập theo từng bước cũng thất bại vì chúng bỏ qua cấu trúc tương quan. Bạn có thể khớp chính xác phân phối biên (marginal distribution) ở mỗi thời điểm, nhưng các mẫu sinh ra sẽ rời rạc, thiếu tính liên tục và không tuân theo bất kỳ quy luật động học nào.

Diffusion head: Hướng tiếp cận mới

Kỹ thuật diffusion — vốn nổi tiếng trong sinh ảnh — đang được áp dụng cho dự báo chuỗi thời gian với tên gọi diffusion head. Ý tưởng cốt lõi:

• Thay vì dự đoán trực tiếp giá trị tương lai, mô hình học cách khử nhiễu dần dần từ một quỹ đạo ngẫu nhiên về quỹ đạo hợp lệ
• Quá trình này diễn ra trên toàn bộ chuỗi tương lai cùng lúc, buộc mô hình phải tôn trọng cấu trúc tương quan giữa các bước thời gian
• Kết quả là các mẫu sinh ra vừa đa dạng, vừa có tính liên tục động học, vừa phản ánh đúng phân phối đa đỉnh

Kiến trúc này thường được gắn lên trên một encoder (ví dụ Transformer hoặc RNN) đóng vai trò trích xuất đặc trưng từ quá khứ. Phần diffusion head sau đó sinh ra nhiều quỹ đạo tương lai song song.

Điểm mấu chốt cho người làm thực tế

Nếu bạn đang xây dựng hệ thống dự báo — dù là nhu cầu hàng hóa, lưu lượng truy cập, hay giá tài sản — hãy cảnh giác với những điều sau:

• Đừng chỉ nhìn MSE hay RMSE. Hãy đánh giá bằng các chỉ số phân phối như CRPS, kiểm định calibration, và đặc biệt là kiểm tra trực quan các mẫu sinh ra
• Kiểm tra tính hợp lệ của từng mẫu. Một mẫu dự báo trông có giống một tương lai thực tế không? Nó có giữ được động học, mùa vụ, xu hướng không?
• Cân nhắc diffusion khi bài toán có tính đa chế độ. Với các chuỗi đơn giản, ít bất định, mô hình truyền thống vẫn đủ dùng và rẻ hơn nhiều

Góc nhìn cho thị trường Việt Nam

Với các đội ngũ làm fintech, dự báo chuỗi cung ứng hay phân tích thị trường tại Việt Nam, bài học này đặc biệt quan trọng. Các mô hình dự báo tài chính ngắn hạn thường bị đánh lừa bởi MSE thấp, dẫn đến những quyết định đầu tư dựa trên những tương lai "không tưởng" — trông đẹp trên giấy nhưng không phản ánh rủi ro thực. Đầu tư vào đánh giá phân phối đúng cách có thể tiết kiệm nhiều hơn là chỉ chạy đua theo con số sai lệch.

Kết luận: MSE không nói dối theo nghĩa nó tính sai. Nó nói dối theo nghĩa nó trả lời một câu hỏi khác với câu hỏi bạn thực sự cần. Với các bài toán dự báo chuỗi thời gian nhiều bất định, diffusion đang chứng minh là hướng đi đúng — không phải để có MSE thấp hơn, mà để mô tả được những tương lai thực sự có thể xảy ra.