JTự Học Cùng JunLearn Deep. Work Smart.
Tài chính🎓 CFA Level ICurriculum 2026articleVI

QM-M4-L3 Bayes Formula: Cách cập nhật xác suất từng bước

Hướng dẫn toàn diện Lesson 3 Module 4 CFA Level I 2026: Định lý Bayes (Bayes' Theorem), Quy trình 4 bước cập nhật xác suất tiền nghiệm (Prior) sang xác suất hậu nghiệm (Posterior), Phân biệt Likelihood và Unconditional Probability, kèm Worked Example tài chính chi tiết.

16 tháng 8, 2026
Kiểm duyệt: Triệu Thị Thùy Dung
Công thức và quy trình cập nhật xác suất Định lý Bayes trong CFA Level 1 2026

Key Takeaways — Điểm cốt lõi

  • •Xác suất tiền nghiệm (Prior Probability): P(Event), niềm tin xác suất ban đầu trước khi có thông tin mới.
  • •Khả năng xảy ra thông tin (Likelihood): P(Info|Event), xác suất xuất hiện tín hiệu khi biến cố thực sự xảy ra.
  • •Xác suất toàn phần của thông tin: P(Info) = P(Info|Event)P(Event) + P(Info|Eventc)P(Eventc).
  • •Xác suất hậu nghiệm (Posterior Probability): P(Event|Info) = [P(Info|Event) / P(Info)] × P(Event).
  • •Ứng dụng trọng tâm trong tài chính: Cập nhật đánh giá năng lực Portfolio Manager, nâng hạ xếp hạng tín nhiệm, dự báo lợi nhuận doanh nghiệp khi có thông tin báo cáo tài chính mới.

💡 Bài học số 3 Module 4: Xem lại Lesson 2: Probability Trees hoặc chuyển tới Practice Quiz Module 4.

1. Bản Chất Của Định Lý Bayes (Bayes' Theorem)

Định lý Bayes cung cấp nền tảng toán học để đảo ngược xác suất có điều kiện, cho phép nhà đầu tư cập nhật nhận định về xác suất của một biến cố kinh tế (Event) sau khi quan sát thấy một tín hiệu hoặc thông tin mới (Information):

P(Event | Information) = [ P(Information | Event) / P(Information) ] × P(Event)

2. Quy Trình 4 Bước Giải Bài Toán Bayes Chuẩn CFA

• Bước 1: Xác định Xác suất tiền nghiệm (Prior Probability) P(E) và xác suất biến cố bù P(Ec) = 1 - P(E).

• Bước 2: Xác định các xác suất điều kiện của thông tin mới: P(I | E) (Độ nhạy / True Positive) và P(I | Ec) (Dương tính giả / False Positive).

• Bước 3: Tính Xác suất toàn phần của thông tin P(I) theo Total Probability Rule:

P(I) = P(I | E) × P(E) + P(I | Ec) × P(Ec)

• Bước 4: Áp dụng công thức Bayes để tính Xác suất hậu nghiệm (Posterior Probability):

P(E | I) = [ P(I | E) × P(E) ] / P(I)

3. Worked Example Cập Nhật Dự Báo Cổ Phiếu (Tự Biên Soạn)

Một quỹ đầu tư sử dụng mô hình trí tuệ nhân tạo (AI) để phát hiện các cổ phiếu có tiềm năng tăng trưởng vượt trội so với thị trường (Outperform):

• Xác suất tiền nghiệm: Trong toàn bộ thị trường, chỉ có 35.0% cổ phiếu thực sự Outperform (P(O) = 0.35 => P(Oc) = 0.65).

• Độ chính xác của mô hình AI: Nếu một cổ phiếu thực sự Outperform, mô hình phát tín hiệu 'BUY' với xác suất 80.0% (P(BUY | O) = 0.80). Nếu cổ phiếu không Outperform, mô hình vẫn phát tín hiệu 'BUY' sai (Dương tính giả) với xác suất 20.0% (P(BUY | Oc) = 0.20).

Mô hình vừa phát tín hiệu 'BUY' cho một cổ phiếu Z. Tính xác suất cổ phiếu Z thực sự Outperform:

1. Tính xác suất toàn phần xuất hiện tín hiệu BUY:

P(BUY) = P(BUY | O)P(O) + P(BUY | Oc)P(Oc) = (0.80 × 0.35) + (0.20 × 0.65) = 0.28 + 0.13 = 0.41 (41.0%).

2. Áp dụng định lý Bayes để tính xác suất hậu nghiệm P(O | BUY):

P(O | BUY) = [ P(BUY | O) × P(O) ] / P(BUY) = [ 0.80 × 0.35 ] / 0.41 = 0.28 / 0.41 = 0.682927 ≈ 68.29%.

Nhận xét: Trước khi có tín hiệu AI, xác suất cổ phiếu sinh lời vượt trội chỉ là 35.0%. Sau khi quan sát thấy tín hiệu 'BUY', xác suất đã được cập nhật tăng vọt lên 68.29%.

🔗 🧭 BẢN ĐỒ ĐIỀU HƯỚNG BÀI HỌC (INTERNAL LEARNING LINKS)

Bài tập trắc nghiệm

Câu 1/1

Xác suất một công ty đạt tăng trưởng lợi nhuận cao là 40% (P(H) = 0.40). Chuyên gia phân tích dự báo 'TĂNG' với xác suất 75% nếu công ty thực sự tăng trưởng cao, và dự báo 'TĂNG' với xác suất 25% nếu công ty không tăng trưởng cao. Nếu chuyên gia đưa ra dự báo 'TĂNG', xác suất công ty thực sự tăng trưởng cao là:

Đã trả lời 0/1

Câu hỏi thường gặp (FAQ)

Tại sao mẫu số P(Info) trong công thức Bayes lại là tổng của hai tích xác suất?

Vì thông tin mới I có thể xuất hiện trong 2 trường hợp: khi biến cố Event thực sự xảy ra, hoặc khi biến cố Event không xảy ra (dương tính giả). Mẫu số P(I) tính tổng xác suất của cả hai con đường này theo Quy tắc xác suất toàn phần.