Một người phát triển trong 100 ngày bằng AI: trình mô phỏng giá căn hộ (Web/iOS/Android)

Xin chào. Tôi là một kỹ sư đang phát triển APT Insights, dịch vụ phân tích thị trường căn hộ Hàn Quốc và mô phỏng giá.

Trong thời gian dài, tôi chủ yếu phụ trách phát triển frontend và trực quan hóa dữ liệu, nên hạ tầng backend, hàng đợi bất đồng bộ, thống kê và mô hình dự báo chuỗi thời gian đều là những lĩnh vực rất xa lạ với tôi. Tôi cũng không ngờ có ngày tự mình xây dựng cả mô hình dự báo giá, nhưng nhờ chủ động cộng tác với AI agent, tôi đã vượt qua các giới hạn kỹ thuật và hoàn thành việc phát triển solo trong khoảng 100 ngày, với tiến độ được dẫn dắt 100% bởi AI agent.

Khi con lớn dần, tôi bắt đầu tìm hiểu thị trường căn hộ để chuẩn bị một nơi an cư lâu dài cho gia đình, và ban đầu dự án chỉ là một toy project cá nhân để mô phỏng giá tương lai của các khu căn hộ đang được cân nhắc để ở thực. Sau đó, dự án được mở rộng thành một dịch vụ bao phủ các khu căn hộ trên toàn quốc thông qua việc phản ánh các biến số kinh tế vĩ mô, mô hình hóa thống kê và nâng cấp stack hạ tầng serverless. Gần đây, không chỉ web/PWA mà cả ứng dụng native chính thức trên iOS App Store và Google Play Store cũng đã được ra mắt, và tôi chia sẻ miễn phí không có quảng cáo.

1. Giới hạn overfitting của đáp án điểm duy nhất (Point Forecast) và định nghĩa bài toán

Phương pháp ước tính giá và dự báo điểm đơn lẻ (Point Forecast) hiện có rất dễ bị overfitting vào câu hỏi “24 tháng nữa căn hộ này sẽ chính xác có giá bao nhiêu”. Đó là vì thị trường bất động sản chịu ảnh hưởng lớn từ các biến số vĩ mô như lãi suất, tỷ giá, nợ hộ gia đình và chính sách.

Vì vậy, thay vì đưa ra một con số đáp án duy nhất, tôi đánh giá rằng việc tính toán khoảng trung tâm 50% (P25 ~ P75) thông qua mô phỏng xác suất dựa trên kịch bản sẽ thực tế hơn.

2. Mô hình hóa thống kê & cấu trúc mô phỏng

Để giải quyết điều này, tôi đã thiết kế engine dự báo theo 3 trục lớn.

16 yếu tố vĩ mô, cấu trúc và khu vực đang hoạt động: Kết hợp thống kê chính thức ECOS của Ngân hàng Trung ương Hàn Quốc (lãi suất, tỷ giá, nợ hộ gia đình, chi phí xây dựng) với các chỉ số định tính và khu vực (chính sách, tâm lý, vị trí...), đồng thời khôi phục snapshot dữ liệu ở các thời điểm trong quá khứ để đảm bảo tính nhất quán theo thời điểm.
Hiệu chỉnh phần dư VECM (mô hình hiệu chỉnh sai số vector): Thực hiện hiệu chỉnh theo thời điểm chuyển nhà và môi trường thị trường, đồng thời áp dụng lớp hiệu chỉnh động lượng phần dư của mô hình hiệu chỉnh sai số vector (VECM) để duy trì quan hệ cân bằng dài hạn.
Mô phỏng Monte Carlo & nội suy quỹ đạo dự báo điểm: Tính toán các kịch bản giá trong tương lai 24 tháng thành dải xác suất P25 ~ P75 thông qua nội suy quỹ đạo dự báo điểm và mô phỏng Monte Carlo.

3. Hiệu năng mô hình định lượng và backtest OOS minh bạch

Để đảm bảo khả năng khái quát hóa và độ tin cậy của mô hình, tôi định kỳ thực hiện backtest Forward OOS kiểm chứng ngoài mẫu cho tương lai 12 tháng đối với các khu căn hộ cohort đánh giá đại diện và các khu căn hộ mẫu dùng để kiểm chứng khả năng khái quát hóa.

MAPE giá của mẫu giữ lại trong Forward OOS 12 tháng: 6.32% (theo cohort đánh giá chính thức)
R^2 hiệu chỉnh của mẫu giữ lại: 0.610 (theo kiểm chứng backtest cohort)
Cổng chất lượng kiểm chứng: đã vượt qua toàn bộ
Kiểm chứng OOS mỗi ngày với 5 khu căn hộ ngẫu nhiên & làm nổi bật trên trang chính: Trên trang whitepaper kỹ thuật, tôi công khai minh bạch kết quả backtest Forward OOS 12 tháng của 5 khu căn hộ được chọn ngẫu nhiên mỗi ngày, và trong số đó, 1 khu có sai số trung vị (Median) sẽ được tự động làm nổi bật trên màn hình chính dưới tên Căn hộ được kiểm chứng hôm nay.
Ngăn thiên lệch mẫu: Tôi cũng theo dõi riêng các khu căn hộ mẫu khái quát hóa không nằm trong cohort đánh giá, để liên tục kiểm chứng khả năng khái quát hóa ra các khu căn hộ trên toàn quốc mà không bị lệch theo dữ liệu huấn luyện.

4. Ra mắt chính thức trên App Store/Google Play và xây dựng đa nền tảng

Trong một môi trường monorepo duy nhất (pnpm workspace + Turborepo), tôi đã đảm bảo khả năng truy cập trên nhiều thiết bị và phát hành chính thức trên web, PWA, iOS App Store và Android Google Play Store.

Một pipeline duy nhất cho Web / PWA / Native WebView: Dùng hạ tầng Next.js(Vercel) làm máy chủ chính, rồi mở rộng sang môi trường ứng dụng native iOS/Android thông qua đóng gói bằng Capacitor và tích hợp plugin native.
Giải quyết social login và vấn đề in-app browser: Khi đăng nhập bằng Kakao, Apple, Google, tôi xây dựng luồng xác minh OIDC Nonce và chuyển giao thông tin xác thực native SDK ↔ server (Handoff) để giải quyết vấn đề bị chặn bởi in-app browser. (Áp dụng fallback email ảo khi chưa đồng ý nhận mail Kakao)
Toolchain tự động đồng bộ asset: Tự động tạo asset cho splash PWA (40 độ phân giải), launcher/splash Android, và biểu tượng ứng dụng iOS chỉ từ 1 nguồn SVG.
Pipeline push dự phòng kép: Khi dự báo của khu căn hộ quan tâm thay đổi, Web Push và push native của OS (FCM/APNs) sẽ được phân nhánh theo 2 cấp độ quan trọng (Strong/Normal) và gửi hàng loạt qua pipeline bất đồng bộ Cloudflare Queue / QStash.

5. Xử lý sự cố hạ tầng và bài học từ phát triển do AI dẫn dắt

Tôi phát triển độc lập với kiến trúc hybrid serverless (Next.js + Neon Postgres + Cloudflare Workers + Hono + Cloudflare Queue / Upstash Redis), đồng thời tối thiểu hóa chi phí cố định hàng tháng.

Đảm bảo tính nhất quán giữa huấn luyện và phục vụ: Tôi phát hiện ra sự không khớp giữa huấn luyện và phục vụ (Train/Serve Skew), khi cổng độ mới dữ liệu (Recency) thay đổi do chênh lệch số ngày giữa ngày chuẩn của cửa sổ mẫu trong lúc backtest/huấn luyện và ngày giao dịch mới nhất trong lúc serving; sau đó đạt được sự nhất quán hoàn toàn giữa serving và backtest bằng cách tách ngày chuẩn cửa sổ mẫu và căn chỉnh tham số tái hiện quá khứ (as-of).
Catalog xây dựng trễ theo nhu cầu: Thay vì thu thập sẵn toàn bộ căn hộ trên cả nước gây lãng phí chi phí, tôi kết nối pipeline chỉ xây dựng trễ một cách bất đồng bộ catalog khu vực (si/gun/gu) nơi người dùng truy cập và dữ liệu giao dịch thực của các khu căn hộ được quan tâm.
Tự động tích lũy mẫu vi phạm chất lượng: Tôi xây dựng pipeline tự chẩn đoán bằng cách tích lũy các mẫu bất thường bị mắc kẹt ở cổng sai số trong batch kiểm chứng ngẫu nhiên vào kho lưu trữ append-only, rồi dùng chúng làm các mẫu ưu tiên cải thiện hàng đầu trước khi tinh chỉnh mô hình.
Vượt qua giới hạn bộ nhớ của Upstash Redis: Khi chạm tới giới hạn bộ nhớ do dữ liệu JSON gốc trong quá trình backfill khối lượng lớn, agent đã trực tiếp tách cấu trúc sang truy vấn động thời gian thực (Live fetch), qua đó chặn thất thoát chi phí hạ tầng.
Hiệu chỉnh trần trọng số chính sách: Tôi đã sửa vấn đề trọng số chính sách cho vay tăng bất thường ở một số khu căn hộ thuộc dải giá nhất định bằng cách đưa vào công thức calibration giới hạn trần.

Nếu bạn có phản hồi hoặc thắc mắc về mô hình hóa chuỗi thời gian bất động sản, mô phỏng VECM/Monte Carlo, hoặc hạ tầng hybrid serverless/Capacitor, rất mong được trao đổi thoải mái qua phần bình luận.

Trang chính: https://apt-insights.com
Whitepaper kỹ thuật: https://apt-insights.com/model
Ứng dụng web: https://app.apt-insights.com