Chương 1. Tổng quan nghiên cứu. Ở phan này nghiên cứu sẽ trình bày về lý do chọn dé tài nghiên cứu. Qua đó, chương | cũng trình bày về đối tượng nghiên cứu, mục tiêu nghiên cứu, phương pháp nghiên cứu, phạm vi nghiên cứu, ý nghĩa của nghiên cứu.
Đồng thời, bố cục của nghiên cứu cũng được trình bày ở chương này. Chương này cung cấp một cái nhìn tổng quan về học máy, và học máy trong lĩnh vực tài chính. Hơn nữa, chúng tôi đề cập đến mô hình Fama — French 5 nhân tổ như một lý thuyết nền tảng cho nghiên cứu. Phương pháp nghiên cứu.
Chương này tập trung vào phương pháp nghiên cứu của khóa luận được sử dụng đề thiết kế và chuẩn bị các kết quả thực nghiệm. Phương pháp nghiên cứu mô tả toàn bộ phương pháp ước lượng các hệ số hồi quy dựa trên mô hình chuỗi thời gian nhằm phát triển một mô hình hiệu quả tạo ra các dự báo chính xác cho các bộ dữ liệu tài chính. Nó bao gồm các bước thu thập dữ liệu, làm sạch dữ liệu, quy trình học tập và đánh giá hiệu suất. Kết quả nghiên cứu.
Chương này báo cáo các kết quả thực nghiệm rút ra từ các phương pháp luận được đề xuất. Phân tích so sánh được thực hiện nhằm mục đích chọn một mô hình cung cấp kết quả tốt nhất dựa trên thang đo RMSE. Ngoài ra, việc xem xét chỉ tiết các kết quả thống kê mô tả, tương quan của tập dữ liệu được trình bày trong chương này. Chương này tóm tắt toàn bộ công việc nghiên cứu bao gồm các thảo luận, kết luận, những hạn chế cũng như tính khả thi của những cải tiến tiềm năng của nghiên cứu và những dé xuất để có thé mở rộng nghiên cứu trong tương lai.
CƠ SỞ LÝ THUYET Tóm tắt. Chương này trình bày tổng quan về học máy và ứng dụng học máy trong lĩnh vực tài chính. Bên cạnh đó, chúng tôi đề cập đến mô hình Fama — French 5 nhân tố như một lý thuyết nền tảng dé thực hiện nghiên cứu. Định nghĩa và phân loại Học máy là một lĩnh vực của trí tuệ nhân tạo và được ứng dụng nhiều trong phân tích dữ liệu tài chính.
Các thuật toán học máy sử dụng dữ liệu lich sử làm đầu vào dé dự đoán các giá trị đầu ra mới. Học máy là một tập hợp con của khoa học dữ liệu cung cấp khả năng học hỏi và cải thiện từ kinh nghiệm mà không cần được lập trình [21]. Máy học cổ điển thường được phân loại theo cách một thuật toán học để trở nên chính xác hơn trong các dự đoán của nó. Có bốn cách tiếp cận cơ bản: học có giám sát, học không giám sát, học bán giám sát và học tăng cường.
Thuật toán mà các nhà khoa học chọn phụ thuộc vào loại dữ liệu mà họ muốn dự đoán. ¢ Hoc có giám sát: Trong loại học máy này, các nhà khoa học dữ liệu cung cấp các thuật toán với dữ liệu huấn luyện được gắn nhãn và xác định các biến mà họ muốn thuật toán đánh giá dé tìm mối tương quan. Ca đầu vào và đầu ra của thuật toán đều được chỉ định. e Hoc không giám sát: Loại học máy này liên quan đến các thuật toán đảo tạo trên dữ liệu không được gắn nhãn.
Thuật toán quét qua các tập dữ liệu dé tìm kiếm các đặc trưng có mối quan hệ với nhau. Dữ liệu trong quá trình dao tạo cũng như các dự đoán hoặc khuyến nghị được xác định trước. ¢ Hoc bán giám sát: Cách tiếp cận này là sự kết hợp giữa học có giám sát và học không giám sát. Phương pháp này sử dụng dữ liệu đã gán nhãn và chưa gán nhãn để phát trién mô hình.
Chúng ta có thể xác định thuật toán chủ yếu dựa trên tập đữ liệu huấn luyện được gắn nhãn, tiếp theo mô hình có thể tự động thăm dò dữ liệu dé cải thiện độ chính xác. ¢ Hoc tăng cường: Các nhà khoa học dữ liệu thường sử dụng học tăng cường dé dạy máy hoàn thành quy trình gồm nhiều bước trong đó có các quy tắc được xác định rõ ràng. Các nhà khoa học dữ liệu lập trình một thuật toán để hoàn thành một nhiệm vụ và cung cấp cho nó những dấu hiệu tích cực hoặc tiêu cực khi nó tìm ra cách hoàn thành một nhiệm vụ. Nhưng phần lớn, thuật toán tự quyết định những bước cần thực hiện trong quá trình thực hiện.
Ung dụng của học máy Ngày nay, học máy được sử dụng trong một loạt các ứng dụng. Có lẽ một trong những ví dụ nồi tiếng nhất về hoạt động của học máy là công cụ đề xuất cung cấp năng lượng cho nguồn cấp tin tức của Facebook. Facebook sử dụng công nghệ học máy đề cá nhân hóa cách thức phân phối nguồn cấp dữ liệu của mỗi thành viên. Nếu một thành viên thường xuyên dừng lại để đọc bài đăng của một nhóm cụ thể, công cụ đề xuất sẽ bắt đầu hiển thị nhiều hoạt động của nhóm đó sớm hon trong nguồn cấp dữ liệu.
Ngoài các công cụ đề xuất, các ứng dụng khác cho học máy bao gồm: © Quan trị quan hệ khách hàng. Phần mềm quan trị quan hệ khách hàng có thé sử dụng mô hình học máy đề phân tích email và nhắc nhở các thành viên trong nhóm bán hàng trả lời những thông điệp quan trọng nhất trước. Các hệ thống nâng cao hơn thậm chí có thé dé xuất các phản hồi tiềm năng hiệu quả. e Tài chính: Các ngân hàng, công ty môi giới giao dich và công ty fintech sử dụng thuật toán học máy để tự động hóa giao dịch và cung cấp dịch vụ tư vấn tài chính cho các nhà đầu tư.
Bank of America đang sử dụng một chatbot, Erica, để tự động hóa hỗ trợ khách hàng. e Cham sóc sức khỏe: học máy được sử dung dé phân tích các bộ dữ liệu chăm sóc sức khỏe khổng lồ nhằm đầy nhanh việc khám phá các phương pháp điều trị và chữa bệnh, cải thiện kết quả của bệnh nhân và tự động hóa các quy trình thường quy đề ngăn ngừa sai sót của con người. Vi dụ: Watson của IBM sử dụng khai thác dit liệu dé cung cấp dữ liệu bác sĩ mà họ có thé sử dụng để cá nhân hóa việc điều trị cho bệnh nhân. e Phát hiện gian lận: AI dang được sử dụng trong lĩnh vực tài chính và ngân hang dé tự động phân tích số lượng lớn các giao dịch nhằm phát hiện hoạt động gian lận trong thời gian thực.
Công ty dịch vụ công nghệ Capgemini tuyên bố rằng các hệ thống phát hiện gian lận sử dụng học máy và phân tích giảm thiểu thời gian điều tra gian lận tới 70% và cải thiện độ chính xác của việc phát hiện lên 90%. ¢ Ban lẻ: Các nhà nghiên cứu và phát triển AI đang sử dụng thuật toán học máy dé phát triển các công cụ dé xuất AI đưa ra các dé xuất sản phẩm có liên quan dựa trên các lựa chọn trước đây của người mua, cũng như dữ liệu lịch sử, địa lý và nhân khẩu học. e - Hệ thống thông tin nguồn nhân lực: Hệ thống quản trị nguồn nhân lực có thể sử dụng mô hình học máy đề lọc thông qua các ứng dụng và xác định các ứng viên tốt nhất cho một vị trí mở. © Xe ô tô tự lái: Các thuật toán học máy thậm chí có thể giúp một chiếc xe bán tự hành có thể nhận ra một đối tượng có thể nhìn thấy một phần và cảnh báo cho người lái xe.
¢ Trợ lý ảo: Trợ lý thông minh thường kết hợp các mô hình học máy có giám sát và không giám sát để diễn giải giọng nói tự nhiên và ngữ cảnh cung cấp. Học máy trong tài chính Học máy được áp dụng cho các van đề kinh tế có thé dược bắt nguồn từ đầu năm 1974 mặc dù chỉ là một đề cập đơn thuần trong phần tóm tắt của nghiên cứu [22]. Bài báo đầu tiên mà chúng tôi xem qua thực sự áp dụng phương pháp học máy riêng cho một van đề kinh tế là nghiên cứu của Wang và cộng sự [23]. Bài báo chấp nhận thuật ngữ AI, và thuật ngữ chính xác đáng lẽ phải là học máy.
Năm 1988, White [24] đã xuất bản một bài báo liên quan đến ứng dụng mạng thần kinh đề dự báo lợi nhuận hàng ngày của cô phiếu IBM. Kể từ đó, sự xuất hiện của học máy trong kinh tế học tăng dần đều. Ban đầu, nó được áp dụng trong dự báo chuỗi thời gian tài chính, nơi các bộ dữ liệu dài được phổ biến rộng rãi. Cần có các hệ thống học máy từ thời đó - dé đào tạo hiệu quả - các bộ dữ liệu mở rộng không tồn tại trong các lĩnh vực kinh tế học khác.
Hơn nữa, việc đào tạo rất tốn thời gian do khả năng xử lý tương đối thấp của các máy tính thời kỳ đó. Ngày nay, việc sử dụng nhiều kiến trúc học máy mới không yêu cầu các tập dữ liệu dài một cách bat hợp lý, là một con đường thú vị và rất hứa hen trong dự báo kinh tế. Day là trường hợp không chỉ đối với các van đề tài chính mà còn cả các ứng dụng kinh tế vĩ mô hoặc kinh tế vi mô, nơi các tập dữ liệu vốn có giới hạn về kích thước. Kết quả là, các ứng dụng học máy gần đây trong các chu kỳ kinh doanh và dự báo suy thoái đường như rất thành công so với các mô hình thực nghiệm truyền thống.
Hiện tại, chúng ta gặp phải những phương pháp luận mới hợp nhất và kết hợp Kinh tế lượng với học máy (tức là Garch — SVM). Hơn nữa, điều thú vị là các kỹ thuật học máy và quy trình thực nghiệm như xác thực chéo hiện đang phổ biến và được áp dụng đều đặn cho các phương pháp luận kinh tế lượng truyền thống. Học máy trong tài chính hiện được coi là một khía cạnh quan trọng của một số dịch vụ và ứng dụng tài chính, bao gồm quản lý tài sản, đánh giá mức độ rủi ro, tính toán điểm tín dụng và thậm chí phê duyệt các khoản vay. Học máy có xu hướng chính xác hơn trong việc rút ra thông tin chỉ tiết và đưa ra dự đoán khi lượng lớn đữ liệu được đưa vào hệ thống.
Ví dụ: ngành dịch vụ tài chính có xu hướng gặp phải khối lượng dữ liệu khổng 16 liên quan đến các giao dich hàng ngày, hóa đơn, thanh toán, nhà cung cấp và khách hàng, những dữ liệu này hoàn hảo cho học máy.