Chương 1: Giới thiệu nghiên cứu Chương 2: Cơ sở lý thuyết Chương 3: Phương pháp nghiên cứu Chương 4: Kết quả nghiên cứu Chương 5: Kết luận và khuyến nghị 8 Chương 2: CƠ SỞ LÝ THUYẾT 2. Tổng quan về học máy (Machine learning) Theo (A. Samuel 1959), học máy (machine learning– ML) là một nhánh của khoa học và cả nghệ thuật của việc lập trình máy tính để máy tính có thể học hỏi từ dữ liệu. Bằng việc sử dụng các kỹ thuật thống kê cho phép máy tính học mà không cần được lập trình một cách rõ ràng.
Theo Klaas, Jannes (2019), ML mang đến một phương pháp tiếp cận mới trong việc phát triển phần mềm. Trong khi các chương trình máy tính hiện nay chủ yếu do con người xây dựng, với các kỹ sư phần mềm cẩn thận thiết kế và mã hóa từng quy tắc hoạt động của phần mềm, học máy lại khác biệt ở chỗ nó cho phép máy tính tự tạo ra các quy tắc thông qua quá trình phát hiện mẫu. Một trong những ứng dụng đầu tiên của ML được sử dụng để phân loại và lọc ra email rác dựa trên các đặc tính như: thời gian tài khoản được thành lập, căn cứ vào số lượng email được gửi đi và từ khóa trong các email. Tiếp theo đó, ML được ứng dụng để nhận diện khuôn mặt dựa trên dữ liệu có sẵn.
Qua nhiều thập kỷ phát triển và đổi mới công nghệ, ML đã trở thành một lĩnh vực quan trọng trong nhiều nghiên cứu khoa học và ứng dụng công nghiệp. Đặc biệt, ML phù hợp đối với những ngành có các mẫu trong dữ liệu phức tạp, đa chiều như ngành dịch vụ tài chính. Ngành dịch vụ tài chính có bản chất là một ngành xử lý thông tin. Quỹ đầu tư sử dụng ML để tiến hành xử lý thông tin, tối đa hóa danh mục đầu tư và dự báo nhằm đánh giá các cơ hội đầu tư, các công ty chứng khoán sử dụng ML để phát hiện gian lận tài chính, công ty bảo hiểm dựa vào thông tin để định giá các hợp đồng bảo hiểm, và ngân hàng bán lẻ thì xử lý thông tin để quyết định sản phẩm nào sẽ được cung cấp cho khách hàng nào.
Chính vì lý do này, việc ngành tài chính sớm áp dụng ML trong quá trình phân tích, dự báo và đưa ra đánh giá là điều dễ hiểu. Các mô hình học máy được chia thành 3 nhánh chính, tùy thuộc vào cách tiếp cận: học có giám sát, học không giám sát và học tăng cường, mỗi dạng phục vụ cho các mục đích nghiên cứu riêng biệt.1: Phân loại các mô hình học máy vê Học có giám sát (supervised learning) nghiên cứu mối liên hệ giữa các biến dự đoán và kết quả từ các tập dữ liệu huấn luyện có nhãn, rồi áp dụng quy tắc học được để xây dựng mô hình phân loại dữ liệu mới Russell và cộng sự (2010). Học có giám sát chủ yếu gồm hai phương pháp: phân loại và hồi quy. Mô hình phân loại dự đoán kết quả theo danh mục, như chẩn đoán của bác sĩ, còn mô hình hồi quy dự đoán kết quả liên tục, chẳng hạn như điểm hoạt động của bệnh.2: Học có giám sát Nguồn: (Jain 2023) Trái lại, học không giám sát (unsupervised learning) được dùng để khám phá các mẫu ẩn trong dữ liệu huấn luyện không có nhãn.
Các phương pháp phân cụm 10 phân cấp, phân cụm K-means và mô hình hỗn hợp Gaussian, là những phương pháp phổ biến nhất để tập hợp dữ liệu vào các cụm chưa rõ trước đó. Phân cụm không giám sát đóng vai trò quyết định trong nhiều nghiên cứu phân tầng bệnh nhân và xác định các loại bệnh phụ Mossotto et al. (2017); Orange et al. (2018) (David Martín-Gutiérrez and Gustavo Hernández-Peñaloza n.3: Học không giám sát Nguồn: (Jain 2023) Cuối cùng, học tăng cường (reinforced learning) được lập trình để tự học, tự điều chỉnh thông qua phản hồi từ môi trường, giúp cải thiện chức năng mô hình mà không cần dữ liệu có nhãn Kaelbling, Littman, and Moore (1996).
Điều này đồng nghĩa với việc máy tính sẽ tự tiếp xúc với môi trường, tự huấn luyện mình bằng cách liên tục thử và sai để tự học hỏi và rút ra kinh nghiệm từ quá khứ và tiếp tục cố gắng nắm bắt các kiến thức một cách tốt nhất có thể nhằm đưa ra được những quyết định chính xác.4: Học tăng cường Nguồn: (Jain 2023) Nhìn chung, ML trong lĩnh vực tài chính giúp người dùng tối ưu hóa việc thu thập và xử lý các dữ liệu lớn, phân tích và đưa ra các lựa chọn đầu tư thông qua việc 11 ứng dụng các mô hình học máy để phân tích và dự báo dựa trên dữ liệu lịch sử. Giúp người dùng tiết kiệm thời gian, tối ưu hóa hiệu suất thông qua việc tự động hóa trong quá trình giao dịch chứng khoán, quản lý rủi ro tín dụng và tư vấn đầu tư. Tổng quan lý thuyết về các mô hình học máy 2. Linear Regression Linear Regression (hồi quy tuyến tính) là một thuật toán thuộc nhóm học có giám sát (supervised learning).
Đây là một trong những mô hình được sử dụng rộng rãi với mục đích tiên đoán dữ liệu (learning predictive modeling), điều tra các mối quan hệ giữa biến mục tiêu và một hoặc nhiều biến độc lập. Khi chỉ có một biến độc lập, thuật toán này được gọi là Hồi quy tuyến tính đơn biến (Simple Linear Regression): y = β0 + β1 X Trong đó: • y: biến phụ thuộc; • X: biến độc lập; • β0: hệ số chặn (intercept); • β1: hệ số góc (slope). Khi có nhiều hơn một biến độc lập, nó được gọi là Hồi quy tuyến tính đa biến (Multiple Linear Regression). y = β0 + β1X1 + β2 X2 + ⋯ + βnXn Trong đó: • y: biến phụ thuộc; • X1, X2,…, Xn: các biến độc lập, là các giá trị trong bộ dữ liệu; • β0 : hệ số chặn (intercept); • β1, β2,…, βn: các trọng số.
Mục tiêu của thuật toán là tìm phương trình đường thẳng tốt nhất có thể dự đoán các giá trị dựa trên các biến độc lập, điều này đồng nghĩa với việc sai số giữa 12 giá trị dự đoán và giá trị thực tế phải được giữ ở mức tối thiểu. Đường thẳng phù hợp nhất sẽ có sai số nhỏ nhất với biến phụ thuộc là giá trị liên tục, còn các biến độc lập có thể liên tục hoặc rời rạc. Mối quan hệ được mô hình hóa dưới dạng tuyến tính, sau đó được huấn luyện và điều chỉnh các hệ số β cho phù hợp với mẫu và được phù hợp bằng cách sử dụng phương pháp số dư bình phương, làm sao để tối thiểu tổng phương sai.5: Phương pháp bình phương nhỏ nhất Nguồn: Lê Hoàng Anh (2022) Hồi quy tuyến tính là một công cụ hữu ích trong việc phân tích và dự báo hành vi của một biến số, nhưng để đảm bảo kết quả chính xác và đáng tin cậy, mô hình này cần đáp ứng một số điều kiện như: tính tuyến tính giữa biến độc lập và biến phụ thuộc, tính độc lập của các quan sát, tính đồng nhất của phương sai,…Với ưu điểm khá dễ hiểu, tốc độ giải thuật rất nhanh và kết quả khá tối ưu đã đáp ứng các điều kiện cần giúp mô hình này đạt được độ phổ biến cao. Tuy nhiên, Linear Regression vẫn có nhiều hạn chế như không thể biểu diễn được các mô hình phức tạp hay không thể mô hình hóa các mối quan hệ phi tuyến tính và khá nhạy cảm với các dữ liệu nhiễu (outliner).
Có hai phép đo lường rất quan trọng được sử dụng để định lượng và xác định mức độ chính xác của mô hình hồi quy tuyến tính là: lỗi bình phương trung bình (Mean Squared Error – MSE) và R2 (tỷ lệ phần trăm biến thiên của biến phụ thuộc y được giải thích bằng mô hình tuyến tính) 13 Các ứng dụng tiêu biểu của Linear regression là hệ thống chấm điểm tín dụng của các ngân hàng, dự báo tài chính, dự đoán chi phí,… Biểu đồ 2.1: Các bước thực hiện mô hình Linear regression Chia tỷ lệ tập Huấn luyện Tính MSE Tạo tập dữ Kiểm tra huấn luyện model So sánh R- của output liệu input và model và tập kiểm (training square (test & output (testing data) tra data) predict) Nguồn: tác giả tổng hợp 2. Random Forest Thuật toán Rừng Ngẫu Nhiên (Random Forest) là một kỹ thuật học có giám sát được ứng dụng rộng rãi trong lĩnh vực học máy. Về bản chất, quá trình hoạt động của thuật toán này là việc tạo ra nhiều cây quyết định (Decision Trees) trong quá trình huấn luyện. Với nhược điểm chính của Decision Trees là xu hướng quá khớp (overfitting) dữ liệu huấn luyện, sự ra đời của Random Forest được xem là một giải pháp khi mỗi cây được xây dựng dựa trên một tập hợp con ngẫu nhiên của tập dữ liệu ban đầu, đồng thời đo lường một tập hợp con ngẫu nhiên của các đặc trưng trong mỗi phân vùng.
Sự ngẫu nhiên này làm tăng tính đa dạng giữa các cây, giảm thiểu nguy cơ quá khớp và giữ lại được sức mạnh dự đoán của cây giúp cải thiện hiệu suất dự đoán tổng thể.6: Random Forest Nguồn: (Random Forest Algorithm in Machine Learning - GeeksforGeeks n.) Random Forest là một thuật toán thuộc nhóm Supervised learning nổi bật trong lĩnh vực học máy, với nhiều đặc điểm giúp nâng cao hiệu suất dự đoán và phân loại dữ liệu. Một trong những đặc điểm nổi bật là giảm thiểu hiện tượng quá khớp bằng cách sử dụng trung bình các dự đoán của nhiều cây quyết định. Điều này giúp mô hình có khả năng tổng quát hóa tốt hơn, không bị ảnh hưởng quá nhiều bởi các biến động trong dữ liệu huấn luyện. Ngoài ra, độ chính xác của Random Forest khá cao khi nó sử dụng một tập hợp các cây quyết định giúp mô hình đạt được độ chính xác cao trong dự đoán.
Mỗi cây quyết định sẽ đóng góp một phần vào dự đoán cuối cùng, tạo nên một mô hình mạnh mẽ hơn so với việc chỉ sử dụng một cây duy nhất. Tuy nhiên, việc mô hình có nhiều cây quyết định cũng đồng nghĩa với việc khối lượng công việc nó cần phải xử lý nhiều hơn khi tất cả các cây trong rừng phải đưa ra dự đoán cho cùng một đầu vào và tiếp tục bỏ phiếu trên đó. Điều này khiến Random Forest hoạt động khá chậm và tốn thời gian hơn so với các mô hình đơn giản khác.2: Các bước thực hiện mô hình Random Forest Chọn mẫu Xây dựng cây Nhận kết quả Thực hiện bỏ Chọn kết quả ngẫu nhiên quyết định dự đoán từ phiếu cho dự đoán có từ tập dữ cho các mẫu mỗi cây từng kết quả nhiều phiếu liệu được chọn quyết định dự đoán nhất Nguồn: tác giả tổng hợp 2.