Ứng Dụng AI Trong Dự Đoán Nhu Cầu Mở Tài Khoản Chứng Khoán

Trí tuệ nhân tạo (AI) đã trở thành một công cụ mạnh mẽ trong lĩnh vực tài chính, đặc biệt là trong việc dự đoán nhu cầu… 71 trang · Học viện Ngân hàng · 2023.

• Tác giả: Nhóm 6
• Người hướng dẫn: Cô Triệu Thu Hương
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Trí tuệ nhân tạo
• Đề tài: Ứng Dụng AI Dự Đoán Nhu Cầu Mở Tài Khoản Chứng Khoán
• Loại tài liệu: Bài tập lớn
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ LÝ THUYẾT
• 1.1. Giới thiệu chung về AI
• 1.2. Giới thiệu tổng quan về thuật toán Hồi quy tuyến tính và Cây quyết định
• 1.3. Thuật toán Hồi quy tuyến tính
• 1.4. Thuật toán Cây quyết định (Decision Tree)
• 2. CHƯƠNG 2: THỰC TRẠNG VÀ LÝ DO CHỌN BÀI TOÁN DỰ ĐOÁN NHU CẦU MỞ TÀI KHOẢN CHỨNG KHOÁN
• 2.1. Phát biểu bài toán và lí do chọn bài toán
• 2.2. So sánh các giải pháp truyền thống và giải pháp ứng dụng AI
• 3. CHƯƠNG 3: GIẢI PHÁP THỰC HIỆN BÀI TOÁN DỰ ĐOÁN NHU CẦU MỞ TÀI KHOẢN CHỨNG KHOÁN
• 3.1. Phân tích thuộc tính dữ liệu
• 3.2. Mô tả các thuộc tính các dữ liệu cần thu thập
• 3.3. Xác định kiểu dữ liệu và giá trị minh họa
• 3.4. Cách thức thu thập dữ liệu
• 3.5. Mã lệnh chương trình
• 3.6. So sánh các kịch bản
• 3.7. Thuật toán Cây quyết định
• 3.8. Thuật toán Hồi quy tuyến tính
• 3.9. So sánh các thử nghiệm
• 3.10. Tính khả thi khi áp dụng thực tế
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng trí tuệ nhân tạo trong dự đoán nhu cầu mở tài khoản chứng khoán

Trí tuệ nhân tạo (AI) đã trở thành một công cụ mạnh mẽ trong lĩnh vực tài chính, đặc biệt là trong việc dự đoán nhu cầu mở tài khoản chứng khoán. Việc áp dụng AI giúp các công ty chứng khoán tối ưu hóa quy trình tìm kiếm khách hàng tiềm năng. Mô hình dự đoán dựa trên dữ liệu lớn cho phép phân tích hành vi của khách hàng, từ đó đưa ra những dự đoán chính xác hơn về nhu cầu mở tài khoản. Sự phát triển của công nghệ AI không chỉ giúp tiết kiệm thời gian mà còn nâng cao hiệu quả công việc trong ngành tài chính.

1.1. Trí tuệ nhân tạo trong tài chính Khái niệm và ứng dụng

Trí tuệ nhân tạo trong tài chính không chỉ dừng lại ở việc dự đoán mà còn bao gồm nhiều ứng dụng khác như phân tích dữ liệu tài chính, tối ưu hóa quy trình giao dịch và quản lý rủi ro. AI giúp các công ty chứng khoán hiểu rõ hơn về nhu cầu của khách hàng và đưa ra các giải pháp phù hợp.

1.2. Lợi ích của việc ứng dụng AI trong dự đoán nhu cầu mở tài khoản

Việc ứng dụng AI trong dự đoán nhu cầu mở tài khoản chứng khoán mang lại nhiều lợi ích như tăng cường độ chính xác trong dự đoán, tiết kiệm chi phí và thời gian, đồng thời nâng cao trải nghiệm khách hàng. Các công ty có thể dễ dàng xác định đối tượng tiềm năng và tối ưu hóa chiến lược tiếp thị.

II. Vấn đề và thách thức trong dự đoán nhu cầu mở tài khoản chứng khoán

Mặc dù việc ứng dụng AI trong dự đoán nhu cầu mở tài khoản chứng khoán mang lại nhiều lợi ích, nhưng cũng tồn tại không ít thách thức. Các công ty chứng khoán phải đối mặt với việc thu thập và phân tích dữ liệu chính xác, cũng như đảm bảo tính bảo mật thông tin khách hàng. Ngoài ra, việc hiểu rõ hành vi và tâm lý của khách hàng cũng là một yếu tố quan trọng trong việc xây dựng mô hình dự đoán hiệu quả.

2.1. Thách thức trong việc thu thập dữ liệu chính xác

Việc thu thập dữ liệu chính xác là một trong những thách thức lớn nhất trong việc dự đoán nhu cầu mở tài khoản. Các công ty cần phải có các phương pháp hiệu quả để thu thập thông tin từ khách hàng mà không xâm phạm quyền riêng tư của họ.

2.2. Vấn đề bảo mật thông tin khách hàng

Bảo mật thông tin khách hàng là một yếu tố quan trọng trong ngành tài chính. Các công ty chứng khoán cần phải đảm bảo rằng dữ liệu khách hàng được bảo vệ an toàn và không bị rò rỉ ra ngoài, điều này có thể ảnh hưởng đến uy tín của công ty.

III. Phương pháp xây dựng mô hình dự đoán nhu cầu mở tài khoản chứng khoán

Để xây dựng mô hình dự đoán nhu cầu mở tài khoản chứng khoán, các công ty cần áp dụng các thuật toán học máy như hồi quy tuyến tính và cây quyết định. Những thuật toán này giúp phân tích dữ liệu và đưa ra dự đoán chính xác về nhu cầu của khách hàng. Việc lựa chọn thuật toán phù hợp sẽ ảnh hưởng lớn đến độ chính xác của mô hình.

3.1. Thuật toán hồi quy tuyến tính Cách thức hoạt động

Thuật toán hồi quy tuyến tính giúp xác định mối quan hệ giữa các biến độc lập và biến phụ thuộc. Bằng cách phân tích dữ liệu lịch sử, mô hình này có thể dự đoán nhu cầu mở tài khoản dựa trên các yếu tố như độ tuổi, giới tính và thu nhập.

3.2. Cây quyết định Phương pháp phân tích dữ liệu hiệu quả

Cây quyết định là một phương pháp học máy mạnh mẽ giúp phân tích dữ liệu và đưa ra quyết định dựa trên các thuộc tính của khách hàng. Mô hình này dễ hiểu và có thể áp dụng cho nhiều loại dữ liệu khác nhau, từ đó giúp dự đoán nhu cầu mở tài khoản một cách chính xác.

IV. Ứng dụng thực tiễn của mô hình dự đoán nhu cầu mở tài khoản chứng khoán

Mô hình dự đoán nhu cầu mở tài khoản chứng khoán đã được áp dụng thành công tại nhiều công ty chứng khoán. Các công ty này đã sử dụng mô hình để tối ưu hóa quy trình tiếp cận khách hàng, từ đó nâng cao hiệu quả kinh doanh. Kết quả cho thấy, việc ứng dụng AI không chỉ giúp tăng cường độ chính xác trong dự đoán mà còn cải thiện trải nghiệm của khách hàng.

4.1. Kết quả nghiên cứu từ các công ty chứng khoán hàng đầu

Nhiều công ty chứng khoán hàng đầu đã áp dụng mô hình dự đoán nhu cầu mở tài khoản và ghi nhận sự tăng trưởng đáng kể trong số lượng khách hàng mới. Các nghiên cứu cho thấy, việc sử dụng AI giúp cải thiện hiệu suất làm việc và tăng cường sự hài lòng của khách hàng.

4.2. Tối ưu hóa quy trình tiếp cận khách hàng

Mô hình dự đoán giúp các công ty chứng khoán xác định đối tượng tiềm năng một cách nhanh chóng và hiệu quả. Điều này không chỉ giúp tiết kiệm thời gian mà còn nâng cao khả năng cạnh tranh trong ngành.

V. Kết luận và tương lai của ứng dụng trí tuệ nhân tạo trong tài chính

Trí tuệ nhân tạo đang mở ra nhiều cơ hội mới trong lĩnh vực tài chính, đặc biệt là trong việc dự đoán nhu cầu mở tài khoản chứng khoán. Với sự phát triển không ngừng của công nghệ, các công ty chứng khoán cần tiếp tục đầu tư vào AI để nâng cao hiệu quả kinh doanh và cải thiện trải nghiệm khách hàng. Tương lai của ngành tài chính sẽ phụ thuộc nhiều vào khả năng ứng dụng công nghệ mới và tối ưu hóa quy trình làm việc.

5.1. Xu hướng phát triển của AI trong tài chính

Xu hướng phát triển của AI trong tài chính đang ngày càng mạnh mẽ. Các công ty chứng khoán cần nắm bắt xu hướng này để không bị tụt lại phía sau trong cuộc cạnh tranh.

5.2. Tương lai của mô hình dự đoán nhu cầu mở tài khoản

Mô hình dự đoán nhu cầu mở tài khoản sẽ tiếp tục được cải tiến và phát triển. Các công ty cần áp dụng các công nghệ mới để nâng cao độ chính xác và hiệu quả của mô hình, từ đó đáp ứng tốt hơn nhu cầu của khách hàng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự bùng phát của đại dịch Covid-19 đã gây ra những tác động sâu rộng đến nền kinh tế toàn cầu cũng như nền kinh tế Việt Nam. Trong bối cảnh mặt bằng lãi suất tiền gửi tiết kiệm liên tục suy giảm, các nhà đầu tư cá nhân và người dân đứng trước thách thức lớn trong việc tìm kiếm các kênh phân bổ vốn nhằm bảo toàn giá trị tài sản và gia tăng thu nhập. Thị trường chứng khoán, với tiềm năng sinh lời và khả năng đa dạng hóa danh mục đầu tư, đã trở thành kênh thu hút dòng vốn cá nhân mạnh mẽ, dẫn đến sự gia tăng nhanh chóng về số lượng tài khoản đăng ký mới.

Sự phát triển này đồng thời gia tăng áp lực cạnh tranh giữa các công ty chứng khoán. Để thu hút và duy trì tệp khách hàng, các tổ chức tài chính cần chuyển đổi phương thức tiếp cận truyền thống sang các giải pháp phân tích dữ liệu chuyên sâu. Việc nhận diện chính xác chân dung và dự đoán nhu cầu mở tài khoản của khách hàng dựa trên các yếu tố như hoàn cảnh gia đình, mức độ chấp nhận rủi ro và mục tiêu tài chính đóng vai trò cốt lõi trong việc tối ưu hóa chi phí tiếp thị và gia tăng hiệu suất kinh doanh.

Đề tài đặt ra các nhiệm vụ nghiên cứu cụ thể:

1. Hệ thống hóa cơ sở lý thuyết về trí tuệ nhân tạo (AI) và nguyên lý hoạt động của hai thuật toán học máy: Hồi quy tuyến tính (Linear Regression) và Cây quyết định (Decision Tree).
2. Khảo sát thực trạng, phân tích ưu nhược điểm của các phương thức tìm kiếm khách hàng truyền thống và làm rõ cơ sở lựa chọn giải pháp ứng dụng AI.
3. Thiết kế bảng thuộc tính dữ liệu, tổ chức thu thập dữ liệu khảo sát thực tế và tiền xử lý dữ liệu phục vụ mô hình hóa.
4. Xây dựng mã nguồn chương trình, thử nghiệm và so sánh các kịch bản mô hình hóa trên hai thuật toán nhằm đánh giá tính khả thi khi triển khai vào hoạt động kinh doanh thực tế.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Nhu cầu mở tài khoản chứng khoán của khách hàng cá nhân và mô hình ứng dụng thuật toán học máy trong việc dự đoán nhu cầu này.
• Phạm vi không gian và đối tượng khảo sát: Người dân, sinh viên, người đi làm và người nghỉ hưu (trong đó đa số sinh sống tại khu vực thành thị tại Việt Nam).
• Phạm vi thời gian: Đề tài được hoàn thành và nghiệm thu vào tháng 06 năm 2023 tại Học viện Ngân hàng.

Cơ sở lý thuyết và phương pháp

Văn bản nghiên cứu tiếp cận bài toán dựa trên nền tảng khoa học máy tính và học máy ứng dụng trong kinh doanh.

Cơ sở lý thuyết về Trí tuệ nhân tạo và thuật toán

Văn bản định nghĩa trí tuệ nhân tạo là một ngành thuộc lĩnh vực khoa học máy tính, do con người lập trình nhằm giúp máy tính có khả năng thực hiện các hành vi mô phỏng chức năng nhận thức của con người như "học tập" và "giải quyết vấn đề". Công nghệ AI được phân loại thành 4 cấp độ theo mức độ phức tạp:

1. Công nghệ AI phản ứng (Reactive Machines).
2. Công nghệ AI với bộ nhớ hạn chế (Limited Memory).
3. Lý thuyết trí tuệ nhân tạo (Theory of Mind).
4. Công nghệ tự nhận thức (Self-awareness).

Hai thuật toán học máy được lựa chọn để phân tích và thực nghiệm bao gồm:

• Thuật toán Hồi quy tuyến tính (Linear Regression): Phương pháp xác định phương trình tuyến tính mô tả mối quan hệ giữa biến giải thích đầu vào ($X$) và biến phụ thuộc đầu ra ($Y$). Tùy thuộc vào số lượng biến đầu vào, mô hình được chia thành hồi quy tuyến tính đơn giản (simple linear regression) hoặc hồi quy tuyến tính nhiều biến (multiple linear regression). Mô hình yêu cầu cả giá trị đầu vào và đầu ra đều ở dạng số (numeric).

  • Ưu điểm: Tốc độ mô hình hóa nhanh, cấu trúc đơn giản, trực quan, phù hợp khi quan hệ giữa các biến không quá phức tạp và tập dữ liệu nhỏ.
  • Nhược điểm: Nhạy cảm với dữ liệu nhiễu, không biểu diễn được các mối quan hệ phi tuyến phức tạp, đòi hỏi giả định các biến độc lập không có tương quan đa cộng tuyến.

• Thuật toán Cây quyết định (Decision Tree): Cấu trúc cây phân cấp gồm một nút gốc (root node), các nút nội bộ (internal nodes) đại diện cho các thuộc tính kiểm tra, các nhánh rẽ biểu thị giá trị thuộc tính và các nút lá (leaf nodes) đại diện cho nhãn phân loại hoặc giá trị dự đoán cuối cùng.

  • Ưu điểm: Sinh ra tập luật phân loại trực quan (dạng If-Then), dễ hiểu; có khả năng làm việc với dữ liệu khuyết thiếu (missing data); không bắt buộc chuẩn hóa dữ liệu hay tạo biến giả; xử lý đồng thời biến số và biến định danh; có khả năng mở rộng trên tập dữ liệu lớn.
  • Nhược điểm: Phụ thuộc lớn vào tập dữ liệu huấn luyện (dễ thay đổi cấu trúc khi dữ liệu biến động nhỏ), dễ gặp hiện tượng quá khớp (overfitting).

Phương pháp nghiên cứu và nguồn dữ liệu

Nghiên cứu sử dụng kết hợp các phương pháp:

• Phương pháp phân tích - tổng hợp lý thuyết: Hệ thống hóa các khái niệm về AI, học máy và cơ chế phân loại khách hàng.
• Phương pháp điều tra khảo sát trực tuyến: Thu thập dữ liệu sơ cấp thông qua biểu mẫu Google Forms, phân phối qua các nền tảng mạng xã hội (Facebook, Instagram, TikTok).
• Phương pháp mô hình hóa và thực nghiệm: Sử dụng ngôn ngữ lập trình để xây dựng luồng xử lý dữ liệu, huấn luyện mô hình Decision Tree và Linear Regression, sau đó so sánh hiệu năng giữa các kịch bản.
• Nguồn dữ liệu: Bộ dữ liệu khảo sát thực tế gồm 1.592 phản hồi hợp lệ từ các nhóm đối tượng người dùng khác nhau.

Nội dung chính theo từng chương

Chương I: Tổng quan về lý thuyết

Chương I trình bày tổng quan về nguồn gốc, khái niệm và phân loại của trí tuệ nhân tạo, đồng thời dẫn chứng sự phát triển của các mô hình ngôn ngữ lớn như ChatGPT của OpenAI như một minh chứng cho bước tiến công nghệ hiện đại. AI được khẳng định có vai trò tối ưu hóa hiệu suất làm việc, giảm thiểu rủi ro và tiết kiệm sức lao động trong các lĩnh vực kinh tế, dịch vụ, vận tải, hàng không.

Nội dung trọng tâm của chương là việc làm rõ bản chất toán học, cấu trúc và phạm vi ứng dụng của hai thuật toán: Hồi quy tuyến tính và Cây quyết định.

Tiêu chí so sánh	Thuật toán Hồi quy tuyến tính	Thuật toán Cây quyết định
Bản chất mô hình	Phương trình quan hệ tuyến tính giữa biến $X$ và $Y$	Cấu trúc phân nhánh dạng cây (nút gốc, nút nội bộ, nút lá)
Dạng dữ liệu đầu vào	Bắt buộc định lượng dạng số (numeric)	Chấp nhận cả dữ liệu số và dữ liệu định danh (categorical)
Xử lý dữ liệu thiếu	Nhạy cảm với nhiễu, cần làm sạch và chuẩn hóa	Xử lý tốt dữ liệu missing, không cần biến giả
Tính diễn giải	Thể hiện qua hệ số tác động tuyến tính	Tạo ra các tập luật phân loại rõ ràng, dễ hiểu
Hạn chế chính	Kém hiệu quả với dữ liệu phi tuyến phức tạp	Dễ bị quá khớp (overfitting), nhạy cảm với biến động mẫu

Chương II: Thực trạng và lý do chọn bài toán Dự đoán nhu cầu mở tài khoản chứng khoán

Chương II phân tích bối cảnh thị trường chứng khoán gia tăng áp lực cạnh tranh sau đại dịch Covid-19, đòi hỏi các công ty chứng khoán phải hiểu rõ nhu cầu, mức độ chịu rủi ro và điều kiện kinh tế của từng phân khúc khách hàng. Nhóm tác giả tiến hành phân tích và so sánh 4 giải pháp tiếp cận khách hàng:

Phương pháp	Cách thức triển khai	Ưu điểm	Nhược điểm tồn tại
Giải pháp 1: Tư vấn qua điện thoại & tin nhắn (Telesale/SMS)	Liên hệ trực tiếp qua danh sách số điện thoại	Thu thập thông tin nhanh, tạo dựng tương tác trực tiếp với khách hàng	Khó tổng hợp quy mô lớn, tốn kém thời gian và cước phí, có thể thiếu khách quan
Giải pháp 2: Khảo sát qua truyền thông & mạng xã hội	Đăng tải biểu mẫu, chạy khảo sát trên mạng xã hội	Tiếp cận diện rộng, đa dạng ý kiến người dùng	Phụ thuộc vào tính trung thực của người khai báo; chi phí quảng cáo khảo sát cao
Giải pháp 3: Đặt bàn trực tại khuôn viên đại học	Thiết lập bàn tư vấn trực tiếp tại các trường đại học	Gặp gỡ trực tiếp, tư vấn sâu, xây dựng niềm tin ban đầu	Tốn công sức và thời gian nhất; hiệu quả thấp do sinh viên bận học, ít quan tâm
Giải pháp 4: Ứng dụng mô hình AI dự đoán	Ứng dụng thuật toán học máy phân loại dữ liệu	Độ linh hoạt và chính xác cao; tiết kiệm thời gian, tối ưu hóa chi phí lọc data	Yêu cầu dữ liệu đầu vào chuẩn xác và năng lực kỹ thuật xây dựng mô hình

Nhóm tác giả dẫn chứng thực tiễn từ tập đoàn tài chính Goldman Sachs trên thế giới: việc ứng dụng các công cụ phân tích dữ liệu lớn và trí tuệ nhân tạo đã giúp tổ chức này dự báo chính xác nhu cầu mở tài khoản, tối ưu hóa chiến lược tiếp thị, nâng cao trải nghiệm khách hàng và xử lý lượng dữ liệu khổng lồ hiệu quả.

Chương III: Giải pháp thực hiện bài toán Dự đoán Nhu cầu mở tài khoản chứng khoán

Chương III là phần thực nghiệm trọng tâm, bao gồm các bước phân tích thuộc tính dữ liệu, tổ chức thu thập, lập trình và đánh giá kịch bản.

Hệ thống thuộc tính dữ liệu

Nhóm nghiên cứu xác định 12 thuộc tính đầu vào và 1 thuộc tính mục tiêu (nhãn), toàn bộ đều được mã hóa dưới dạng dữ liệu định danh (object):

STT	Tên thuộc tính	Kiểu dữ liệu	Giá trị minh họa	Phân tích nghiệp vụ theo văn bản
1	Giới tính	Object	Nam, Nữ	Nam giới có xu hướng tự tin, ưa mạo hiểm, giao dịch nhiều hơn; Nữ giới thận trọng, nghiên cứu kỹ trước khi quyết định.
2	Độ tuổi	Object	Từ 18-22, Từ 23-50, Trên 50	18-22 tuổi (sinh viên, thu nhập thấp, nhu cầu trải nghiệm mức trung bình); 23-50 tuổi (thu nhập ổn định, nhu cầu đầu tư sinh lời khá cao); Trên 50 tuổi (nghỉ hưu, thích an toàn, nhu cầu thấp).
3	Khu vực	Object	Thành thị, Nông thôn	Thành thị tiếp cận kiến thức tài chính tốt hơn (nhu cầu cao); Nông thôn ít cơ hội tiếp cận (nhu cầu rất thấp).
4	Tình trạng hôn nhân	Object	Độc thân, Kết hôn	Độc thân ít ràng buộc chi tiêu (nhu cầu cao); Đã kết hôn ưu tiên an toàn tài chính gia đình (nhu cầu thấp hơn).
5	Nghề nghiệp	Object	Sinh viên, Công nhân/Viên chức, Tiểu thương/Kinh doanh, Nghỉ hưu, Khác	Sinh viên có nhu cầu trải nghiệm; Công nhân/Viên chức chuộng gửi tiết kiệm ổn định; Tiểu thương/Kinh doanh có nhu cầu đầu tư sinh lời cao; Nghỉ hưu nhu cầu rất thấp hoặc không có.
6	Mức thu nhập	Object	Dưới 5 triệu, Từ 5-10 triệu, Trên 10 triệu	Dưới 5 triệu mở tài khoản trải nghiệm; 5-10 triệu có dòng tiền nhàn rỗi trung bình; Trên 10 triệu có tích lũy lớn, nhu cầu đầu tư dài hạn cao.
7	Sử dụng Smartphone	Object	Có, Không	Có smartphone giúp dễ mở tài khoản online và cập nhật tin tức (nhu cầu cao); Không dùng smartphone khó tiếp cận (nhu cầu rất thấp).
8	Sử dụng tiền nhàn rỗi	Object	Tiết kiệm, Đầu tư sinh lời, Cả hai	Chuộng tiết kiệm có nhu cầu thấp; Chuộng đầu tư sinh lời có nhu cầu mở tài khoản cao.
9	Mức độ chấp nhận rủi ro	Object	Thấp, Trung bình, Cao	Chấp nhận rủi ro thấp ưu tiên gửi tiết kiệm; Mức độ chấp nhận rủi ro trung bình đến cao có nhu cầu đầu tư mạnh mẽ hơn.
10	Quan tâm	Object	Có, Không	Người có quan tâm tìm hiểu kiến thức sẽ có nhu cầu mở tài khoản cao hơn người không quan tâm.
11	Mức độ hiểu biết	Object	Không hiểu biết, Ít hiểu biết, Bình thường, Hiểu biết nhiều	Không hiểu biết có nhu cầu thấp; Ít hiểu biết muốn mở để học hỏi; Hiểu biết bình thường và nhiều có nền tảng vững nên nhu cầu cao.
12	Tài khoản chứng khoán	Object	Có, Không	Đã có tài khoản ít có nhu cầu mở thêm; Chưa có tài khoản có nhu cầu mở mới cao hơn.
13	Nhu cầu mở tài khoản (Nhãn)	Object	Có, Không	Biến phụ thuộc dự đoán hành vi mở tài khoản của khách hàng.

Thu thập dữ liệu và mã lệnh thực nghiệm

• Cách thức thu thập: Phân phối khảo sát online qua mạng xã hội, ghi nhận tổng cộng 1.592 phiếu khảo sát hợp lệ. Mẫu đại diện gồm sinh viên, người đi làm, người nghỉ hưu, tập trung phần lớn ở khu vực thành thị.
• Mã lệnh chương trình và so sánh kịch bản: Báo cáo thực hiện viết mã lệnh lập trình huấn luyện mô hình Cây quyết định và Hồi quy tuyến tính, tiến hành đánh giá so sánh các kịch bản thử nghiệm để kiểm chứng độ chính xác và xem xét tính khả thi ứng dụng thực tế tại doanh nghiệp chứng khoán.

Kết quả và đóng góp

1. Xây dựng bộ chỉ báo phân loại khách hàng tiềm năng: Đề tài đã hệ thống hóa được 12 biến số nhân khẩu học, tâm lý đầu tư và hành vi tài chính có ảnh hưởng trực tiếp đến quyết định mở tài khoản chứng khoán của khách hàng cá nhân.
2. Bộ dữ liệu khảo sát thực nghiệm: Thu thập thành công tập dữ liệu sơ cấp gồm 1.592 mẫu khảo sát, phản ánh đặc điểm hành vi và nhu cầu đầu tư tại thị trường Việt Nam năm 2023.
3. Thực nghiệm mô hình hóa: Triển khai cài đặt mã nguồn cho hai mô hình Cây quyết định và Hồi quy tuyến tính, chỉ ra khả năng sinh luật trực quan của Cây quyết định phù hợp hơn với các thuộc tính định danh của dữ liệu khảo sát kinh doanh.
4. Giải pháp thay thế tiếp cận truyền thống: Đưa ra luận cứ khoa học chứng minh việc ứng dụng mô hình AI giúp các công ty chứng khoán tự động hóa quá trình sàng lọc dữ liệu data khách hàng tiềm năng, giảm thiểu chi phí tiếp thị trực tiếp và cước viễn thông, đồng thời gia tăng tỷ lệ chuyển đổi mở tài khoản.

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế về phân bổ mẫu dữ liệu: Dữ liệu khảo sát được thu thập trực tuyến qua mạng xã hội nên đối tượng tập trung phần lớn ở khu vực thành thị và nhóm người dùng trẻ tiếp cận Internet, chưa bao phủ đồng đều các vùng nông thôn hoặc nhóm khách hàng lớn tuổi ít sử dụng mạng xã hội.
• Hạn chế về bản chất kiểu dữ liệu: Toàn bộ 12 thuộc tính đầu vào đều ở dạng định danh (object), điều này gây ra khó khăn nhất định cho mô hình Hồi quy tuyến tính vốn yêu cầu dữ liệu số liên tục.
• Nguy cơ kỹ thuật của mô hình Cây quyết định: Văn bản chỉ ra Cây quyết định có nhược điểm dễ bị quá khớp (overfitting) và cấu trúc cây có thể biến đổi lớn khi tập dữ liệu huấn luyện có sự thay đổi nhỏ.
• Hướng nghiên cứu tiếp:
  • Mở rộng phạm vi và kích thước mẫu khảo sát đa dạng hơn về mặt địa lý.
  • Bổ sung các biến định lượng cụ thể (mức thu nhập chi tiết, số vốn nhàn rỗi dự kiến trích ra đầu tư).
  • Thử nghiệm thêm các thuật toán phân loại nhị phân chuyên biệt khác và tích hợp mô hình vào hệ sinh thái CRM (Customer Relationship Management) của các công ty chứng khoán.

Giá trị tham khảo

Báo cáo bài tập lớn cung cấp tài liệu tham khảo hữu ích cho:

• Sinh viên khối ngành Kinh tế số, Hệ thống thông tin quản lý, Tài chính - Ngân hàng: Tham khảo phương pháp xây dựng bảng câu hỏi khảo sát, thiết kế các biến định danh kinh doanh và ứng dụng thuật toán học máy vào bài toán tài chính.
• Nhân viên phân tích dữ liệu, môi giới tại các công ty chứng khoán: Tham khảo khung phân tích 12 thuộc tính khách hàng để xây dựng các kịch bản tiếp thị và lọc danh sách khách hàng tiềm năng.
• Nội dung đáng tham khảo nhất: Bảng đối chiếu 4 giải pháp tìm kiếm khách hàng tại Chương II và bảng đặc tả chi tiết 12 thuộc tính dữ liệu khách hàng tại Chương III.

Câu hỏi thường gặp

1. Đề tài sử dụng bao nhiêu thuộc tính đầu vào để dự đoán nhu cầu mở tài khoản và thuộc kiểu dữ liệu gì?

Đề tài sử dụng 12 thuộc tính đầu vào (gồm: Giới tính, Độ tuổi, Khu vực, Tình trạng hôn nhân, Nghề nghiệp, Mức thu nhập, Sử dụng Smartphone, Sử dụng tiền nhàn rỗi, Mức độ chấp nhận rủi ro, Quan tâm, Mức độ hiểu biết, Đã có tài khoản chứng khoán) và 1 thuộc tính nhãn mục tiêu (Nhu cầu mở tài khoản chứng khoán). Toàn bộ 13 thuộc tính này đều ở kiểu dữ liệu định danh (object).

2. Dữ liệu thực nghiệm của đề tài được thu thập bằng phương thức nào và quy mô đạt bao nhiêu?

Dữ liệu được thu thập qua phương thức khảo sát trực tuyến bằng Google Forms, chia sẻ qua các nền tảng mạng xã hội như Facebook, Instagram, TikTok. Tổng quy mô mẫu thu thập được là 1.592 phiếu khảo sát, đối tượng bao gồm sinh viên, người đi làm, người nghỉ hưu, phần lớn sinh sống tại khu vực thành thị.

3. Vì sao giải pháp đặt bàn trực tiếp tại các trường đại học bị đánh giá là kém hiệu quả nhất trong các giải pháp truyền thống?

Theo phân tích tại Chương II, giải pháp mở bàn trực tại khuôn viên trường đại học tốn nhiều thời gian và công sức nhất nhưng hiệu quả mang lại không cao, do sinh viên thường bận rộn với lịch học trên giảng đường và ít dành thời gian quan tâm đến các bàn tư vấn trực tiếp.

4. Thuật toán Cây quyết định (Decision Tree) có những ưu điểm cốt lõi nào khi xử lý bài toán này?

Theo lý thuyết trình bày tại Chương I, Cây quyết định có ưu điểm: sinh ra bộ quy tắc phân loại dễ hiểu (mỗi nhánh lá là một luật); xử lý được dữ liệu khuyết thiếu; không bắt buộc chuẩn hóa dữ liệu hay tạo biến giả; làm việc tốt với cả dữ liệu số lẫn dữ liệu định danh; và có khả năng xử lý tập dữ liệu lớn.

5. Tổ chức tài chính quốc tế nào được đề tài dẫn chứng về việc ứng dụng AI thành công trong phân tích khách hàng?

Đề tài dẫn chứng trường hợp của Goldman Sachs, một trong những công ty chứng khoán hàng đầu thế giới đã đầu tư mạnh vào công nghệ AI và phân tích dữ liệu lớn để dự đoán nhu cầu mở tài khoản, tối ưu hóa chiến lược tiếp thị, nâng cao trải nghiệm khách hàng và xử lý dữ liệu quy mô lớn.

Kết luận

Báo cáo bài tập lớn của nhóm sinh viên Học viện Ngân hàng đã nghiên cứu việc ứng dụng trí tuệ nhân tạo vào bài toán dự đoán nhu cầu mở tài khoản chứng khoán cá nhân tại Việt Nam. Thông qua việc phân tích lý thuyết thuật toán Hồi quy tuyến tính và Cây quyết định, khảo sát 1.592 mẫu dữ liệu thực tế và xây dựng hệ thống 12 biến đặc trưng, đề tài đã chứng minh tính ưu việt của giải pháp học máy so với các phương pháp tiếp cận khách hàng truyền thống. Công trình cung cấp một khung phân tích dữ liệu tham khảo cho việc ứng dụng công nghệ phân loại khách hàng trong lĩnh vực dịch vụ tài chính và chứng khoán.

Trích đoạn nội dung tài liệu

Chương I: Tổng quan về lý thuyết 1. Giới thiệu chung về AI Trí tuệ nhân tạo, hay còn được gọi là AI, là một ngành thuộc lĩnh vực khoa học máy tính. Nó là sự phát triển của trí tuệ được lập trình bởi con người, nhằm mục đích giúp máy tính có khả năng thực hiện các hành vi thông minh tương tự con người. Thuật ngữ "trí tuệ nhân tạo" thường được sử dụng để chỉ các máy móc hoặc máy tính có khả năng mô phỏng các chức năng "nhận thức" mà con người thường liên kết với tâm trí, chẳng hạn như "học tập" và "giải quyết vấn đề".

Một số ví dụ phổ biến về AI bao gồm ô tô tự lái, trợ lý ảo, nhận dạng đối tượng và đặc biệt có thể kể đến Chat GPT (Chat Generative Pre-training Transformer) của OpenAI, một công ty công nghệ ở Mỹ, đã mang lại sự đột phá trong việc áp dụng AI. Công nghệ AI có thể được chia thành 4 loại dựa trên mức độ phức tạp:  Công nghệ AI phản ứng.  Công nghệ AI với bộ nhớ hạn chế.  Lý thuyết trí tuệ nhân tạo.

 Công nghệ tự nhận thức. AI có ứng dụng rộng rãi trong nhiều lĩnh vực như vận tải, dịch vụ, hàng không, kinh tế,. Nếu được áp dụng đúng loại AI vào từng tình huống, nó sẽ mang lại nhiều lợi ích quan trọng trong cuộc sống như giảm rủi ro, hạn chế, thúc đẩy sự sáng tạo, tiết kiệm sức lao động và tối ưu hóa hiệu suất làm việc. Giới thiệu tổng quan về thuật toán Hồi quy tuyến tính và Cây quyết định 2.

Thuật toán Hồi quy tuyến tính Hồi quy tuyến tính là thuật toán tìm ra phương trình tuyến tính dựa trên tập dữ liệu quan hệ giữa X (dữ liệu đầu vào) và Y (dữ liệu đầu ra). X là biến giải thích và Y là biến phụ thuộc. Khi có một biến đầu vào duy nhất (x), phương pháp này được gọi là hồi quy tuyến tính đơn giản (simple linear regression). Khi có nhiều biến đầu vào, ta có phương pháp là hồi quy tuyến tính nhiều biến (multiple linear regression).

Cách biểu diễn của mô hình hồi quy tuyến tính là một phương trình tuyến tính kết hợp một tập giá trị đầu vào cụ thể (x), nghiệm là đầu ra dự đoán cho tập giá trị đầu vào đó (y). Cả giá trị đầu vào (x) và giá trị đầu ra (y) đều là dạng số (numeric). Ưu và nhược điểm của mô hình hồi quy tuyến tính Ưu điểm:  Nhanh chóng để mô hình hóa và đặc biệt hữu ích khi mối quan hệ được mô hình hóa không quá phức tạp và nếu bạn không có nhiều dữ liệu.  Hồi quy tuyến tính là đơn giản để hiểu, nó rất có giá trị cho các quyết định kinh doanh Nhược điểm:  Nhạy cảm với dữ liệu nhiễu.

 Không biểu diễn được những mô hình phức tạp.  Biến độc lập phải độc lập với nhau nhưng trong thực tế rất hiếm  Đối với dữ liệu phi tuyến tính, hồi quy đa thức có thể khá khó khăn để thiết kế, vì người ta phải có một số thông tin về cấu trúc của dữ liệu và mối quan hệ giữa các biến tính năng. Thuật toán Cây quyết định (Decision Tree) Thứ nhất, Mô hình cây quyết định là một phương pháp máy học trong đó dữ liệu được biểu diễn dưới dạng cây quyết định. Cây quyết định là một cấu trúc dữ liệu dạng cây có nút gốc, các nút nội bộ và các nút lá.

Mỗi nút nội bộ trong cây đại diện cho một thuộc tính và các cạnh đi từ nút nội bộ đến các nút con tương ứng với các giá trị của thuộc tính đó. Các nút lá đại diện cho các nhãn hoặc giá trị dự đoán.