Xây dựng mô hình dự báo chỉ số kinh tế vĩ mô

Đồ án xây dựng mô hình dự báo chỉ số kinh tế vĩ mô ngành Kỹ thuật dữ liệu ĐH SPKT TP.HCM

• Tác giả: Cao Trọng Nghĩa
• Người hướng dẫn: ThS. Lê Minh Tân
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật dữ liệu
• Đề tài: Xây dựng mô hình dự báo chỉ số kinh tế vĩ mô
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan mô hình dự báo chỉ số kinh tế vĩ mô tại ĐH SPKT TP

Kinh tế toàn cầu luôn biến động phức tạp và tiềm ẩn nhiều rủi ro khôn lường. Các cơ quan quản lý và doanh nghiệp cần công cụ dự báo đáng tin cậy. Đề tài khóa luận ngành Kỹ thuật dữ liệu tại ĐH SPKT TP.HCM tập trung giải quyết bài toán này. Nghiên cứu hướng tới việc xây dựng hệ thống dự báo định lượng cho các chỉ số vĩ mô then chốt. Những chỉ số quan trọng gồm lạm phát, chỉ số giá tiêu dùng CPI và tỷ lệ thất nghiệp. Nghiên cứu phân tích dữ liệu đa quốc gia trong nhiều thập kỷ qua. Dữ liệu thực nghiệm bao gồm Việt Nam, Trung Quốc và Argentina. Phương pháp luận dựa trên sự kết hợp giữa kinh tế lượng truyền thống và trí tuệ nhân tạo hiện đại. Đề tài khảo sát các mô hình chuỗi thời gian kinh điển như VAR. Đồng thời, nhóm tác giả khai thác sức mạnh của mạng nơ-ron qua các kiến trúc VARNN và DeepVAR. Kết quả nghiên cứu không chỉ mang giá trị học thuật cao. Công trình còn đóng góp giải pháp công nghệ trực quan phục vụ công tác hoạch định chính sách kinh tế vĩ mô.

1.1. Bối cảnh nghiên cứu tại ĐH SPKT TP.HCM

Khoa Công nghệ Thông tin trực thuộc ĐH SPKT TP.HCM đào tạo chuyên sâu ngành Kỹ thuật dữ liệu. Đề tài tốt nghiệp được hướng dẫn bởi ThS. Lê Minh Tân. Nhóm nghiên cứu gồm ba sinh viên Cao Trọng Nghĩa, Nguyễn Minh Tiến và Nguyễn Hiếu Gia Cường. Mục tiêu trọng tâm là khai thác dữ liệu chuỗi thời gian lớn. Quá trình toàn cầu hóa đòi hỏi các mô hình dự báo thích ứng nhanh. Các biến động từ dịch bệnh hay khủng hoảng tài chính tạo ra nhiều thách thức mới. Do đó, việc ứng dụng học sâu vào kinh tế trở thành nhiệm vụ cấp bách. Đề tài giải quyết vấn đề phân tích dữ liệu đa biến. Nghiên cứu hướng đến việc cung cấp công cụ hỗ trợ ra quyết định chính xác.

1.2. Tầm quan trọng của các chỉ số vĩ mô then chốt

Chỉ số giá tiêu dùng CPI và lạm phát phản ánh sức mua của đồng tiền. Tỷ lệ thất nghiệp thể hiện sức khỏe thị trường lao động. Mức tăng trưởng GDP đo lường năng lực sản xuất quốc gia. Khi nền kinh tế gặp cú sốc, các chỉ số này lập tức biến động mạnh. Tại Việt Nam, tỷ lệ lạm phát từng biến đổi rõ rệt qua các giai đoạn 2020-2022. Mức lạm phát năm 2020 đạt 3,23% rồi giảm xuống 1,84% vào năm 2021. Bước sang năm 2022, con số này tăng lên 3,15% do biến động năng lượng. Nắm bắt xu hướng chỉ số giúp ngăn ngừa khủng hoảng tài chính. Dự báo chính xác là tiền đề cho chính sách ổn định vĩ mô.

II. Thách thức khi dự báo chỉ số kinh tế vĩ mô tại ĐH SPKT TP

Dự báo chuỗi thời gian kinh tế vĩ mô đối mặt với nhiều rào cản kỹ thuật phức tạp. Chuỗi số liệu thường có tính phi tuyến và biến động bất thường. Mối quan hệ giữa lãi suất, tỷ giá và lạm phát thay đổi liên tục theo chu kỳ. Độ trễ chính sách tiền tệ gây khó khăn cho việc nhận diện quy luật. Dữ liệu vĩ mô thực tế thường bị nhiễu do biến động địa chính trị. Tần suất công bố dữ liệu không đồng nhất giữa các chỉ tiêu kinh tế. Nhiều chỉ số được cập nhật theo quý, trong khi một số khác ghi nhận theo tháng hoặc tuần. Sự thiếu nhất quán này cản trở quá trình xử lý dữ liệu. Các mô hình thống kê tuyến tính cổ điển như AR hay ARIMA bộc lộ giới hạn rõ ràng. Những mô hình này không thể nắm bắt trọn vẹn các tương tác đa chiều. Hiện tượng quá khớp thường xảy ra khi tăng số lượng tham số. Sai số dự báo tăng nhanh khi kéo dài khoảng thời gian ước lượng. Vì vậy, các nhà nghiên cứu cần giải pháp học sâu hiện đại để khắc phục nhược điểm này.

2.1. Hạn chế của mô hình thống kê truyền thống

Mô hình hồi quy tự tương quan vector VAR đóng vai trò nền tảng trong phân tích kinh tế. Tuy nhiên, VAR yêu cầu giả định tuyến tính nghiêm ngặt về quan hệ giữa các biến số. Khi số lượng biến tăng lên, số lượng tham số cần ước lượng tăng theo cấp số nhân. Vấn đề này dẫn tới hiện tượng quá khớp và làm giảm độ tin cậy. Bên cạnh đó, mô hình VAR truyền thống khó nhận diện các điểm đảo chiều đột ngột trong khủng hoảng. Tiêu chuẩn AIC và BIC chỉ giải quyết một phần bài toán chọn bậc trễ tối ưu. Do đó, mô hình thống kê cổ điển thường bộc lộ sai số lớn khi dự báo dài hạn.

2.2. Sự phức tạp của chuỗi thời gian kinh tế vĩ mô

Dữ liệu kinh tế vĩ mô sở hữu nhiều đặc tính thống kê phức tạp. Tính dừng của chuỗi dữ liệu thay đổi qua các chu kỳ suy thoái và phục hồi. Mức độ bất ổn của nền kinh tế thể hiện rõ qua sự thay đổi phương sai theo thời gian. Mối tương quan giữa các quốc gia có sự phụ thuộc chéo lẫn nhau. Ví dụ, lạm phát tại các đối tác thương mại lớn tác động nhanh chóng đến thị trường trong nước. Các phương pháp tiền xử lý dữ liệu như khử xu thế thường làm mất mát thông tin quan trọng. Việc thiếu hụt dữ liệu đồng bộ cũng gây trở ngại lớn cho quá trình huấn luyện mô hình.

III. Phương pháp dự báo chỉ số kinh tế vĩ mô tại ĐH SPKT TP

Đề tài tốt nghiệp tại ĐH SPKT TP.HCM đề xuất quy trình thực nghiệm toàn diện và khoa học. Phương pháp tiếp cận kết hợp giữa thống kê cổ điển và mạng học sâu tiên tiến. Ba nhóm kiến trúc chính được triển khai gồm VAR, VARNN và DeepVAR. Mô hình DeepVAR tận dụng mạng nơ-ron hồi quy LSTM để học các phụ thuộc chuỗi dài hạn. Mạng DeepVAR có khả năng tự động trích xuất các đặc trưng phi tuyến ẩn sâu trong dữ liệu. Dữ liệu đầu vào trải qua quy trình tiền xử lý nghiêm ngặt nhằm loại bỏ giá trị dị biệt và chuẩn hóa thang đo. Quá trình kiểm định tham số được thực hiện qua các tiêu chí thông tin AIC và BIC. Để đánh giá định lượng, nghiên cứu áp dụng đồng thời bốn thước đo chuẩn mực: MSE, MAE, RMSE và CV_RMSE. Hệ thống tiến hành thử nghiệm so sánh trên bộ dữ liệu của nhiều quốc gia. Kết quả thực nghiệm chứng minh DeepVAR vượt trội rõ rệt về độ chính xác và khả năng ổn định.

3.1. Kiến trúc mô hình DeepVAR và mạng LSTM

DeepVAR đại diện cho bước tiến đột phá trong mô hình hóa chuỗi thời gian kinh tế. Kiến trúc này tích hợp cơ chế Vector Autoregression vào mạng học sâu nhiều tầng. Lớp mạng nơ-ron LSTM đóng vai trò cốt lõi trong việc ghi nhớ các chu kỳ kinh tế kéo dài. Cơ chế cổng kiểm soát luồng thông tin giúp khắc phục hiện tượng biến mất đạo hàm. Mô hình tiếp nhận đồng thời nhiều biến số đầu vào mà không gặp rào cản đa cộng tuyến. Cấu trúc phi tuyến linh hoạt cho phép nắm bắt các cú sốc bất thường trên thị trường. Nhờ đó, sai số dự báo giảm đáng kể so với mô hình VARNN và VAR truyền thống.

3.2. Hệ thống chỉ số đánh giá thực nghiệm toàn diện

Quá trình kiểm chứng mô hình đòi hỏi các thước đo sai số định lượng khách quan. Nghiên cứu tại ĐH SPKT TP.HCM sử dụng kết hợp RMSE, MAE và CV_RMSE. Chỉ số MAE phản ánh độ lệch trung bình tuyệt đối giữa giá trị thực tế và giá trị dự báo. Thước đo RMSE nhạy bén hơn với các sai số lớn do sự tồn tại của các cú sốc ngoại sinh. Hệ số biến thiên sai số CV_RMSE cho phép so sánh hiệu năng dự báo giữa các quốc gia có quy mô kinh tế khác nhau. Kết quả đánh giá trên tập dữ liệu Trung Quốc và Argentina chứng minh tính ưu việt của DeepVAR. Các tiêu chí đánh giá khoa học đảm bảo độ tin cậy cao cho mô hình.

IV. Đánh giá mô hình dự báo chỉ số kinh tế vĩ mô tại ĐH SPKT TP

Đề tài tốt nghiệp ngành Kỹ thuật dữ liệu đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra. Mô hình DeepVAR thể hiện năng lực dự báo vượt trội trên chuỗi dữ liệu kinh tế vĩ mô. Kết quả thực nghiệm khẳng định tiềm năng to lớn của việc ứng dụng trí tuệ nhân tạo vào lĩnh vực kinh tế lượng. Điểm sáng nổi bật của công trình là việc xây dựng thành công ứng dụng web trực quan hóa dữ liệu. Ứng dụng cho phép người dùng quan sát kết quả dự báo lạm phát và thất nghiệp một cách sinh động qua biểu đồ tương tác. Mặc dù giao diện vẫn còn ở mức thử nghiệm cơ bản, giải pháp đã chứng minh tính khả thi cao trong thực tiễn. Nghiên cứu mở ra hướng đi mới cho các phân tích kinh tế định lượng tại Việt Nam. Trong tương lai, hệ thống có thể mở rộng tích hợp thêm các nguồn dữ liệu văn bản tài chính và tin tức thời gian thực để tăng cường độ chính xác.

4.1. Ứng dụng website hỗ trợ trực quan hóa dữ liệu

Sản phẩm ứng dụng website giúp hiện thực hóa các kết quả nghiên cứu lý thuyết. Giao diện trực tuyến cung cấp công cụ tương tác đồ họa cho người dùng. Người dùng có thể dễ dàng tra cứu diễn biến lạm phát và tỷ lệ thất nghiệp theo từng mốc thời gian. Đồ thị trực quan hiển thị đường so sánh giữa giá trị thực tế và kết quả dự báo từ DeepVAR. Hệ thống hỗ trợ đắc lực cho các nhà phân tích và hoạch định chiến lược kinh tế. Dù còn một số mặt hạn chế về tính năng nâng cao, ứng dụng đã hoàn thành trọn vẹn vai trò thử nghiệm công nghệ. Đây là bước đệm quan trọng để phát triển phần mềm dự báo hoàn chỉnh.

4.2. Hướng phát triển và khuyến nghị nghiên cứu tiếp theo

Các công trình nghiên cứu tiếp theo có thể tập trung vào tối ưu hóa kiến trúc mạng nơ-ron. Việc tích hợp cơ chế chú ý Attention hoặc kiến trúc Transformer hứa hẹn cải thiện độ chính xác. Bổ sung các chỉ số thị trường chứng khoán và tỷ giá hối đoái sẽ làm phong phú bộ dữ liệu đầu vào. Bên cạnh đó, việc thu thập dữ liệu vĩ mô tần suất cao theo ngày giúp mô hình phản ứng nhanh hơn với biến động. Giao diện người dùng của hệ thống trực tuyến cần được bổ sung thêm các tính năng phân tích kịch bản. Sự kết hợp giữa kỹ thuật dữ liệu và khoa học kinh tế sẽ tiếp tục mang lại nhiều đột phá giá trị.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ DỮ LIỆU KINH TẾ VĨ MÔ. KHÁI NIỆM VÀ VAI TRÒ CỦA DỮ LIỆU KINH TẾ VĨ MÔ. CÁC CHỈ SỐ KINH TẾ VĨ MÔ CHÍNH. CÁC ĐẶC ĐIỂM CỦA DỮ LIỆU KINH TẾ VĨ MÔ.

BÀI TOÁN DỰ BÁO DỮ LIỆU KINH TẾ VĨ MÔ. 22 CHƯƠNG 2: MÔ HÌNH DEEP AUTOREGRESSION (DEEP VAR). MÔ HÌNH AUTOREGRESSIVE (AR). MÔ HÌNH VECTOR AUTOREGRESSION (VAR).

MÔ HÌNH VECTOR AUTOREGRESSIVE NEURAL NETWORK (VARNN). MÔ HÌNH DEEP VECTOR AUTOREGRESSION (DEEP VAR). 43 CHƯƠNG 3: CÀI ĐẶT CÁC MÔ HÌNH. ĐỌC DỮ LIỆU.

TIỀN XỬ LÝ DỮ LIỆU. TẠO DỮ LIỆU. MÔ HÌNH DEEP VECTOR AUTOREGRESSION. QUÁ TRÌNH KIỂM TRA.

ĐÁNH GIÁ ĐỘ CHÍNH XÁC. THỜI GIAN THỰC THI. 49 CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ. MÔI TRƯỜNG THỰC NGHIỆM.

DỮ LIỆU THỰC NGHIỆM. TIÊU CHÍ ĐÁNH GIÁ. CÁC TRƯỜNG HỢP THỰC NGHIỆM. KẾT QUẢ THỰC NGHIỆM.

56 CHƯƠNG 5: CÁC CÔNG TRÌNH KIẾN TRÚC ÁP DỤNG DEEPVAR TRONG DỰ BÁO KINH TẾ VĨ MÔ. MỘT SỐ CÔNG TRÌNH KIẾN TRÚC ỨNG DỤNG DEEPVAR. TỔNG HỢP SO SÁNH. KẾT CHƯƠNG.

61 PHẦN KẾT LUẬN. KẾT QUẢ ĐẠT ĐƯỢC CỦA ĐỀ TÀI. HƯỚNG PHÁT TRIỂN. 65 TÀI LIỆU THAM KHẢO.

66 DANH MỤC HÌNH ẢNH Hình 1. Tỷ lệ lạm phát của Mỹ trong thập niên 1990. Tỷ lệ thương mại của Mỹ (1980 – 2000). Tăng trưởng GDP của Việt Nam (2020 - 2022).

Tỷ lệ lạm phát của Việt Nam (2020 - 2022). Tỷ lệ thất nghiệp của Việt Nam (2020 - 2022). Tỷ lệ lãi suất của Việt Nam (2020 – 2022). Mô hình cán cân thương mại trong phân tích kinh tế.

Tỷ lệ thặng dư thương mại của Việt Nam (2020 – 2024). Tỷ lệ CPI của Việt Nam (2020 - 2024). Tỷ lệ chỉ số PMI của Việt Nam (2020 – 2024). Chu kỳ tăng trưởng bất động sản tại Việt Nam (2007 – 2021).

Tổng hợp chỉ số kinh tế vĩ mô của Việt Nam (2021 – 2022). Thể hiện độ trễ trong GDP Q2 2024. Tính không ổn định do tác động của khủng hoảng tài chính (2008 và dịch Covid-19). Biểu đồ thể hiện tỷ lệ thay đổi phần trăm GDP của Argentina.

Biểu đồ thể hiện tỷ lệ thay đổi phần trăm GDP của Mỹ. Biểu đồ thể hiện tỷ lệ thay đổi phần trăm GDP China. Biểu đồ thể hiện tăng trưởng GDP thực tế của Việt Nam. 54 1 DANH MỤC BẢNG Bảng 1: Bảng đánh giá mô hình khi thay đổi tỷ lệ train, test đối với tập Việt Nam.

56 Bảng 2: Bảng đánh giá mô hình khi thay đổi tỷ lệ train, test đối với tập Mỹ. 57 Bảng 3: Bảng đánh giá mô hình khi thay đổi tỷ lệ train, test đối với tập Argentina. 57 Bảng 4: Bảng đánh giá mô hình khi thay đổi tỷ lệ train, test đối với tập China. 57 Bảng 5: Các tham số tốt nhất cho tập dữ liệu kinh tế vĩ mô của Việt Nam.

57 Bảng 6: Các tham số tốt nhất cho tập dữ liệu kinh tế vĩ mô của Mỹ. 58 Bảng 7: Các tham số tốt nhất cho tập dữ liệu kinh tế vĩ mô của Argentina. 58 Bảng 8: Các tham số tốt nhất cho tập dữ liệu kinh tế vĩ mô của China. 58 Bảng 9: Bảng đánh giá sai số giữa các mô hình với tập Việt Nam.

58 Bảng 10: Bảng đánh giá sai số giữa các mô hình với tập Mỹ. 59 Bảng 11: Bảng đánh giá sai số giữa các mô hình với tập Argentina. 59 Bảng 12: Bảng đánh giá sai số giữa các mô hình với tập China. 59 Bảng 13: Bảng tổng hợp chỉ số đánh giá các công trình ứng dụng DeepVAR.

61 2 DANH MỤC CÁC TỪ VIẾT TẮT STT Ký hiệu chữ viết tắt Chữ viết đầy đủ 1 AR Autoregressive 2 VAR Vector Autoregression 3 VARNN Vector Autoregressive Neural Network 4 DeepVAR Deep Vector Autoregression 5 LSTM Long Short-Term Memory 6 AIC Akaike Information Criterion 7 BIC Bayesian Information Criterion 8 FFNN Feedforward Neural Network 9 MSE Mean Squared Error 10 MAE Mean Absolute Error 11 RMSE Root Mean Squared Error 12 CV_RMSE Coefficient of Variation of RMSE 3 PHẦN MỞ ĐẦU 1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI Trong tình hình kinh tế thế giới liên tục biến động và đầy thách thức, các tổ chức công và tư cần thường xuyên cập nhật, phân tích tình trạng kinh tế thế giới nhằm điều chỉnh chiến lược. Việc theo dõi chính xác các chỉ số về giá tiêu dùng, nợ của chính phủ, giá trị xuất nhập khẩu, giúp giảm rủi ro và tận dụng cơ hội. Các biến cố như khủng hoảng tài chính 2008 hay đại dịch COVID-19 cho thấy tầm quan trọng của các dự đoán đáng tin cậy nhằm ứng phó kịp thời và duy trì ổn định vĩ mô lâu dài.

Tuy nhiên, việc dự báo các chỉ số kinh tế không hề đơn giản, bởi các yếu tố này chịu tác động bởi nhiều yếu tố khác, độ trễ cũng như sự tương tác đa chiều phức tạp. Ví dụ, mối liên kết giữa lãi suất và lạm phát có thể thay đổi tùy vào từng giai đoạn thời điểm kinh tế, điều này khiến cho các mô hình tuyến tính truyền thống khó có thể bao quát toàn bộ động lực hệ thống. Trong số các bài toán dự báo ứng dụng mô hình học máy, Vector Autoregression (VAR) – do Sims (1980) đề xuất – là một mô hình quan trọng cho việc phân tích và dự báo đồng thời nhiều biến số kinh tế. VAR hoạt động dựa trên giả định tuyến tính giữa các biến và sử dụng dữ liệu quá khứ để thiết lập các phương trình nội sinh.

Mặc dù mang lại nhiều giá trị thực tiễn, mô hình VAR truyền thống vẫn còn những khuyết điểm - đặc biệt là khi cần biết các mối quan hệ phi tuyến giữa các biến kinh tế, cũng như khi xảy ra những thay đổi về cấu trúc trong kinh tế. Các phương pháp học sâu (Deep Learning) đã nhanh chóng xuất hiện và phát triển vượt bậc trong thời gian gần đây đã mở ra những hướng tiếp cận mới cho việc dự báo kinh tế. Với khả năng mô hình hóa phi tuyến và nhận diện các đặc trưng ẩn trong dữ liệu có tính chất phức tạp, Deep Learning được kỳ vọng như một công cụ khắc phục các điểm yếu cổ hữu trong các phương pháp dữ báo truyền thống. Mô hình Deep VAR (Deep Vector Autoregression) chính là một bước tiến mới, khi tích hợp khả năng học sâu vào khung VAR, nhằm nắm bắt tốt hơn các mối quan hệ phi tuyến giữa các biến số kinh tế.

Trong bối cảnh đó, việc nghiên cứu và triển khai mô hình Deep VAR cho bài toán dự báo chuỗi thời gian kinh tế vĩ mô trở nên hết sức cần thiết. Không chỉ góp phần mở rộng tri thức lý thuyết trong lĩnh vực dự báo kinh tế, đề tài còn có giá trị thực tiễn rõ 4 rệt, khi cung cấp công cụ hữu ích hỗ trợ các nhà hoạch định có thể quyết định nhanh chóng và chính xác hơn trong tình hình kinh tế biến động. Do đó, khai thác tiềm năng của mô hình Deep VAR không chỉ là một cách giải quyết vấn đề mới trong lĩnh vực học máy ứng dụng mà còn mở ra cơ hội dự báo và quản trị rủi ro kinh tế một cách chủ động và chính xác hơn trong kỷ nguyên dữ liệu lớn và biến động toàn cầu. MỤC TIÊU CỦA ĐỀ TÀI Mục tiêu của đề tài là thiết kế mô hình dự đoán chuỗi thời gian kinh tế vĩ mô thông qua việc sử dụng mô hình Deep Vector Autoregression (Deep VAR) – một phương pháp tổng hợp giữa mô hình VAR truyền thống và thuật toán học sâu (deep learning).

Việc dự báo chính xác các chỉ số như GDP, tỷ lệ lạm phát, tỷ giá hối đoái, và lãi suất sẽ giúp cho quá trình phân tích, hoạch định chính sách và ra quyết định trong lĩnh vực kinh tế hiệu quả hơn. Cụ thể, đề tài tập trung vào các mục tiêu sau: - Xây dựng công đoạn tiền xử lý và chuẩn hóa dữ liệu kinh tế vĩ mô nhiều chiều, phục vụ cho mô hình học sâu. - Sử dụng DeepVAR để khai thác tính liên kết động giữa các biến kinh tế, từ đó thực hiện dự đoán ngắn hạn và trung hạn. - Tối ưu hóa kiến trúc mạng học sâu trong Deep VAR (số lớp, số nút ẩn, độ dài chuỗi đầu vào.) nhằm nâng cao hiệu quả mô hình hóa và khả năng khái quát hóa.

- Thực hiện so sánh, nhận xét hiệu suất của mô hình Deep VAR với mô hình VAR tuyến tính truyền thống, để khẳng định tính ưu việt của phương pháp đề xuất. Sản phẩm đầu ra của đề tài bao gồm: - Mô hình DeepVAR có thể dự đoán được chính xác chuỗi thời gian kinh tế vĩ mô. - Mã nguồn thực nghiệm (bằng Python), bao gồm các công đoạn xử lý dữ liệu, huấn luyện mô hình và đánh giá hiệu quả. - Báo cáo kỹ thuật tổng hợp kết quả nghiên cứu và phân tích hiệu năng mô hình.

5 - Giao diện người dùng đơn giản (như Streamlit) hỗ trợ đưa giá trị đầu vào là các tập dữ liệu chứa thông tin về chỉ số kinh tế vĩ mô của các nước và hiển thị kết quả dự báo. Yêu cầu chất lượng đối với mô hình dự báo: - Mô hình được đánh giá dựa trên các thông số hiệu suất phổ biến trong bài toán dự báo chuỗi thời gian, bao gồm: o RMSE (Root Mean Squared Error): sai số bình phương trung bình căn bậc hai. o MAE (Mean Absolute Error): sai số tuyệt đối trung bình. o MSE (Mean Squared Error): sai số bình phương trung bình.

o CV-RMSE (Coefficient of Variation of RMSE): hệ số biến thiên của RMSE, giúp so sánh mô hình theo tỷ lệ tương đối. NHIỆM VỤ CỦA ĐỀ TÀI - Tìm hiểu kinh tế vĩ mô và các yếu tố ảnh hưởng đến kinh tế vĩ mô. - Tìm hiểu các mô hình Deep VAR và VARNN. - Thu thập dữ liệu kinh tế vĩ mô.

- Nghiên cứu các công trình dự báo dữ liệu kinh tế vĩ mô hiện có, đặc biệt là mô hình DeepVAR và VARNN (ưu nhược điểm). So sánh hiệu suất của mô hình Deep VAR với các mô hình dự báo khác. Xây dựng website tương tác trực quan. Đưa ra các kết luận về tính hiệu quả của Deep VAR trong báo cáo về dự báo kinh tế vĩ mô.

ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU Đối tượng thực hiện quan sát của đề tài chính là tìm hiểu, nghiên cứu về mô hình DeepVar và áp dụng vào bài toán dự đoán dữ liệu kinh tế vĩ mô của các nước khác nhau sau đó so sánh với những mô hình học sâu khác.