Trong bài viết này, các bạn sẽ hiểu máy học là gì? Nó có thể làm được gì? Và những xu hướng ứng dụng gần đây của máy học trong lĩnh vực tài chính kinh doanh.
Tác giả: K-for-what
Lưu ý: Các quan điểm trong bài viết này là nhận định chủ quan của tác giả, không đảm bảo chính xác là quan điểm của Alphabia hay các tổ chức, nguồn tham khảo được đề cập và trích dẫn trong bài.
Hiểu về ngành máy học
Cũng như tôi, có thể các bạn cũng đôi lần tò mò tự đặt hỏi: Tri thức được tạo ra như thế nào?
Theo tôi, tri thức nhân loại được hình thành và phát triển thông qua quá trình quan sát, ghi chép, mô tả các hiện tượng, sự vật tự nhiên để từ đấy đúc rút các quy luật chung mô tả, giải thích sự hình thành, tồn tại, vận động và phát triển của các hiện tượng, sự vật đó.
Kho tàng ca dao tục ngữ là một nguồn tri thức rộng lớn về tự nhiên xã hội của ông cha ta. Chỉ bằng việc quan sát cách bay của con chuồn chuồn mà họ đã nhận ra mối tương quan với chuyện nắng mưa của ông trời:
“Chuồn chuồn bay thấp thì mưa
Bay cao thì nắng, bay vừa thì râm”
hoặc quan sát, phát hiện màu sắc, sự phát triển của các loài sinh vật có thể dự đoán được sự thay đổi của thời tiết:
“Mùa hè đang nắng, cỏ gà trắng thì mưa”
hay là,
“Cỏ gà mọc lang, cả làng được nước”
Quá trình học, nghiên cứu (learning) của con người, về cơ bản, là quá trình chinh phục tri thức, kĩ năng, thái độ. Nó là các phương cách mới để thực hiện công việc, là nỗ lực của các cá nhân để vượt qua thử thách hoặc để đạt đến cấp độ mới. Nó giúp con người thoả mãn sự tò mò, quan tâm của mình, và đạt được các mục tiêu đã đề ra của mình.
Và theo nhà tâm lý học E.A. Gates, việc học được tiến hành thông qua được huấn luyện (training) và kinh nghiệm (experience).
Một số các đặc trưng của việc học có thể thấy như sau:
- Học là quá trình có mục tiêu và động lực rõ ràng
- Việc học có thể gây ra việc cấu trúc lại các kinh nghiệm trước đó
- Học là quá trình diễn ra liên tục trong khoảng thời gian dài
- Cách học có thể áp dụng cho nhiều đối tượng, vấn đề khác nhau.
Bây giờ chúng ta quay lại chủ đề chính của bài viết này: Vậy máy học là gì? Liệu các tính chất của máy học có giống quá trình học của con người hay không?
Các khái niệm về máy học và trí tuệ nhân tạo bắt đầu xuất hiện rộng rãi vào những năm 50 của thế kỉ 20, trong các công trình nghiên cứu của các nhà khoa học máy tính hàng đầu ở MIT, CMU như Allen Newell, Marvin Minsky và Herbert Simon. Theo định nghĩa của IBM, máy học là một nhánh của lĩnh vực trí tuệ nhân tạo và khoa học máy tính, trong đó kết hợp dữ liệu và các thuật toán, thông qua quá trình mô phỏng việc học của con người, để cải thiện tính hiệu quả của nó trong các việc dự đoán giá trị hay phân loại đối tượng.
Ứng dụng phương pháp thống kê, các thuật toán máy học được huấn luyện với dữ liệu để phát hiện những quy luật, thông tin quan trọng trong các bài toán khai phá dữ liệu. Khi khả năng lưu trữ dữ liệu ngày càng lớn, nhu cầu nhân sự trong lĩnh vực máy học ngày càng tăng.
Theo quan điểm của đại học California (Berkely), mọi thuật toán máy học đều được xác định thông qua ba phần:
- Quá trình ra quyết định: kết quả thuật toán có thể là dự đoán giá trị (prediction) hoặc phân loại đối tượng (classification)
- Hàm lỗi: để đo mức độ sai khác giữa kết quả dự đoán của mô hình với kết quả thật sự
- Quá trình tối ưu: là cách mô hình tìm các giá trị tham số phù hợp mỗi khi mô hình có thêm dữ liệu mới.
Các thuật toán máy học được chia thành hai loại chính: phương pháp học giám sát và phương pháp học không giám sát.
Học giám sát là loại thuật toán máy học làm việc trên dữ liệu đã được dán nhãn, tức xác định rõ giá trị cụ thể của đầu vào và đầu ra của mô hình. Các thuật toán học có giám sát thường gặp là linear regression, decision tree, support vector machine, random forest hay neural network.
Học không giám sát là các thuật toán phân tích và phân loại các dữ liệu không được dán nhãn. Đây là các phương pháp dùng để phát hiện những quy luật ẩn dấu trong dữ liệu mà không cần sự can thiệp của con người. Các thuật toán học không giám sát thường dùng để giải quyết các bài toán phân nhóm như K-means, hoặc để giảm số chiều của dữ liệu như PCA.
Các xu hướng ứng dụng gần đây ở Việt Nam và những thử thách hiện tại của máy học
Ở phần này tôi xin chia sẻ với các bạn về một số ứng dụng của máy học trong các doanh nghiệp hay trong các sản phẩm mà có thể các bạn đang hoặc sẽ sử dụng rộng rãi trong tương lai.
- Nhận diện và chẩn đoán bệnh như sản phẩm IBM Watson Health
- Cải thiện trải nghiệm của người dùng, cá nhân hoá sản phẩm cho người dùng: cải thiện những tính năng sẵn có của sản phẩm, quy trình để người dùng cảm thấy thuận tiện hơn, thoải mái hơn. Bằng cách học thông qua lịch sử truy cập, tương tác của người dùng với ứng dụng/sản phẩm, máy học có thể giúp chúng ta hiểu được thói quen, sở thích của từng người dùng để đưa ra các khuyến nghị, quảng cáo phù hợp với từng cá nhân khách hàng. Đây là một trong các xu hướng ứng dụng máy học ở những doanh nghiệp thương mại điện tử như Shopee, Lazada hay các doanh nghiệp trong ngành game, streaming như Netflix.
- Phân tích các loại rủi ro tài chính như rủi ro phá sản, rủi ro tín dụng, rủi ro gian lận trong các doanh nghiệp có hoạt động cho vay tài chính như các ngân hàng, các công ty cho vay tiêu dùng Mcredit, Fe credit, hoặc ở các tổ chức xếp hạng tín dụng.
- Tạo ra các mô hình dự đoán giá cả, lợi nhuận, cung cầu trong tương lai ở các doanh nghiệp sản xuất kinh doanh. Trong lĩnh vực tài chính, đã có nhiều ứng dụng của máy học trong đo lường rủi ro thị trường, rủi ro danh mục đầu tư hay định giá sản phẩm phái sinh ở ngân hàng đầu tư, quỹ đầu tư. Vài năm gần đây, thị trường chứng khoán phát triển mạnh về cả tính thanh khoản lẫn chất lượng cổ phiếu nên thu hút sự chú ý của đông đảo nhà đầu tư trong nước và nước ngoài, trên thị trường cũng đã xuất hiện các tổ chức sử dụng các thuật toán máy học phục vụ cho việc phân tích đầu tư. Một số hướng ứng dụng máy học phù hợp cho thị trường chứng khoán hiện nay có thể được liệt kê như dưới đây:
- Mô hình xếp hạng cổ phiếu, xếp hạng doanh nghiệp: sử dụng các dữ liệu giá, dữ liệu tài chính doanh nghiệp và thông tin về doanh nghiệp trên các trang tin tức, mạng xã hội để giúp nhà đầu tư đánh giá sức mạnh hiện tại của cổ phiếu, của doanh nghiệp
- Mô hình phân bổ danh mục thông minh: nhà đầu tư xác định tỉ trọng hợp lý của từng loại tài sản/cổ phiếu trong danh mục của mình mà phù hợp với khẩu vị rủi ro của họ.
- Mô hình đề xuất cổ phiếu: bằng việc xác định giá hoặc xu hướng triển vọng của cổ phiếu, máy học giúp giúp khách hàng lựa chọn các cổ phiếu có tiềm năng tăng giá tốt trong ngắn hạn-trung hạn-dài hạn.
- Mô hình xác định trạng thái/cảm xúc của thị trường: chủ yếu dựa vào biến động của các quỹ chỉ số và thông tin trên các trang báo, diễn đàn, mạng xã hội để hiểu tâm lý của đám đông và dự đoán diễn biến tiếp theo của thị trường.
Tài liệu tham khảo
-
- Human learning: Meaning, definition and concept formation (link)
- Modern statistical methods in machine learning, prof. Ho Tu Bao, VIASM series (link)
- Machine learning, IBM (link), 2020
- What is machine learning (ML)?, UC Berkeley (link), 2020
- Machine learning applications using python, Puneeth Mathur, 2019
- AI applications in investment, Alphabia, 2022