MODULE 1 · Nguyên lý cơ bản của trí tuệ tài chính
Điểm kiến thức 1 Khái niệm cơ bản và lịch sử phát triển của trí tuệ nhân tạo
NỘI DUNG CHÍNH
- Định nghĩa và ứng dụng của trí tuệ nhân tạo
- Nguyên lý và ứng dụng của học máy và học sâu
- Vai trò của thuật toán, năng lực tính toán và dữ liệu trong trí tuệ nhân tạo
- Lịch sử phát triển của trí tuệ nhân tạo
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Có thể giải thích rõ ràng định nghĩa về trí tuệ nhân tạo, nhận diện và phân tích các trường hợp ứng dụng của trí tuệ nhân tạo trong những lĩnh vực khác nhau.
- Nắm được các thuật toán then chốt của học máy và học sâu, có thể lựa chọn mô hình và phương pháp phù hợp theo từng vấn đề cụ thể.
- Hiểu vai trò của thuật toán, năng lực tính toán và dữ liệu trong quá trình phát triển trí tuệ nhân tạo
- Tìm hiểu tiến trình phát triển của trí tuệ nhân tạo và ảnh hưởng của nó đối với xã hội
Điểm kiến thức 2 Phương pháp và bối cảnh ứng dụng của trí tuệ tài chính
NỘI DUNG CHÍNH
- Trí tuệ tài chính kết hợp tri thức tài chính với công nghệ tiên tiến, nhằm nâng cao hiệu quả của ngành tài chính, trải nghiệm khách hàng và năng lực quản lý rủi ro.
- Trí tuệ tài chính thể hiện tính đặc thù trong việc xử lý sự phức tạp của thị trường, tính đa dạng của dữ liệu, cũng như đặc điểm rủi ro cao và yêu cầu tuân thủ.
- Trí tuệ tài chính cung cấp hỗ trợ ra quyết định dựa trên dữ liệu và các giải pháp tối ưu trong những lĩnh vực như đầu tư và giao dịch, quản lý rủi ro, đánh giá tín dụng.
- Trí tuệ tài chính tích hợp dữ liệu lớn, trí tuệ nhân tạo, blockchain và điện toán đám mây để đổi mới dịch vụ tài chính và phương thức vận hành truyền thống.
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Nắm vững định nghĩa và mục tiêu cơ bản của trí tuệ tài chính, cũng như các ứng dụng trong từng bối cảnh tài chính.
- Nhận diện và đánh giá những thách thức khi ứng dụng trí tuệ tài chính trong các bối cảnh cụ thể, đặc biệt là về tính phức tạp của thị trường và tính tuân thủ.
- Sử dụng các công nghệ trí tuệ tài chính như dữ liệu lớn và AI để thiết kế giải pháp tối ưu hóa hoạt động ra quyết định và dịch vụ của ngành tài chính.
- Tìm hiểu các yêu cầu về đạo đức và tuân thủ của trí tuệ tài chính
Điểm kiến thức 3
NỘI DUNG CHÍNH
- Hiện trạng phát triển trí tuệ tài chính tại Việt Nam: Trí tuệ tài chính tại Việt Nam đang phát triển mạnh mẽ, được thúc đẩy bởi các công ty fintech, ngân hàng số và chính sách hỗ trợ chuyển đổi số của Chính phủ trong lĩnh vực dịch vụ tài chính.
- Hiện trạng phát triển trí tuệ tài chính trên toàn cầu: Trí tuệ tài chính trên toàn cầu phát triển nhanh chóng, làm thay đổi phương thức vận hành của hoạt động tài chính truyền thống, đồng thời đối mặt với các thách thức về tuân thủ và an toàn dữ liệu.
- Những thách thức của trí tuệ tài chính: Đối mặt với nhiều thách thức như an toàn dữ liệu, tuân thủ quy định và độ chính xác của công nghệ, đòi hỏi sự phối hợp trong toàn ngành để giải quyết.
- Định hướng phát triển trí tuệ tài chính: Trong tương lai sẽ tập trung vào đổi mới công nghệ, tối ưu hóa dịch vụ và quản lý rủi ro, chú trọng khả năng diễn giải, tính an toàn và bảo vệ quyền riêng tư.
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu sâu hơn về hiện trạng ứng dụng trí tuệ tài chính tại Việt Nam và quốc tế, thúc đẩy sự tích hợp sâu giữa công nghệ và nghiệp vụ.
- Nâng cao nhận thức về những thách thức mà trí tuệ tài chính phải đối mặt, tăng cường năng lực ứng phó về an toàn dữ liệu, tuân thủ quy định, v.v.
- Theo dõi những đổi mới công nghệ và xu hướng ứng dụng mới nhất của trí tuệ tài chính để định hướng sự phát triển của ngành.
Điểm kiến thức 4 Kiến thức cơ bản về Python
NỘI DUNG CHÍNH
- Các kiểu dữ liệu thường dùng trong Python
- Câu lệnh điều kiện, vòng lặp và hàm trong Python
- Các thư viện thường dùng trong Python
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Thành thạo các kiểu dữ liệu thường dùng trong Python như danh sách và từ điển
- Thành thạo câu lệnh điều kiện, câu lệnh vòng lặp và cách viết hàm trong Python
- Thành thạo việc gọi các thư viện trong Python như Numpy, Pandas và Sklearn
Điểm kiến thức 5 Đánh giá mô hình học máy
NỘI DUNG CHÍNH
- Giải quyết quá khớp và thiếu khớp
- Đánh đổi chệch–phương sai
- Các chỉ số đánh giá mô hình học máy cho bài toán hồi quy
- Điều chỉnh siêu tham số của học máy
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Thành thạo việc vận dụng các phương pháp để giải quyết vấn đề quá khớp và thiếu khớp
- Thành thạo phân tích bằng cách phân rã sai số trên tập huấn luyện thành độ chệch và phương sai
- Thành thạo việc sử dụng sai số bình phương trung bình, sai số tuyệt đối trung bình và hệ số xác định để đánh giá hiệu năng của mô hình hồi quy
- Thành thạo việc sử dụng ba phương pháp kiểm định chéo cố định, kiểm định chéo k-fold và kiểm định chéo chuỗi thời gian để thiết lập tập xác thực
MODULE 2 · Nguyên lý cơ bản của tài chính học
Điểm kiến thức 1 Thị trường tài chính
NỘI DUNG CHÍNH
- Khái niệm và chức năng của thị trường tài chính
- Phân loại thị trường tài chính
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu khái niệm và bốn chức năng của thị trường tài chính
- Hiểu cách phân loại và tiêu chí phân chia thị trường tài chính
Điểm kiến thức 2 Định giá tài sản thực chứng (empirical asset pricing)
NỘI DUNG CHÍNH
- Vấn đề cốt lõi của định giá tài sản: lợi suất kỳ vọng của cổ phiếu
- Phân tích danh mục đầu tư
- Đầu tư nhân tố
- Định nghĩa và phương pháp xây dựng mô hình nhân tố trên thị trường chứng khoán Việt Nam (HoSE/HNX)
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu định nghĩa và vai trò của lợi suất kỳ vọng của cổ phiếu
- Hiểu và thành thạo việc vận dụng các phương pháp phân tích danh mục đầu tư khác nhau
- Hiểu định nghĩa và phương pháp xây dựng mô hình nhân tố trên thị trường chứng khoán Việt Nam (HoSE/HNX)
MODULE 3 · Phương pháp tuyến tính và phương pháp tuyến tính có số hạng phạt
Điểm kiến thức 1 Phương pháp phân tích tuyến tính trong trí tuệ tài chính
NỘI DUNG CHÍNH
- Mô hình tuyến tính dưới góc nhìn kinh tế lượng
- Mô hình tuyến tính dưới góc nhìn ma trận
- Giới thiệu hàm mất mát
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu các khái niệm cơ bản của phương trình tuyến tính trong kinh tế lượng
- Hiểu phương trình tuyến tính dưới góc nhìn ma trận và mã nguồn cốt lõi
- Hiểu định nghĩa và ứng dụng của hàm mất mát
Điểm kiến thức 2 Thuật toán hồi quy logistic
NỘI DUNG CHÍNH
- Định nghĩa bài toán phân loại
- Định nghĩa bài toán hồi quy logistic và mã nguồn cốt lõi
- Định nghĩa nhân tố dị thường và phương pháp kiểm định
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu định nghĩa bài toán phân loại
- Hiểu định nghĩa bài toán hồi quy logistic và mã nguồn cốt lõi
- Hiểu định nghĩa nhân tố dị thường và thành thạo phương pháp kiểm định
Điểm kiến thức 3 Phương pháp tuyến tính có số hạng phạt
NỘI DUNG CHÍNH
- Mô hình hồi quy của phương pháp tuyến tính có số hạng phạt
- Định nghĩa hồi quy Ridge và mã nguồn cốt lõi
- Định nghĩa LASSO và mã nguồn cốt lõi
- Định nghĩa hồi quy Elastic Net và mã nguồn cốt lõi
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu và nắm vững mô hình hồi quy của phương pháp tuyến tính có số hạng phạt
- Hiểu và nắm vững định nghĩa hồi quy Ridge cùng mã nguồn cốt lõi
- Hiểu và nắm vững định nghĩa LASSO cùng mã nguồn cốt lõi
- Hiểu và nắm vững định nghĩa hồi quy Elastic Net cùng mã nguồn cốt lõi
MODULE 4 · Phương pháp giảm chiều và phân tích phân cụm
Điểm kiến thức 1 Tổng quan phương pháp phân tích giảm chiều
NỘI DUNG CHÍNH
- Định nghĩa và phân loại phương pháp giảm chiều
- Định nghĩa và mã nguồn của thuật toán phân tích thành phần chính
- Định nghĩa và mã nguồn của thuật toán bình phương tối thiểu từng phần
- Nguyên lý thuật toán IPCA, cùng mô hình IPCA có ràng buộc và không ràng buộc
- Phương pháp đo lường tâm lý nhà đầu tư
- Mô hình xây dựng chỉ số dựa trên phương pháp PCA
- Mã nguồn thực hành và phần phân tích
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu định nghĩa và phân loại phương pháp giảm chiều
- Hiểu định nghĩa và mã nguồn của thuật toán phân tích thành phần chính
- Hiểu định nghĩa và mã nguồn của thuật toán bình phương tối thiểu từng phần
- Hiểu nguyên lý thuật toán IPCA, nắm vững mô hình IPCA có ràng buộc và không ràng buộc
- Nắm vững phương pháp đo lường tâm lý nhà đầu tư
- Hiểu mô hình xây dựng chỉ số dựa trên phương pháp PCA
- Hiểu và nắm vững mã nguồn thực hành cùng phần phân tích
Điểm kiến thức 2 Phương pháp phân tích phân cụm trong trí tuệ tài chính
NỘI DUNG CHÍNH
- Định nghĩa các độ đo khoảng cách trong phân cụm
- Phương pháp phân cụm K-means (K-trung bình)
- Phương pháp phân cụm phân cấp
- Phương pháp phân cụm mờ
- Phương pháp phân cụm dựa trên mật độ
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu các khoảng cách như khoảng cách Euclid, khoảng cách Manhattan, khoảng cách Chebyshev và độ tương đồng cosin
- Thành thạo các khái niệm cơ bản và mã nguồn cốt lõi của phân cụm K-means (K-trung bình)
- Thành thạo các khái niệm cơ bản và mã nguồn cốt lõi của phân cụm phân cấp
- Thành thạo các khái niệm cơ bản và mã nguồn cốt lõi của phân cụm mờ
- Thành thạo các khái niệm cơ bản và mã nguồn cốt lõi của phân cụm dựa trên mật độ
MODULE 5 · Phương pháp dựa trên cây trong trí tuệ tài chính
Điểm kiến thức 1 Phương pháp phân tích dựa trên cây
NỘI DUNG CHÍNH
- Tổng quan phương pháp phân tích dựa trên cây và bối cảnh ứng dụng
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu tổng quan phương pháp phân tích dựa trên cây và bối cảnh ứng dụng
Điểm kiến thức 2 Cây quyết định
NỘI DUNG CHÍNH
- Nguyên lý và mã nguồn của cây quyết định
- Nguyên lý của học tổ hợp và thuật toán rừng ngẫu nhiên
- Mã nguồn và nguyên lý của cây quyết định tăng cường gradient
- Ứng dụng phương pháp dựa trên cây trong phân tích tình huống xếp hạng Morningstar
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu nguyên lý và mã nguồn của cây quyết định
- Hiểu nguyên lý của học tổ hợp và thuật toán rừng ngẫu nhiên
- Hiểu mã nguồn và nguyên lý của cây quyết định tăng cường gradient
- Nắm vững ứng dụng phương pháp dựa trên cây trong phân tích tình huống xếp hạng Morningstar
MODULE 6 · Mạng neuron nhân tạo trong trí tuệ tài chính
Điểm kiến thức 1 Mạng neuron kết nối đầy đủ
NỘI DUNG CHÍNH
- Các khái niệm cơ bản về mạng neuron nhân tạo
- Các hàm kích hoạt và thuật toán tối ưu hóa thường dùng
- Các phương pháp thường dùng trong huấn luyện
- Triển khai mạng neuron kết nối đầy đủ
- Ứng dụng mạng neuron kết nối đầy đủ trong trí tuệ tài chính
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu các khái niệm cơ bản về mạng neuron
- Nắm vững phương pháp xây dựng và huấn luyện mạng neuron
- Nắm vững ứng dụng mô hình mạng neuron kết nối đầy đủ trong trí tuệ tài chính
Điểm kiến thức 2 Bộ tự mã hóa
NỘI DUNG CHÍNH
- Nguyên lý và các đặc điểm chính của bộ tự mã hóa
- Phương pháp triển khai bộ tự mã hóa bằng mã nguồn
- Ứng dụng mô hình bộ tự mã hóa trong trí tuệ tài chính
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu nguyên lý cơ bản của bộ tự mã hóa
- Thành thạo việc triển khai bộ tự mã hóa bằng mã nguồn
- Nắm vững ứng dụng mô hình bộ tự mã hóa trong trí tuệ tài chính
Điểm kiến thức 3 Mạng neuron tích chập
NỘI DUNG CHÍNH
- Khái niệm và các đặc điểm chính của mạng neuron tích chập
- Nguyên lý cấu trúc mạng (lớp tích chập, lớp gộp)
- Triển khai mạng neuron tích chập bằng mã nguồn
- Ứng dụng mô hình RNN trong trí tuệ tài chính
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Tìm hiểu các đặc điểm chính và bối cảnh ứng dụng của mạng neuron tích chập
- Nắm vững phương pháp xây dựng mạng neuron tích chập
- Nắm vững ứng dụng mô hình RNN trong trí tuệ tài chính
Điểm kiến thức 4 Mô hình RNN
NỘI DUNG CHÍNH
- Định nghĩa và nguồn gốc của RNN
- Cấu trúc cơ bản của RNN
- Nguyên lý cốt lõi của RNN
- So sánh RNN với các mạng neuron khác
- Xây dựng ba kiến trúc mạng hồi quy chủ yếu: RNN cơ bản, LSTM và GRU.
- Dự đoán và đánh giá mô hình RNN
- Ứng dụng mô hình RNN trong trí tuệ tài chính
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Nắm vững định nghĩa, nguồn gốc của RNN và bối cảnh ứng dụng trong xử lý dữ liệu tuần tự.
- Hiểu cấu trúc cơ bản, khái niệm chia sẻ tham số và trạng thái ẩn của RNN, cùng vai trò của chúng trong xử lý dữ liệu tuần tự.
- Tìm hiểu cách RNN sử dụng trạng thái và bộ nhớ để xử lý dữ liệu chuỗi thời gian, cùng ứng dụng của RNN trong các loại nhiệm vụ tuần tự.
- Có thể nhận diện những khác biệt chính giữa RNN với mạng neuron truyền thẳng và mạng neuron tích chập về tư tưởng thiết kế, đặc điểm cấu trúc và bối cảnh áp dụng.
- Hiểu và áp dụng các phương pháp tiền xử lý dữ liệu chuỗi thời gian
- Sử dụng khung TensorFlow để xây dựng và huấn luyện các mô hình RNN cơ bản, LSTM và GRU.
- So sánh hiệu năng của các kiến trúc mô hình RNN khác nhau, nắm vững phương pháp đánh giá mô hình và có thể điều chỉnh mô hình theo kết quả thí nghiệm.
- Giải thích giả thuyết thị trường hiệu quả và ảnh hưởng của nó đối với thị trường tài chính.
- Hiểu và phân tích việc sử dụng kỹ thuật học sâu để kiểm định thực nghiệm giả thuyết thị trường hiệu quả dạng yếu, cũng như ý nghĩa của việc này đối với phân tích thị trường tài chính và chiến lược đầu tư.
MODULE 7 · Mô hình GAN trong trí tuệ tài chính
Điểm kiến thức 1 Cơ sở mô hình GAN
NỘI DUNG CHÍNH
- Định nghĩa và nguồn gốc của GAN
- Cấu trúc cơ bản của GAN
- So sánh GAN với các mạng neuron khác
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Có thể trình bày chức năng của bộ sinh và bộ phân biệt, cũng như cách chúng thúc đẩy lẫn nhau thông qua quá trình đối kháng.
- Tìm hiểu quá trình huấn luyện GAN, bao gồm cơ chế huấn luyện đối kháng và thiết kế hàm mất mát, cũng như bối cảnh ứng dụng của GAN trong trí tuệ tài chính và các lĩnh vực khác.
- Có thể so sánh sự khác biệt giữa GAN với các mô hình học sâu khác như CNN và RNN, hiểu ưu điểm và hạn chế của chúng khi xử lý các loại nhiệm vụ khác nhau.
Điểm kiến thức 2 Huấn luyện và tối ưu hóa mô hình GAN
NỘI DUNG CHÍNH
- Tiền xử lý dữ liệu phù hợp với mô hình GAN
- Huấn luyện mô hình GAN dựa trên dữ liệu hình ảnh
- Phân tích kết quả huấn luyện mô hình GAN
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Nắm vững phương pháp tiền xử lý dữ liệu cho GAN
- Nắm được quá trình xây dựng và huấn luyện mô hình GAN, bao gồm thiết kế bộ sinh và bộ phân biệt, cũng như thiết lập các tham số then chốt trong quá trình huấn luyện.
- Có thể đánh giá hiệu năng của mô hình GAN bằng cách so sánh hình ảnh gốc với hình ảnh được sinh ra, đồng thời tìm hiểu các phương pháp nâng cao chất lượng hình ảnh sinh.
Điểm kiến thức 3 Ứng dụng GAN trong trí tuệ tài chính
NỘI DUNG CHÍNH
- Nhân tố chiết khấu ngẫu nhiên (SDF)
- Những thách thức khi ước lượng SDF
- Ứng dụng GAN trong ước lượng SDF
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Có thể giải thích khái niệm nhân tố chiết khấu ngẫu nhiên và ứng dụng của nó trong định giá tài sản tài chính.
- Tìm hiểu cách sử dụng mạng đối nghịch tạo sinh và kỹ thuật học sâu để ước lượng SDF, cũng như cách phương pháp này giải quyết những thách thức của các phương pháp ước lượng truyền thống.
- Có thể đánh giá tiềm năng và ưu thế của việc sử dụng GAN và kỹ thuật học sâu trong lĩnh vực trí tuệ tài chính, đặc biệt là trong định giá tài sản.
MODULE 8 · Thuật toán học tăng cường trong trí tuệ tài chính
Điểm kiến thức 1 Cơ sở thuật toán học tăng cường
NỘI DUNG CHÍNH
- Định nghĩa học tăng cường
- Bối cảnh ứng dụng của học tăng cường trong trí tuệ tài chính
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu nguyên lý cơ bản của học tăng cường: bao gồm các khái niệm tác tử, môi trường, trạng thái, hành động và phần thưởng, cùng vai trò của chúng trong học tăng cường.
- Áp dụng học tăng cường để giải quyết vấn đề: Có thể sử dụng học tăng cường để giải quyết các vấn đề thực tế, đặc biệt là tối ưu hóa quyết định trong môi trường động và không chắc chắn.
- Đánh giá tính phù hợp và hạn chế của học tăng cường: Hiểu ưu thế và những thách thức có thể có của học tăng cường, cũng như cách ứng dụng hiệu quả học tăng cường trong trí tuệ tài chính và các lĩnh vực khác.
Điểm kiến thức 2 Thuật toán học tăng cường và quá trình huấn luyện
NỘI DUNG CHÍNH
- Tổng quan về học tăng cường
- Các thành phần cốt lõi và thuật toán chủ yếu của học tăng cường
- Mô phỏng hành vi giao dịch trên thị trường cổ phiếu bằng học tăng cường
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Có thể hiểu và giải thích các khái niệm, nguyên lý cơ bản của học tăng cường, cũng như sự khác biệt giữa học tăng cường với các phương pháp học máy khác.
- Hiểu và có thể mô tả mối quan hệ giữa tác tử, môi trường, trạng thái, hành động và phần thưởng, cùng vai trò của chúng trong học tăng cường.
- Nắm được các thuật toán chủ yếu: Có thể nhận diện và giải thích các thuật toán chính trong học tăng cường, bao gồm Q-learning, SARSA, phương pháp gradient chính sách và thuật toán học tăng cường sâu, đồng thời hiểu bối cảnh áp dụng và ưu thế của từng thuật toán.
- Ứng dụng thực hành: Có thể sử dụng Python để triển khai mô hình học tăng cường đơn giản, huấn luyện và kiểm tra mô hình trong môi trường mô phỏng hoặc thực tế, chẳng hạn học và tối ưu hóa chiến lược giao dịch thông qua môi trường giao dịch cổ phiếu mô phỏng.
Điểm kiến thức 3 Ứng dụng học tăng cường trong trí tuệ tài chính
NỘI DUNG CHÍNH
- Ứng dụng và ưu thế cốt lõi của học tăng cường
- Ứng dụng học tăng cường trong tối ưu hóa danh mục đầu tư
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu ứng dụng của học tăng cường trong tài chính: Có thể hiểu cách học tăng cường được ứng dụng vào những bối cảnh khác nhau trong lĩnh vực tài chính, bao gồm giao dịch, đầu tư và quản lý rủi ro.
- Nắm vững ưu thế và thách thức của học tăng cường: Hiểu ưu thế của học tăng cường trong quá trình ra quyết định tài chính, cũng như những thách thức có thể gặp phải trong ứng dụng tài chính thực tế.
MODULE 9 · Xử lý ngôn ngữ tự nhiên trong trí tuệ tài chính
Điểm kiến thức 1 Xử lý ngôn ngữ tự nhiên
NỘI DUNG CHÍNH
- Tổng quan về xử lý ngôn ngữ tự nhiên
- Quá trình phát triển của xử lý ngôn ngữ tự nhiên
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu khái niệm, vai trò và phương pháp cơ bản của xử lý ngôn ngữ tự nhiên
- Nắm vững quá trình phát triển của xử lý ngôn ngữ tự nhiên
Điểm kiến thức 2 Tách từ, nhúng từ và mô hình chủ đề LDA
NỘI DUNG CHÍNH
- Phương pháp tách từ dựa trên đối sánh chuỗi
- Phương pháp tách từ dựa trên xác suất thống kê
- Độ tương đồng văn bản TF-IDF
- Mô hình nhúng từ word2vec
- Mô hình chủ đề LDA
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Nắm vững phương pháp tách từ dựa trên đối sánh chuỗi và mã nguồn cốt lõi
- Nắm vững phương pháp tách từ dựa trên xác suất thống kê và mã nguồn cốt lõi
- Nắm vững phương pháp và mã nguồn cốt lõi của độ tương đồng văn bản TF-IDF
- Nắm vững phương pháp và mã nguồn cốt lõi của mô hình nhúng từ word2vec
- Nắm vững phương pháp và mã nguồn cốt lõi của mô hình chủ đề LDA
MODULE 10 · Phương pháp blockchain trong trí tuệ tài chính
Điểm kiến thức 1 Tổng quan công nghệ blockchain và bối cảnh ứng dụng
NỘI DUNG CHÍNH
- Lịch sử phát triển của công nghệ blockchain
- Blockchain công khai, blockchain riêng tư và blockchain liên minh
- Chuỗi chéo và chuỗi bên
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu các khái niệm cơ bản về blockchain: bao gồm nguồn gốc, nguyên lý cơ bản, các loại hình khác nhau (blockchain công khai, blockchain riêng tư, blockchain liên minh), cùng đặc điểm và bối cảnh ứng dụng của chúng.
- Phân tích ứng dụng của công nghệ blockchain, đồng thời đánh giá ưu thế và thách thức của công nghệ blockchain.
- Nắm vững nền tảng của công nghệ chuỗi chéo và chuỗi bên, cùng các trường hợp ứng dụng thực tế của những công nghệ này.
Điểm kiến thức 2 Thuật toán mã hóa và cơ chế đồng thuận của công nghệ blockchain
NỘI DUNG CHÍNH
- Thuật toán mã hóa
- Cơ chế đồng thuận
- Bài toán các vị tướng Byzantine
- Cân bằng kinh tế học trong blockchain
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu và nắm vững các thuật toán mã hóa chủ yếu được Bitcoin và Ethereum sử dụng, cùng vai trò của chúng đối với an toàn blockchain.
- Tìm hiểu nguyên lý, ưu điểm và nhược điểm của các cơ chế đồng thuận khác nhau, bao gồm PoW và PoS, cũng như cách chúng ảnh hưởng đến tính an toàn, hiệu quả và mức độ phi tập trung của mạng blockchain.
- Phân tích ứng dụng và giải pháp của bài toán các vị tướng Byzantine trong blockchain, cùng ảnh hưởng của các giải pháp này đối với an toàn mạng.
- Hiểu khái niệm cân bằng kinh tế học trong trò chơi ẩn danh và có thể phân tích cách lý thuyết này định hướng việc thiết kế cơ chế khuyến khích trong mạng blockchain.
Điểm kiến thức 3 Công nghệ blockchain và công nghệ hợp đồng thông minh
NỘI DUNG CHÍNH
- Khái niệm cơ bản về hợp đồng thông minh
- Ứng dụng hợp đồng thông minh
- Tiền kỹ thuật số ngân hàng trung ương (CBDC) và hợp đồng thông minh
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu nguyên lý hoạt động, ưu thế và thách thức tiềm ẩn của hợp đồng thông minh, cũng như cách hợp đồng thông minh tự động thực thi và quản lý hợp đồng trên nền tảng blockchain.
- Nắm vững ứng dụng của hợp đồng thông minh trong các lĩnh vực khác nhau, bao gồm dịch vụ tài chính, lưu trữ dữ liệu và thế giới ảo, cũng như cách sử dụng hợp đồng thông minh để thúc đẩy sự phát triển của các ứng dụng phi tập trung.
- Tìm hiểu đặc điểm, mục đích và cơ chế vận hành của tiền kỹ thuật số ngân hàng trung ương (CBDC), cùng sự khác biệt giữa CBDC với phương thức thanh toán điện tử truyền thống và tiền mã hóa.
- Tìm hiểu sự kết hợp giữa hợp đồng thông minh và CBDC trong hệ thống tài chính hiện đại
Điểm kiến thức 4 Ứng dụng công nghệ blockchain trong lĩnh vực tài chính
NỘI DUNG CHÍNH
- Công nghệ blockchain và Web 3.0
- Kinh tế học token
- Tài chính phi tập trung
- Đồng tiền ổn định thuật toán
- Sàn giao dịch phi tập trung
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu cách blockchain cung cấp giải pháp xác lập quyền sở hữu tài sản dữ liệu và kinh tế token trong Web 3.0
- Nắm vững các khái niệm cơ bản và ứng dụng của DeFi
- Có thể phân tích và đánh giá thiết kế, quản lý rủi ro và ảnh hưởng thị trường của các sản phẩm DeFi như đồng tiền ổn định thuật toán DAI.
- Tìm hiểu và đánh giá cách công nghệ blockchain cung cấp các giải pháp đổi mới trong lĩnh vực tài chính, đặc biệt là trong việc nâng cao tính minh bạch, tính an toàn và khả năng tiếp cận của dịch vụ tài chính.
MODULE 11 · Phần ứng dụng trong ngành
Điểm kiến thức 1 Ứng dụng trí tuệ tài chính trong thực tiễn các ngành
NỘI DUNG CHÍNH
- Ứng dụng học máy trong lĩnh vực đầu tư chứng khoán
- Ứng dụng phân tích văn bản trong lĩnh vực chính sách tiền tệ
- Ứng dụng học máy trong lĩnh vực tài chính doanh nghiệp
- Ứng dụng phân tích văn bản trong lĩnh vực tài chính xanh
- Ứng dụng học máy trong lĩnh vực cấu trúc vi mô thị trường
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu các phương pháp cơ bản sử dụng học máy để lựa chọn cổ phiếu và quỹ
- Hiểu tư tưởng cơ bản sử dụng mô hình chủ đề LDA trong phân tích văn bản để dự đoán chu kỳ kinh tế
- Hiểu tư tưởng cơ bản sử dụng học máy trong quản trị doanh nghiệp
- Hiểu tư tưởng cơ bản sử dụng phân tích văn bản để đo lường mức độ xanh của doanh nghiệp
- Hiểu tư tưởng cơ bản sử dụng học máy để dự đoán lợi suất trong ngày
MODULE 12 · Giám sát công nghệ tài chính và công nghệ giám sát (RegTech)
Điểm kiến thức 1 Chính sách giám sát công nghệ tài chính
NỘI DUNG CHÍNH
- Nội hàm và chính sách của Việt Nam và quốc tế về giám sát tài chính
- Nội hàm và chính sách của Việt Nam và quốc tế về giám sát công nghệ tài chính
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu nội hàm của giám sát tài chính và giám sát công nghệ tài chính
- Tìm hiểu quá trình phát triển chính sách giám sát tài chính của Việt Nam và quốc tế
- Tìm hiểu quá trình phát triển chính sách giám sát công nghệ tài chính của Việt Nam và quốc tế
Điểm kiến thức 2 Các trường hợp giám sát trong từng lĩnh vực công nghệ tài chính
NỘI DUNG CHÍNH
- Trường hợp giám sát blockchain
- Trường hợp giám sát P2P
- Trường hợp giám sát tín dụng tiêu dùng
- Trường hợp giám sát quản lý tài sản trực tuyến (Internet wealth management)
- Trường hợp giám sát giao dịch định lượng
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Nắm vững tư tưởng cơ bản về giám sát công nghệ tài chính
- Vận dụng linh hoạt tư tưởng giám sát công nghệ tài chính để phân tích vấn đề và chính sách giám sát trong các lĩnh vực cụ thể
Điểm kiến thức 3 Công nghệ giám sát
NỘI DUNG CHÍNH
- Nội hàm của công nghệ giám sát
- Các trường hợp ứng dụng cụ thể của công nghệ giám sát
YÊU CẦU (MỤC TIÊU NĂNG LỰC)
- Hiểu tư tưởng cụ thể về việc ứng dụng công nghệ giám sát vào hoạt động giám sát
DỰ ÁN THÍ NGHIỆM & THỰC HÀNH
Financial Intelligence - Trí tuệ tài chính
Hướng dẫn các dự án thí nghiệm trong trường và thực hành tổng hợp ngoài trường của học phần “Trí tuệ tài chính”
Thí nghiệm trong trường (1) · Hệ thống chấm điểm tín dụng người dùng
TÊN THÍ NGHIỆM
Hệ thống chấm điểm tín dụng người dùng
MỤC ĐÍCH THÍ NGHIỆM
Vận dụng tổng hợp các kỹ thuật học máy, bao gồm phương pháp giảm chiều và nhiều mô hình cây, v.v.
NỘI DUNG THÍ NGHIỆM
Phát triển một hệ thống chấm điểm tín dụng người dùng. Đầu vào là thông tin cá nhân, dữ liệu lịch sử tín dụng và các dữ liệu khác của người dùng; đầu ra là điểm tín dụng tương ứng. Các module cụ thể bao gồm:
- 1. Thu thập đặc trưng cơ bản: Thu thập thông tin cá nhân, dữ liệu lịch sử tín dụng và các dữ liệu vĩ mô khác của người dùng, sau đó tiến hành tiền xử lý.
- 2. Trích xuất đặc trưng then chốt: Sử dụng phương pháp giảm chiều trong học máy để trích xuất từ dữ liệu thu được ở bước 1 những đặc trưng then chốt ảnh hưởng đến điểm tín dụng.
- 3. Huấn luyện mô hình: Dựa trên các đặc trưng được trích xuất ở bước 2, sử dụng mô hình cây để huấn luyện, lựa chọn hàm mất mát phù hợp để đánh giá hiệu năng, cuối cùng thu được điểm tín dụng của người dùng.
Thí nghiệm trong trường (2) · Hệ thống phát hiện bất thường trong giao dịch tài chính
TÊN THÍ NGHIỆM
Hệ thống phát hiện bất thường trong giao dịch tài chính
MỤC ĐÍCH THÍ NGHIỆM
Vận dụng tổng hợp các kỹ thuật học máy, bao gồm phương pháp giảm chiều và bộ tự mã hóa, v.v.
NỘI DUNG THÍ NGHIỆM
Phát triển một hệ thống phát hiện bất thường trong giao dịch thẻ tín dụng. Đầu vào là thông tin giao dịch đã được ẩn danh hóa, bao gồm các đặc trưng như thời gian giao dịch, số tiền giao dịch và thông tin người dùng đã được ẩn danh hóa; đầu ra là nhãn gian lận nhị phân. Các module cụ thể bao gồm:
- 1. Xử lý đặc trưng: Thu thập dữ liệu giao dịch bình thường và dữ liệu có chứa giao dịch bất thường, sau đó tiến hành tiền xử lý.
- 2. Huấn luyện mô hình: Sử dụng dữ liệu giao dịch bình thường thu được ở bước 1 để huấn luyện, giúp mô hình học các đặc trưng của mẫu hình giao dịch bình thường.
- 3. Nhận diện bất thường: Đưa dữ liệu có chứa giao dịch bất thường ở bước 1 vào mô hình đã huấn luyện ở bước 2 để nhận diện các giao dịch bất thường.
Thí nghiệm trong trường (3) · Mô hình dự đoán xu hướng giá cổ phiếu
TÊN THÍ NGHIỆM
Mô hình dự đoán xu hướng giá cổ phiếu
MỤC ĐÍCH THÍ NGHIỆM
Vận dụng tổng hợp các kỹ thuật học máy, bao gồm phương pháp giảm chiều và mạng neuron tích chập, v.v.
NỘI DUNG THÍ NGHIỆM
Xây dựng mô hình dự đoán xu hướng giá cổ phiếu. Đầu vào là dữ liệu chuỗi thời gian của giá cổ phiếu trong quá khứ; đầu ra là xu hướng tăng hoặc giảm của giá trong một khoảng thời gian tương lai. Các module cụ thể bao gồm:
- 1. Xử lý dữ liệu: Thu thập dữ liệu chuỗi thời gian của giá cổ phiếu và tiến hành tiền xử lý; sử dụng cửa sổ trượt để chia dữ liệu chuỗi thời gian thành các chuỗi con.
- 2. Huấn luyện mô hình: Sử dụng các chuỗi con thu được ở bước 1 để huấn luyện mạng neuron tích chập.
- 3. Kiểm tra mô hình: Sử dụng mô hình đã huấn luyện ở bước 2 trên tập kiểm tra để thu được kết quả dự đoán xu hướng; kiểm tra tỷ suất sinh lời bằng các phương thức như xây dựng danh mục mua–bán khống (long–short).
Thí nghiệm trong trường (4) · Hệ thống phân tích cảm xúc truyền thông tài chính
TÊN THÍ NGHIỆM
Hệ thống phân tích cảm xúc truyền thông tài chính
MỤC ĐÍCH THÍ NGHIỆM
Sử dụng kỹ thuật xử lý ngôn ngữ tự nhiên và phân tích cảm xúc để phân tích cảm xúc truyền thông trên thị trường tài chính.
NỘI DUNG THÍ NGHIỆM
Phát triển một hệ thống phân tích cảm xúc truyền thông tài chính. Đầu vào là dữ liệu văn bản trong lĩnh vực tài chính, bao gồm bản tin tài chính, bình luận trên mạng xã hội, quan điểm trên diễn đàn tài chính, v.v. Đầu ra là xu hướng cảm xúc thu được sau khi phân tích cảm xúc dữ liệu văn bản, chẳng hạn như lạc quan, bi quan và trung lập.
- 1. Thu thập và tiền xử lý dữ liệu: Thu thập dữ liệu văn bản liên quan đến tài chính từ các kênh như trang tin tài chính, nền tảng mạng xã hội và diễn đàn tài chính, bao gồm bản tin, bình luận, quan điểm, v.v.; tiến hành các công việc tiền xử lý như làm sạch dữ liệu, loại bỏ nhiễu và tách từ.
- 2. Xây dựng mô hình phân tích cảm xúc: Xây dựng mô hình phân tích cảm xúc dành cho lĩnh vực tài chính; sử dụng thuật toán học máy hoặc mô hình học sâu để phân loại cảm xúc của văn bản và xác định xu hướng cảm xúc của công chúng đối với thị trường tài chính.
Thí nghiệm trong trường (5) · Hệ thống phân tích độ dễ đọc của văn bản tài chính
TÊN THÍ NGHIỆM
Hệ thống phân tích độ dễ đọc của văn bản tài chính
MỤC ĐÍCH THÍ NGHIỆM
Sử dụng kỹ thuật xử lý ngôn ngữ tự nhiên để xây dựng một hệ thống phân tích độ dễ đọc của văn bản tài chính, có khả năng đánh giá mức độ dễ đọc của văn bản tài chính (như bản tin tài chính, báo cáo đầu tư, v.v.).
NỘI DUNG THÍ NGHIỆM
Phát triển một hệ thống phân tích độ dễ đọc của văn bản tài chính. Đầu vào là dữ liệu văn bản trong lĩnh vực tài chính, bao gồm báo cáo thường niên, các loại báo cáo doanh nghiệp, v.v. Đầu ra là kết quả đánh giá độ dễ đọc của văn bản tài chính.
- 1. Thu thập và tiền xử lý dữ liệu: Thu thập dữ liệu văn bản tài chính từ các kênh như trang tin tài chính lớn và cơ sở dữ liệu báo cáo đầu tư, bao gồm báo cáo thường niên của doanh nghiệp, v.v.; tiến hành các công việc tiền xử lý như làm sạch và phân đoạn dữ liệu.
- 2. Trích xuất đặc trưng văn bản: Sử dụng kỹ thuật xử lý ngôn ngữ tự nhiên để trích xuất các đặc trưng của văn bản tài chính, bao gồm độ dài câu, độ phức tạp của từ vựng, cấu trúc câu, v.v., nhằm đánh giá độ dễ đọc của văn bản.
- 3. Xây dựng mô hình đánh giá độ dễ đọc: Xây dựng mô hình đánh giá độ dễ đọc; sử dụng thuật toán học máy hoặc mô hình học sâu để huấn luyện mô hình có khả năng dự đoán độ dễ đọc của văn bản tài chính.
Thí nghiệm trong trường (6) · Hệ thống phân nhóm khách hàng ngân hàng
TÊN THÍ NGHIỆM
Hệ thống phân nhóm khách hàng ngân hàng
MỤC ĐÍCH THÍ NGHIỆM
Sử dụng kỹ thuật phân tích phân cụm để xây dựng một hệ thống phân nhóm khách hàng ngân hàng, có khả năng nhận diện các nhóm khách hàng có đặc trưng và nhu cầu tương tự.
NỘI DUNG THÍ NGHIỆM
Phát triển một hệ thống phân nhóm khách hàng ngân hàng. Đầu vào là dữ liệu như thông tin cá nhân, dữ liệu tài chính và lịch sử giao dịch của khách hàng ngân hàng. Đầu ra là kết quả phân tích phân cụm đối với từng khách hàng, tức nhóm mà khách hàng thuộc về, cùng đặc điểm, nhu cầu và sở thích của từng nhóm.
- 1. Thu thập và tiền xử lý dữ liệu: Thu thập dữ liệu như thông tin cá nhân, dữ liệu tài chính và lịch sử giao dịch của khách hàng ngân hàng; tiến hành làm sạch dữ liệu, loại bỏ điểm ngoại lai, xử lý giá trị thiếu và thực hiện kỹ thuật đặc trưng.
- 2. Trích xuất đặc trưng: Trích xuất đặc trưng từ dữ liệu khách hàng, bao gồm độ tuổi, mức thu nhập, số dư tiền gửi, hạn mức khoản vay, xếp hạng tín dụng, v.v., nhằm phục vụ phân tích phân nhóm khách hàng.
- 3. Phân tích phân cụm: Sử dụng các thuật toán phân tích phân cụm, như phân cụm K-trung bình hoặc phân cụm phân cấp, để phân khúc thị trường khách hàng. Trong quá trình này, lựa chọn các đặc trưng khách hàng phù hợp để phân cụm, qua đó nhận diện các nhóm khách hàng có đặc trưng và nhu cầu tương tự.
- 4. Phân tích đặc trưng nhóm khách hàng: Phân tích đặc trưng của từng nhóm khách hàng để tìm hiểu đặc điểm, nhu cầu và sở thích của họ. Chẳng hạn, một nhóm có thể thiên về mức chi tiêu cao, trong khi nhóm khác chú trọng hơn đến hoạch định tài chính.
Thí nghiệm trong trường (7) · Hệ thống hợp đồng thông minh blockchain
TÊN THÍ NGHIỆM
Hệ thống hợp đồng thông minh blockchain
MỤC ĐÍCH THÍ NGHIỆM
Sử dụng công nghệ blockchain và hợp đồng thông minh để xây dựng một hệ thống hợp đồng thông minh blockchain đơn giản, giúp sinh viên hiểu và nắm vững các khái niệm cơ bản cũng như ứng dụng của cơ chế đồng thuận phi tập trung trong blockchain và hợp đồng thông minh.
NỘI DUNG THÍ NGHIỆM
Phát triển một hệ thống hợp đồng thông minh blockchain. Đầu vào là mã hợp đồng thông minh và môi trường mạng blockchain. Đầu ra là kết quả triển khai và tương tác của hợp đồng thông minh, cùng bản ghi giao dịch trên blockchain.
- 1. Giải thích nguyên lý hoạt động của blockchain, bao gồm cơ chế đồng thuận phi tập trung, xác thực giao dịch và cấu trúc khối. Giải thích khái niệm, công dụng của hợp đồng thông minh và cách triển khai trên Ethereum.
- 2. Hướng dẫn sinh viên làm quen với giao diện và các thao tác cơ bản tại https: //remix.ethereum.org/, giới thiệu cú pháp cơ bản của ngôn ngữ Solidity và cấu trúc của hợp đồng thông minh. Viết một hợp đồng thông minh đơn giản, chẳng hạn hợp đồng “Hello World”. Tiếp theo, sử dụng Remix IDE để tương tác với hợp đồng thông minh đã triển khai, gọi các phương thức trong hợp đồng để cập nhật và đọc dữ liệu. Quan sát quá trình xác nhận giao dịch, đồng thời xem bản ghi giao dịch và trạng thái hợp đồng trên trình khám phá blockchain như Etherscan.
- 3. Thảo luận về ứng dụng của công nghệ blockchain trong các lĩnh vực như tài chính, chuỗi cung ứng và hệ thống bỏ phiếu. Tiếp tục hướng dẫn sinh viên suy nghĩ và phân tích ưu điểm cũng như hạn chế của công nghệ blockchain.
- 4. Hoàn thành báo cáo thí nghiệm, mô tả các bước và kết quả thí nghiệm, bao gồm quy trình chi tiết về viết, triển khai và tương tác với hợp đồng; đồng thời tổng kết triển vọng ứng dụng của công nghệ blockchain, các vấn đề gặp phải trong quá trình thí nghiệm và giải pháp.
Thí nghiệm trong trường (8) · Mô hình định giá trái phiếu chuyển đổi dựa trên học đối kháng (GAN)
TÊN THÍ NGHIỆM
Mô hình định giá trái phiếu chuyển đổi dựa trên học đối kháng (GAN)
MỤC ĐÍCH THÍ NGHIỆM
Tham khảo tài liệu hiện có (Tan et al., 2022), sử dụng kỹ thuật mạng đối nghịch tạo sinh (GAN) trong học sâu để xây dựng một hệ thống định giá trái phiếu chuyển đổi. Hệ thống có khả năng mô phỏng chính xác quá trình lợi suất của cổ phiếu cơ sở, nâng cao tính linh hoạt và độ chính xác của việc định giá trái phiếu chuyển đổi.
NỘI DUNG THÍ NGHIỆM
- 1. Thu thập và tiền xử lý dữ liệu. Thu thập dữ liệu lợi suất ngày và các điều khoản cơ bản của tất cả trái phiếu chuyển đổi niêm yết trên thị trường chứng khoán Việt Nam (HoSE/HNX), bao gồm giá chuyển đổi, thời gian đáo hạn, lãi suất coupon, v.v. Làm sạch và tiền xử lý dữ liệu để bảo đảm tính nhất quán và độ tin cậy của dữ liệu.
- 2. Trích xuất đặc trưng và mô hình hóa: Sử dụng mạng đối nghịch tạo sinh (GAN) để trích xuất các đặc trưng của lợi suất cổ phiếu, bao gồm độ biến động, số hạng trôi dạt (drift), v.v. Chuyển chuỗi lợi suất cổ phiếu thực tế sang phân phối trung lập rủi ro (risk-neutral), sinh các chuỗi thời gian mô phỏng phù hợp với những đặc tính thống kê chủ yếu của thị trường tài chính, như phân phối đuôi dày, biến động theo cụm (volatility clustering) và hiệu ứng đòn bẩy. Quá trình trên có thể sinh chuỗi lợi suất cổ phiếu trung lập rủi ro phù hợp với những đặc tính thống kê chủ yếu của thị trường tài chính, từ đó nâng cao độ chính xác và tính linh hoạt của việc định giá trái phiếu chuyển đổi.
- 3. Định giá trái phiếu chuyển đổi: Dựa trên các quỹ đạo giá cổ phiếu trung lập rủi ro được sinh ra, định giá trái phiếu chuyển đổi theo từng quỹ đạo mô phỏng. Ước lượng chiến lược thực hiện quyền tối ưu theo từng quỹ đạo mô phỏng và tính giá trị của trái phiếu chuyển đổi.
TÀI LIỆU THAM KHẢO Tan, X., Zhang, Z., Zhao, X., & Wang, S. (2022). DeepPricing: Pricing convertible bonds based on financial time-series generative adversarial networks. Financial Innovation, 8 (1), 64.
Dự án thực hành tổng hợp ngoài trường (1) · Thiết kế thực hành ứng dụng mô phỏng chiến lược định lượng
TÊN HOẠT ĐỘNG THỰC HÀNH
Thiết kế thực hành ứng dụng mô phỏng chiến lược định lượng
MỤC ĐÍCH THỰC HÀNH
Giúp sinh viên làm quen với quy trình cơ bản xây dựng chiến lược định lượng, nắm vững phương pháp cơ bản sử dụng kỹ thuật học máy để xây dựng chiến lược định lượng và triển khai trong ứng dụng thực tế.
NỘI DUNG THỰC HÀNH
Dựa trên dữ liệu giá lịch sử của cổ phiếu niêm yết trên thị trường chứng khoán Việt Nam (HoSE/HNX), xây dựng chiến lược giao dịch định lượng, tiến hành kiểm thử hồi cứu (backtest) và giao dịch mô phỏng.
HƯỚNG DẪN THIẾT KẾ THỰC HÀNH ỨNG DỤNG MÔ PHỎNG CHIẾN LƯỢC ĐỊNH LƯỢNG
- 1. Dữ liệu giá lịch sử của cổ phiếu niêm yết trên HoSE/HNX: Nguồn dữ liệu công khai: thư viện vnstock (https://vnstock.site) hoặc API của SSI, VNDirect, VNDIRECT Research
- 2. Thiết kế chiến lược định lượng: Vận dụng tổng hợp các phương pháp học máy như mô hình cây, học sâu, cơ chế chú ý, v.v.; dựa trên dữ liệu giá lịch sử của cổ phiếu niêm yết trên HoSE/HNX để xây dựng chiến lược giao dịch định lượng và đạt tỷ suất sinh lời cao nhất có thể. So sánh và thảo luận về đặc điểm cũng như khác biệt về tỷ suất sinh lời của các chiến lược.
- 3. Xác thực chiến lược định lượng: Sử dụng nền tảng phát triển định lượng để kiểm thử hồi cứu và giao dịch mô phỏng đối với chiến lược giao dịch, xác thực tính hiệu quả của chiến lược.
Có thể sử dụng thư viện vnstock kết hợp với backtrader hoặc zipline để kiểm thử hồi cứu và giao dịch mô phỏng; tài liệu tham khảo: https://vnstock.site/docs
Dự án thực hành tổng hợp ngoài trường (2) · Mô phỏng và dự đoán xu hướng quỹ
TÊN HOẠT ĐỘNG THỰC HÀNH
Mô phỏng và dự đoán xu hướng quỹ
MỤC ĐÍCH THỰC HÀNH
Bồi dưỡng năng lực sử dụng kỹ thuật học máy và học sâu để phân tích thị trường tài chính, nâng cao kinh nghiệm thực hành của sinh viên trong phân tích dữ liệu tài chính và giao dịch tài chính.
NỘI DUNG THỰC HÀNH
Dựa trên thông tin như dữ liệu hiệu suất lịch sử của quỹ, nhân tố lợi suất, nhân tố mức sụt giảm (drawdown) và nhân tố động lượng, sử dụng các phương pháp học máy, học sâu, v.v. để dự đoán thứ hạng tỷ suất sinh lời của quỹ, xác định trọng số danh mục quỹ và đạt tỷ suất sinh lời cao nhất có thể.
- 1. Dữ liệu lịch sử của quỹ: Có thể lấy dữ liệu lịch sử của quỹ từ các nguồn công khai tại Việt Nam như VNDirect, SSI, Fiinpro hoặc cổng thông tin của Ủy ban Chứng khoán Nhà nước (https://www.ssc.gov.vn); ngoài ra có thể sử dụng bộ dữ liệu quỹ trên Kaggle để thực hành
- 2. Xây dựng mô hình: Vận dụng tổng hợp các phương pháp học máy, dựa trên dữ liệu lịch sử của quỹ để dự đoán xu hướng tương lai của tỷ suất sinh lời quỹ, xác định trọng số danh mục quỹ và đạt tỷ suất sinh lời cao nhất có thể.
- 3. Kiểm tra kết quả: Có thể nộp kết quả dự đoán lên Kaggle hoặc so sánh với dữ liệu thực tế từ các nguồn dữ liệu quỹ Việt Nam, từ đó đánh giá tính hiệu quả của mô hình.