ការវិភាគស៊េរីពេលវេលាសេដ្ឋកិច្ច៖ វិធីសាស្រ្តពីគំរូសេដ្ឋកិច្ច និងការរៀនម៉ាស៊ីន

ការផ្ទុះទិន្នន័យ និងទីផ្សារប្រែប្រួលកំពុងបង្ខំឱ្យមានការផ្លាស់ប្តូរយ៉ាងសំខាន់នៅក្នុងគំរូព្យាករណ៍សេដ្ឋកិច្ច និងហិរញ្ញវត្ថុ។ សិក្ខាសាលា "ការវិភាគស៊េរីពេលវេលាសេដ្ឋកិច្ច" បង្ហាញពីនិន្នាការឆ្ពោះទៅរកការបញ្ចូលគ្នានូវសេដ្ឋកិច្ចបែបបុរាណ ជាមួយនឹងបច្ចេកទេសរៀនម៉ាស៊ីន ដោយបើកផ្លូវសម្រាប់ការព្យាករណ៍ដែលអាចបត់បែនបាន និងត្រឹមត្រូវ។

នៅក្នុងបរិបទនៃទិន្នន័យធំ ការផ្លាស់ប្តូរទីផ្សារយ៉ាងឆាប់រហ័ស និងទំនាក់ទំនង សេដ្ឋកិច្ច កាន់តែស្មុគស្មាញ ការទាមទារលើឧបករណ៍ព្យាករណ៍សេដ្ឋកិច្ច និងហិរញ្ញវត្ថុកំពុងផ្លាស់ប្តូរយ៉ាងខ្លាំង។

នេះត្រូវបានបង្ហាញយ៉ាងច្បាស់នៅក្នុងសិក្ខាសាលា វិទ្យាសាស្ត្រ "ការវិភាគស៊េរីពេលវេលាសេដ្ឋកិច្ច៖ វិធីសាស្រ្តពីគំរូសេដ្ឋកិច្ច និងការរៀនម៉ាស៊ីន" ដែលរៀបចំដោយបណ្ឌិត្យសភាហិរញ្ញវត្ថុ និងមជ្ឈមណ្ឌលអន្តរជាតិសម្រាប់ការស្រាវជ្រាវ និងបណ្តុះបណ្តាលគណិតវិទ្យា ដោយមានបទបង្ហាញដោយលោកបណ្ឌិត Cu Thu Thuy និង MSc ។ ហ័ងហ៊ូសឺន។

ការពិភាក្សានេះមិនត្រឹមតែផ្តល់នូវទិដ្ឋភាពទូទៅដ៏ទូលំទូលាយនៃគំរូស៊េរីពេលវេលាប្រពៃណីប៉ុណ្ណោះទេ ប៉ុន្តែសំខាន់ជាងនេះទៅទៀតនោះ បានគូសបញ្ជាក់ពីជំហានថ្មីឆ្ពោះទៅមុខ៖ ការធ្វើឱ្យប្រសើរឡើងនូវគំរូសេដ្ឋកិច្ចជាមួយនឹងបច្ចេកទេសរៀនម៉ាស៊ីនទំនើប។

ផ្នែកណែនាំនៃសិក្ខាសាលារៀបចំប្រព័ន្ធលក្ខណៈនៃស៊េរីពេលវេលាដូចជា និន្នាការ រដូវកាល វដ្ត ស្ថានី សម្លេងរំខាន និងម៉ូដែលបុរាណដូចជា ARIMA, SARIMA, ARDL, ECM, VAR/VECM ឬ GARCH...

អនុបណ្ឌិត លោក Hoang Huu Son បានធ្វើបទបង្ហាញនៅក្នុងសិក្ខាសាលាស្តីពីគំរូរៀនម៉ាស៊ីនក្នុងការវិភាគស៊េរីពេលវេលា។

ឧបករណ៍ទាំងនេះបានបង្កើតមូលដ្ឋានគ្រឹះនៃការស្រាវជ្រាវសេដ្ឋកិច្ចអស់ជាច្រើនទសវត្សមកហើយ ជាមួយនឹងគុណសម្បត្តិផ្សេងៗគ្នា៖ អំណាចបកស្រាយល្អ ក្របខ័ណ្ឌទ្រឹស្តីស្តង់ដារ ការចំណាយក្នុងការគណនាទាប និងភាពស័ក្តិសមសម្រាប់ទិន្នន័យខ្នាតតូច។

សព្វថ្ងៃនេះ ទីផ្សារហិរញ្ញវត្ថុដំណើរការជាមួយនឹងរចនាសម្ព័ន្ធចម្រុះដែលក្នុងនោះមានភាពមិនច្បាស់លាស់ខ្ពស់ ភាពតក់ស្លុតជាច្រើន និងភាពអាស្រ័យរយៈពេលវែង។ ចំនួនអថេរ និងប្រភពទិន្នន័យពង្រីកយ៉ាងឆាប់រហ័ស ពីទិន្នន័យដែលមានប្រេកង់ខ្ពស់ រហូតដល់ទិន្នន័យគ្មានរចនាសម្ព័ន្ធ។ នៅក្នុងបរិយាកាសបែបនេះ ការសន្មតបែបប្រពៃណី (ស្ថានី ការចែកចាយធម្មតា លីនេអ៊ែរ។ ហើយ Machine Learning គឺជាផ្នែកមួយនៃវិធីសាស្រ្តទំនើប និងប្រធានបទ។

ដូច្នេះ សិក្ខាសាលាសង្ខេបចំណេះដឹងជាមូលដ្ឋាននៃការរៀនម៉ាស៊ីន និងតួនាទីនៃការរៀនម៉ាស៊ីន បណ្តាញសរសៃប្រសាទ និងការរៀនស៊ីជម្រៅក្នុងការវិភាគស៊េរីពេលវេលាដូចជា MLP, RNN, LSTM, Bi-LSTM, Stacked LSTM ។ ខុសពីគំរូលីនេអ៊ែរបុរាណ ម៉ាស៊ីនរៀនបានយកឈ្នះលើដែនកំណត់នៃគំរូសេដ្ឋកិច្ចបែបប្រពៃណី ក៏ដូចជាអនុញ្ញាតឱ្យបង្កើតគំរូទំនាក់ទំនងមិនលីនេអ៊ែរ ចងចាំភាពអាស្រ័យរយៈពេលវែង និងលំនាំសិក្សាដោយស្វ័យប្រវត្តិនៅក្នុងស៊េរីទិន្នន័យ។

លោកបណ្ឌិត Cu Thu Thuy បាននិយាយនៅក្នុងសិក្ខាសាលាស្តីពី Econometrics and Machine Learning។

តាមរយៈការបង្ហាញនៃការពិសោធន៍ការព្យាករណ៍តម្លៃ Bitcoin និង VN-Index ជាមួយម៉ូដែលផ្សេងៗគ្នា វាត្រូវបានបង្ហាញថា ម៉ូដែល LSTM ផ្តល់កំហុស RMSE, MAE, MAPE ទាប សូម្បីតែនៅពេលដែលទិន្នន័យមានសំលេងរំខានខ្លាំងក៏ដោយ ហើយតាមរយៈម៉ូដែល LSTM វាក៏ឆ្លុះបញ្ចាំងពីលក្ខណៈសេដ្ឋកិច្ចនៃទិន្នន័យដែលបានព្យាករណ៍ផងដែរ ដោយហេតុនេះបង្ហាញពីគុណសម្បត្តិច្បាស់លាស់នៃការរៀនផ្នែកសេដ្ឋកិច្ច និងម៉ាស៊ីន។

ទស្សនៈលេចធ្លោនៅក្នុងសិក្ខាសាលាគឺ៖ សេដ្ឋកិច្ច និងការរៀនម៉ាស៊ីនមិនផ្ទុយគ្នាទេ ប៉ុន្តែបំពេញបន្ថែម និងលើកកំពស់គ្នាទៅវិញទៅមក។ Econometrics ផ្តល់នូវក្របខ័ណ្ឌទ្រឹស្តី រចនាសម្ព័ន្ធបុព្វហេតុ និងសមត្ថភាពបកស្រាយគោលនយោបាយ។ ការរៀនម៉ាស៊ីនផ្តល់នូវថាមពលកុំព្យូទ័រដ៏មានអានុភាព ការបង្កើតគំរូមិនមែនលីនេអ៊ែរ សមត្ថភាពដំណើរការទិន្នន័យធំ និងភាពស៊ាំនឹងសំឡេង។

ការរួមបញ្ចូលគ្នានេះបានបង្កើតគំរូជំនាន់ថ្មី - ពី VAR-LSTM, hybrid State Space + Deep Learning រហូតដល់ការផ្លាស់ប្តូរស៊េរីពេលវេលា - ដែលកំពុងក្លាយជានិន្នាការស្រាវជ្រាវអន្តរជាតិ។

លើសពីនេះ បទបង្ហាញ និងការពិភាក្សានៅក្នុងសិក្ខាសាលាក៏បានបញ្ជាក់ពីសារៈសំខាន់នៃការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធ និងទិន្នន័យសម្រាប់ការរៀនម៉ាស៊ីន និងការរៀនស៊ីជម្រៅ។

ដោយសារតែកន្លែងស្រាវជ្រាវមានឥទ្ធិពលផ្ទាល់លើស្ថាបត្យកម្ម ប្រសិទ្ធភាពគណនានៃគំរូក្នុងការដោះស្រាយបញ្ហាក្នុងពិភពពិត ក៏ដូចជាគោលបំណងសម្រាប់ការបោះពុម្ពផ្សាយអន្តរជាតិដែលមានគុណភាពខ្ពស់។

សិក្ខាសាលាបានបញ្ជាក់ពីការផ្លាស់ប្តូរការគិតស្រាវជ្រាវពីការពឹងផ្អែកតែលើគំរូលីនេអ៊ែរ ទៅជាការប្រើប្រាស់គំរូសិក្សាស៊ីជម្រៅ។ ពីសំណុំទិន្នន័យតូចទៅសំណុំទិន្នន័យធំ; និងពីការវិភាគពិពណ៌នារហូតដល់ការព្យាករណ៍ដែលមានភាពត្រឹមត្រូវខ្ពស់។

នេះគឺជាទិសដៅសំខាន់មួយសម្រាប់មុខវិជ្ជាគណិតវិទ្យា សេដ្ឋកិច្ច ហិរញ្ញវត្ថុ និងធនាគារ ការវិភាគទិន្នន័យ និងវិទ្យាសាស្ត្រទិន្នន័យនៅបណ្ឌិត្យសភាហិរញ្ញវត្ថុ។

ប្រភព៖ https://daibieunhandan.vn/phan-tich-chuoi-thoi-gian-kinh-te-tiep-can-tu-mo-hinh-kinh-te-luong-va-hoc-may-10399890.html