ໃນສະພາບການຂໍ້ມູນໃຫຍ່, ຕະຫຼາດທີ່ມີການປ່ຽນແປງຢ່າງວ່ອງໄວ, ການພົວພັນ ດ້ານເສດຖະກິດ ທີ່ສັບສົນນັບມື້ນັບສັບສົນ, ຄວາມຮຽກຮ້ອງຕ້ອງການດ້ານການຄາດຄະເນດ້ານເສດຖະກິດແລະການເງິນພວມປ່ຽນແປງຢ່າງຕັ້ງໜ້າ.
ສິ່ງດັ່ງກ່າວໄດ້ສະແດງໃຫ້ເຫັນຢ່າງຈະແຈ້ງໃນກອງປະຊຸມ ສຳມະນາວິທະຍາສາດ “ການວິເຄາະຊຸດເວລາເສດຖະກິດ: ວິທີການຈາກຕົວແບບເສດຖະກິດ ແລະ ການຮຽນຮູ້ເຄື່ອງຈັກ,” ຈັດໂດຍສະຖາບັນການເງິນ ແລະ ສູນຄົ້ນຄວ້າ ແລະ ເຝິກອົບຮົມຄະນິດສາດສາກົນ, ໂດຍການສະເໜີຂອງ ດຣ. ຮ່ວາງ ຮືງເຊີນ.
ການສົນທະນາບໍ່ພຽງແຕ່ໄດ້ໃຫ້ພາບລວມຂອງແບບຈໍາລອງຊຸດເວລາແບບດັ້ງເດີມເທົ່ານັ້ນ, ແຕ່ສໍາຄັນກວ່ານັ້ນ, ໄດ້ຊີ້ໃຫ້ເຫັນເຖິງບາດກ້າວໃຫມ່ຄື: ການຍົກລະດັບແບບຈໍາລອງທາງເສດຖະກິດດ້ວຍເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກທີ່ທັນສະໄຫມ.
ພາກສ່ວນແນະນໍາຂອງການສໍາມະນາໄດ້ຈັດລະບົບລັກສະນະຂອງຊຸດເວລາເຊັ່ນ: ແນວໂນ້ມ, ລະດູການ, ຮອບວຽນ, stationarity, ສຽງ, ແລະແບບຄລາສສິກເຊັ່ນ: ARIMA, SARIMA, ARDL, ECM, VAR/VECM, ຫຼື GARCH ...
ເຄື່ອງມືເຫຼົ່ານີ້ໄດ້ສ້າງພື້ນຖານຂອງການຄົ້ນຄວ້າທາງເສດຖະສາດສໍາລັບທົດສະວັດ, ໂດຍມີຂໍ້ໄດ້ປຽບທີ່ແຕກຕ່າງກັນ: ພະລັງງານການຕີຄວາມຫມາຍທີ່ດີ, ກອບທິດສະດີທີ່ໄດ້ມາດຕະຖານ, ຄ່າໃຊ້ຈ່າຍໃນຄອມພິວເຕີ້ຕ່ໍາ, ແລະຄວາມເຫມາະສົມກັບຂໍ້ມູນຂະຫນາດນ້ອຍ.
ໃນມື້ນີ້, ຕະຫຼາດການເງິນດໍາເນີນງານດ້ວຍໂຄງສ້າງທີ່ຫລາກຫລາຍເຊິ່ງມີຄວາມບໍ່ແນ່ນອນສູງ, ອາການຊ໊ອກຫຼາຍແລະຄວາມເພິ່ງພາອາໄສໃນໄລຍະຍາວ. ຈໍານວນຕົວແປແລະແຫຼ່ງຂໍ້ມູນຂະຫຍາຍຢ່າງໄວວາ, ຈາກຂໍ້ມູນຄວາມຖີ່ສູງໄປຫາຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ. ໃນສະພາບແວດລ້ອມດັ່ງກ່າວ, ການສົມມຸດຕິຖານແບບດັ້ງເດີມ (stationarity, ການແຜ່ກະຈາຍປົກກະຕິ, linearity, ແລະອື່ນໆ) ມັກຈະບໍ່ເຫມາະສົມ, ເຮັດໃຫ້ຄວາມຖືກຕ້ອງຂອງແບບດັ້ງເດີມຂ້ອນຂ້າງຈໍາກັດ. ແລະການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຫນຶ່ງໃນວິທີການທີ່ທັນສະໄຫມແລະຫົວຂໍ້.
ດັ່ງນັ້ນ, ການສໍາມະນາໄດ້ສະຫຼຸບຄວາມຮູ້ພື້ນຖານຂອງການຮຽນຮູ້ເຄື່ອງຈັກແລະບົດບາດຂອງການຮຽນຮູ້ເຄື່ອງຈັກ, ເຄືອຂ່າຍ neural ແລະການຮຽນຮູ້ເລິກໃນການວິເຄາະຊຸດເວລາເຊັ່ນ: MLP, RNN, LSTM, Bi-LSTM, Stacked LSTM. ແຕກຕ່າງຈາກຮູບແບບເສັ້ນແບບຄລາສສິກ, ການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ເອົາຊະນະຂໍ້ຈໍາກັດຂອງແບບຈໍາລອງທາງເສດຖະກິດແບບດັ້ງເດີມເຊັ່ນດຽວກັນກັບການອະນຸຍາດໃຫ້ສ້າງແບບຈໍາລອງຄວາມສໍາພັນທີ່ບໍ່ແມ່ນເສັ້ນ, ຈື່ຈໍາການເພິ່ງພາອາໄສໃນໄລຍະຍາວແລະຮູບແບບການຮຽນຮູ້ອັດຕະໂນມັດໃນຊຸດຂໍ້ມູນ.
ໂດຍຜ່ານການນໍາສະເຫນີການທົດລອງການຄາດຄະເນລາຄາ Bitcoin ແລະ VN-Index ກັບແບບຈໍາລອງທີ່ແຕກຕ່າງກັນ, ມັນໄດ້ຖືກພິສູດວ່າຕົວແບບ LSTM ເຮັດໃຫ້ມີຄວາມຜິດພາດ RMSE, MAE, MAPE ຕ່ໍາເຖິງແມ່ນວ່າຂໍ້ມູນຈະບໍ່ມີສຽງຫຼາຍ, ແລະຜ່ານແບບຈໍາລອງ LSTM, ມັນຍັງສະທ້ອນເຖິງລັກສະນະເສດຖະກິດຂອງຂໍ້ມູນທີ່ຄາດຄະເນ, ດັ່ງນັ້ນຈຶ່ງສະແດງໃຫ້ເຫັນເຖິງຂໍ້ໄດ້ປຽບທີ່ຊັດເຈນຂອງການຮຽນຮູ້ດ້ານເສດຖະກິດແລະການຮຽນຮູ້ດ້ານການເງິນ.
ທັດສະນະທີ່ໂດດເດັ່ນຢູ່ໃນກອງປະຊຸມສໍາມະນາແມ່ນ: ເສດຖະສາດແລະການຮຽນຮູ້ເຄື່ອງຈັກບໍ່ແມ່ນກົງກັນຂ້າມ, ແຕ່ເສີມແລະເສີມຂະຫຍາຍເຊິ່ງກັນແລະກັນ. Econometrics ໃຫ້ກອບທິດສະດີ, ໂຄງສ້າງສາເຫດ, ແລະຄວາມສາມາດໃນການຕີຄວາມນະໂຍບາຍ. ການຮຽນຮູ້ເຄື່ອງຈັກໃຫ້ພະລັງງານຄອມພິວເຕີທີ່ມີປະສິດທິພາບ, ການສ້າງແບບຈໍາລອງທີ່ບໍ່ແມ່ນເສັ້ນ, ຄວາມສາມາດໃນການປະມວນຜົນຂໍ້ມູນໃຫຍ່, ແລະພູມຕ້ານທານສິ່ງລົບກວນ.
ການປະສົມປະສານນີ້ໄດ້ສ້າງແບບຈໍາລອງລຸ້ນໃຫມ່ - ຈາກ VAR-LSTM, hybrid State Space + Deep Learning, ໄປສູ່ການຫັນປ່ຽນຊຸດເວລາ - ເຊິ່ງກາຍເປັນແນວໂນ້ມການຄົ້ນຄວ້າສາກົນ.
ນອກຈາກນັ້ນ, ການນໍາສະເໜີ ແລະ ການສົນທະນາໃນກອງປະຊຸມສໍາມະນາຍັງໄດ້ຢືນຢັນເຖິງຄວາມສໍາຄັນຂອງການລົງທຶນໃນພື້ນຖານໂຄງລ່າງ ແລະ ຂໍ້ມູນສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກ ແລະ ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ.
ເນື່ອງຈາກວ່າສະຖານທີ່ຄົ້ນຄ້ວາສົ່ງຜົນກະທົບໂດຍກົງກັບສະຖາປັດຕະ, ປະສິດທິພາບຄອມພິວເຕີຂອງຕົວແບບໃນການແກ້ໄຂບັນຫາຕົວຈິງ, ເຊັ່ນດຽວກັນກັບຈຸດປະສົງຂອງສິ່ງພິມສາກົນທີ່ມີຄຸນນະພາບສູງ.
ກອງປະຊຸມສຳມະນາໄດ້ຢືນຢັນການຜັນຂະຫຍາຍແນວຄິດຄົ້ນຄ້ວາຈາກການອີງໃສ່ຕົວແບບເສັ້ນດຽວໄປສູ່ການຜັນຂະຫຍາຍຕົວແບບຮຽນຮູ້ເລິກເຊິ່ງ; ຈາກຊຸດຂໍ້ມູນຂະຫນາດນ້ອຍໄປຫາຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່; ແລະຈາກການວິເຄາະແບບອະທິບາຍເຖິງການຄາດຄະເນທີ່ຖືກຕ້ອງສູງ.
ນີ້ແມ່ນທິດທາງທີ່ສໍາຄັນສໍາລັບສາຂາວິຊາຄະນິດສາດ, ການເງິນແລະການທະນາຄານ, ການວິເຄາະຂໍ້ມູນ, ແລະວິທະຍາສາດຂໍ້ມູນຂອງສະຖາບັນການເງິນ.
ທີ່ມາ: https://daibieunhandan.vn/phan-tich-chuoi-thoi-gian-kinh-te-tiep-can-tu-mo-hinh-kinh-te-luong-va-hoc-may-10399890.html
![[ວີດີໂອ] ຫັດຖະກຳປະດິດສ້າງ ດົ່ງໂຮ່ ໄດ້ຮັບການຈາລຶກຈາກອົງການ UNESCO ເຂົ້າໃນບັນຊີລາຍຊື່ເຄື່ອງຫັດຖະກຳ ທີ່ຕ້ອງການການປົກປັກຮັກສາດ່ວນ.](https://vphoto.vietnam.vn/thumb/402x226/vietnam/resource/IMAGE/2025/12/10/1765350246533_tranh-dong-ho-734-jpg.webp)
(0)