Dalam konteks data besar, pasaran yang berubah dengan pantas dan hubungan ekonomi yang semakin kompleks, permintaan terhadap alat ramalan ekonomi dan kewangan berubah secara mendadak.
Ini jelas ditunjukkan dalam seminar saintifik "Analisis Siri Masa Ekonomi: Pendekatan daripada Model Ekonometrik dan Pembelajaran Mesin," yang dianjurkan oleh Akademi Kewangan dan Pusat Penyelidikan dan Latihan Matematik Antarabangsa, dengan pembentangan oleh Dr. Cu Thu Thuy dan MSc. Anak Hoang Huu.
Perbincangan itu bukan sahaja memberikan gambaran menyeluruh tentang model siri masa tradisional tetapi, yang lebih penting, menyerlahkan langkah baharu ke hadapan: menaik taraf model ekonometrik dengan teknik pembelajaran mesin moden.
Bahagian pengenalan seminar mensistemkan ciri-ciri siri masa seperti arah aliran, kemusim, kitaran, pegun, hingar, dan model klasik seperti ARIMA, SARIMA, ARDL, ECM, VAR/VECM, atau GARCH...
Alat ini telah membentuk asas penyelidikan ekonometrik selama beberapa dekad, dengan kelebihan yang berbeza: kuasa tafsiran yang baik, rangka kerja teori piawai, kos pengiraan yang rendah dan kesesuaian untuk data berskala kecil.
Hari ini, pasaran kewangan beroperasi dengan struktur yang pelbagai di mana terdapat ketidakpastian yang tinggi, banyak kejutan dan pergantungan jangka panjang. Bilangan pembolehubah dan sumber data berkembang dengan cepat, daripada data frekuensi tinggi kepada data tidak berstruktur. Dalam persekitaran sedemikian, andaian tradisional (pegun, taburan normal, lineariti, dll.) selalunya tidak lagi sesuai, menjadikan ketepatan model tradisional agak terhad. Dan Pembelajaran Mesin ialah salah satu pendekatan moden dan topikal.
Oleh itu, Seminar meringkaskan pengetahuan asas pembelajaran mesin dan peranan pembelajaran mesin, rangkaian saraf dan pembelajaran mendalam dalam analisis siri masa seperti MLP, RNN, LSTM, Bi-LSTM, LSTM Bertindan. Berbeza daripada model linear klasik, Pembelajaran Mesin telah mengatasi batasan model ekonometrik tradisional serta membenarkan pemodelan perhubungan tak linear, mengingati kebergantungan jangka panjang dan secara automatik mempelajari corak dalam siri data.
Melalui pembentangan eksperimen ramalan harga Bitcoin dan VN-Index dengan model yang berbeza, telah terbukti bahawa model LSTM memberikan ralat RMSE, MAE, MAPE yang rendah walaupun apabila data sangat bising, dan melalui model LSTM, ia juga mencerminkan sifat ekonomi data yang diramalkan, dengan itu menunjukkan kelebihan jelas pembelajaran mesin dan pembelajaran mendalam dalam ramalan ekonomi dan kewangan.
Pandangan yang menonjol di Seminar ialah: ekonometrik dan pembelajaran mesin bukanlah bertentangan, tetapi saling melengkapi dan mempertingkatkan satu sama lain. Ekonometrik menyediakan rangka kerja teori, struktur sebab akibat dan keupayaan tafsiran dasar. Pembelajaran mesin menyediakan kuasa pengkomputeran yang berkuasa, pemodelan tidak linear, keupayaan pemprosesan data besar dan imuniti hingar.
Gabungan ini telah mencipta model generasi baharu – daripada VAR-LSTM, Hibrid State Space + Deep Learning, kepada transformasi siri masa – yang menjadi trend penyelidikan antarabangsa.
Tambahan pula, pembentangan dan perbincangan di seminar itu juga mengesahkan kepentingan melabur dalam infrastruktur dan data untuk pembelajaran mesin dan pembelajaran mendalam.
Oleh kerana kemudahan penyelidikan secara langsung memberi kesan kepada seni bina, kecekapan pengiraan model dalam menyelesaikan masalah dunia sebenar, serta mensasarkan penerbitan antarabangsa berkualiti tinggi.
Seminar itu mengesahkan peralihan dalam pemikiran penyelidikan daripada bergantung semata-mata pada model linear kepada memanfaatkan model pembelajaran mendalam; daripada set data kecil kepada set data besar; dan daripada analisis deskriptif kepada ramalan yang sangat tepat.
Ini adalah hala tuju penting untuk bidang Ekonomi Matematik, Kewangan dan Perbankan, Analisis Data dan Sains Data di Akademi Kewangan.
Sumber: https://daibieunhandan.vn/phan-tich-chuoi-thoi-gian-kinh-te-tiep-can-tu-mo-hinh-kinh-te-luong-va-hoc-may-10399890.html
Komen (0)