Phân tích chuỗi thời gian kinh tế: Tiếp cận từ mô hình kinh tế lượng và học máy

Dữ liệu bùng nổ và thị trường đầy biến động đang buộc các mô hình dự báo kinh tế - tài chính phải thay đổi mạnh mẽ. Seminar “Phân tích chuỗi thời gian kinh tế” cho thấy xu hướng kết hợp kinh tế lượng truyền thống với kỹ thuật học máy, mở ra hướng dự báo linh hoạt và chính xác hơn.

Trong bối cảnh dữ liệu lớn, thị trường biến động nhanh và các mối quan hệ kinh tế ngày càng phức tạp, yêu cầu đối với công cụ dự báo kinh tế - tài chính đang thay đổi mạnh mẽ.

Điều này được thể hiện rõ trong Seminar khoa học “Phân tích chuỗi thời gian kinh tế: Tiếp cận từ mô hình kinh tế lượng và học máy”, do Học viện Tài chính và Trung tâm Nghiên cứu và Đào tạo Toán học Quốc tế tổ chức, với báo cáo của TS. Cù Thu Thủy và ThS. Hoàng Hữu Sơn.

Buổi thảo luận không chỉ cung cấp một bức tranh toàn diện về các mô hình chuỗi thời gian truyền thống mà quan trọng hơn, nhấn mạnh bước tiến mới: nâng cấp mô hình kinh tế lượng bằng các kỹ thuật học máy hiện đại.

Phần mở đầu Seminar hệ thống hóa các đặc trưng của chuỗi thời gian như xu thế, mùa vụ, chu kỳ, tính dừng, nhiễu và các mô hình kinh điển như ARIMA, SARIMA, ARDL, ECM, VAR/VECM hay GARCH...

ThS. Hoàng Hữu Sơn trình bày tại Seminar về mô hình học máy trong phân tích chuỗi thời gian.

Đây là những công cụ đã tạo nền tảng cho nghiên cứu kinh tế lượng trong hàng thập kỷ, với ưu điểm rõ rệt: khả năng diễn giải tốt, khung lý thuyết chuẩn hóa, chi phí tính toán thấp và phù hợp dữ liệu quy mô hạn nhỏ.

Ngày nay, thị trường tài chính vận động với đa dạng cấu trúc trong đó tính bất định cao, nhiều cú sốc và phụ thuộc dài hạn. Số lượng biến và nguồn dữ liệu mở rộng nhanh, từ dữ liệu tần suất cao đến dữ liệu phi cấu trúc. Trong môi trường như vậy, các giả định truyền thống (tính dừng, phân phối chuẩn, tuyến tính…) nhiều khi không còn phù hợp, khiến độ chính xác của các mô hình truyền thống có phần hạn chế. Và Học máy là một trong những tiếp cận hiện đại và mang tính thời sự.

Vì vậy, Seminar tổng quát lại những kiến thức cơ bản về học máy và vai trò của học máy, mạng neuron và học sâu trong phân tích chuỗi thời gian như MLP, RNN, LSTM, Bi-LSTM, Stacked LSTM. Khác với mô hình tuyến tính cổ điển, Học máy đã khắc phục được những hạn chế của các mô hình kinh tế lượng truyền thống cũng như cho phép mô hình hóa quan hệ phi tuyến, ghi nhớ phụ thuộc dài hạn và tự động học mẫu hình trong chuỗi dữ liệu.

TS. Cù Thu Thủy phát biểu tại Seminar về kinh tế lượng và học máy.

Thông qua trình bày thực nghiệm dự báo giá Bitcoin và VN-Index với các mô hình khác nhau đã chứng minh rằng mô hình LSTM cho sai số RMSE, MAE, MAPE thấp ngay cả khi dữ liệu nhiễu mạnh cũng như thông qua các mô hình LSTM cũng phản ánh đúng bản chất kinh tế của dữ liệu dự đoán từ đó chứng minh lợi thế rõ rệt của học máy và học sâu trong dự báo kinh tế, tài chính.

Một quan điểm nổi bật tại Seminar là: kinh tế lượng và học máy không đối lập, mà bổ trợ và nâng tầm lẫn nhau. Kinh tế lượng cung cấp khung lý thuyết, cấu trúc nhân - quả, khả năng diễn giải chính sách. Học máy cung cấp năng lực tính toán mạnh, mô hình phi tuyến, khả năng xử lý dữ liệu lớn và chống nhiễu.

Sự kết hợp này tạo ra thế hệ mô hình mới - từ VAR-LSTM, hybrid State Space + Deep Learning, cho đến Transformer hóa chuỗi thời gian - đang trở thành xu hướng nghiên cứu quốc tế.

Hơn nữa thông qua các báo cáo viên và sự thảo luận tại seminar cũng khẳng định đầu tư cơ sở vật chất, và dữ liệu phục vụ cho học máy và học sâu là rất quan trọng.

Vì cơ sở vật chất phục vụ cho nghiên cứu cũng tác động trực tiếp tới kiến trúc, hiệu quả hiệu năng tính toán của Mô hình khi giải quyết các bài toán thực tế cũng như hướng tới công bố quốc tế cao và chất lượng.

Seminar khẳng định sự dịch chuyển trong tư duy nghiên cứu từ việc chỉ dựa vào mô hình tuyến tính sang tận dụng mô hình học sâu; từ dữ liệu nhỏ sang dữ liệu lớn; từ phân tích mô tả sang dự báo chính xác cao.

Đây là định hướng quan trọng với các ngành Toán kinh tế, Tài chính - Ngân hàng, Phân tích dữ liệu và Khoa học dữ liệu tại Học viện Tài chính.

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