ในบริบทของข้อมูลขนาดใหญ่ ตลาดที่เปลี่ยนแปลงอย่างรวดเร็ว และความสัมพันธ์ ทางเศรษฐกิจ ที่ซับซ้อนมากขึ้น ความต้องการเครื่องมือในการพยากรณ์ทางเศรษฐกิจและการเงินจึงเปลี่ยนแปลงไปอย่างมาก
เรื่องนี้ได้รับการพิสูจน์อย่างชัดเจนในการสัมมนา ทางวิทยาศาสตร์ เรื่อง “การวิเคราะห์อนุกรมเวลาทางเศรษฐกิจ: แนวทางจากแบบจำลองเศรษฐมิติและการเรียนรู้ของเครื่องจักร” ซึ่งจัดโดยสถาบันการเงินและศูนย์วิจัยและฝึกอบรมคณิตศาสตร์นานาชาติ โดยมี ดร. คู ทู ทูย และ วิทยากรระดับปริญญาโท ฮวง ฮู ซอน เป็นผู้บรรยาย
การอภิปรายไม่เพียงแต่ให้ภาพรวมที่ครอบคลุมของโมเดลอนุกรมเวลาแบบดั้งเดิมเท่านั้น แต่ที่สำคัญกว่านั้นคือเน้นย้ำถึงก้าวใหม่ไปข้างหน้า: การอัปเกรดโมเดลเศรษฐมิติด้วยเทคนิคการเรียนรู้ของเครื่องจักรที่ทันสมัย
ส่วนแนะนำของการสัมมนาจะจัดระบบคุณลักษณะของอนุกรมเวลา เช่น แนวโน้ม ฤดูกาล วงจร ความคงที่ สัญญาณรบกวน และโมเดลคลาสสิก เช่น ARIMA, SARIMA, ARDL, ECM, VAR/VECM หรือ GARCH...
เครื่องมือเหล่านี้ได้สร้างรากฐานของการวิจัยเศรษฐมิติมานานหลายทศวรรษ โดยมีข้อได้เปรียบที่โดดเด่น ได้แก่ พลังการตีความที่ดี กรอบทฤษฎีมาตรฐาน ต้นทุนการคำนวณต่ำ และความเหมาะสมสำหรับข้อมูลขนาดเล็ก
ปัจจุบัน ตลาดการเงินดำเนินไปภายใต้โครงสร้างที่หลากหลาย ซึ่งมีความไม่แน่นอนสูง ความผันผวนสูง และการพึ่งพาอาศัยกันในระยะยาว จำนวนตัวแปรและแหล่งข้อมูลเพิ่มขึ้นอย่างรวดเร็ว ตั้งแต่ข้อมูลความถี่สูงไปจนถึงข้อมูลที่ไม่มีโครงสร้าง ในสภาพแวดล้อมเช่นนี้ สมมติฐานแบบดั้งเดิม (เช่น ความคงที่ การแจกแจงแบบปกติ ความเป็นเส้นตรง ฯลฯ) มักไม่เหมาะสมอีกต่อไป ทำให้ความแม่นยำของแบบจำลองแบบดั้งเดิมมีจำกัด และการเรียนรู้ของเครื่องเป็นหนึ่งในแนวทางที่ทันสมัยและทันสมัย
ดังนั้น สัมมนานี้จึงได้สรุปความรู้พื้นฐานเกี่ยวกับการเรียนรู้ของเครื่องและบทบาทของการเรียนรู้ของเครื่อง เครือข่ายประสาทเทียม และการเรียนรู้เชิงลึกในการวิเคราะห์อนุกรมเวลา เช่น MLP, RNN, LSTM, Bi-LSTM, Stacked LSTM การเรียนรู้ของเครื่องแตกต่างจากแบบจำลองเชิงเส้นแบบคลาสสิกตรงที่สามารถเอาชนะข้อจำกัดของแบบจำลองเศรษฐมิติแบบดั้งเดิม อีกทั้งยังช่วยให้สามารถสร้างแบบจำลองความสัมพันธ์แบบไม่เชิงเส้น จดจำความสัมพันธ์ระยะยาว และเรียนรู้รูปแบบในชุดข้อมูลโดยอัตโนมัติ
จากการนำเสนอการทดลองพยากรณ์ราคา Bitcoin และ VN-Index ด้วยแบบจำลองต่างๆ ได้รับการพิสูจน์แล้วว่าแบบจำลอง LSTM ให้ข้อผิดพลาด RMSE, MAE, MAPE ต่ำแม้ว่าข้อมูลจะมีสัญญาณรบกวนมาก และจากแบบจำลอง LSTM ยังสะท้อนถึงลักษณะทางเศรษฐกิจของข้อมูลที่คาดการณ์ไว้ ซึ่งแสดงให้เห็นถึงข้อได้เปรียบที่ชัดเจนของการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกในการพยากรณ์ทางเศรษฐกิจและการเงิน
มุมมองที่โดดเด่นในการสัมมนาคือ เศรษฐมิติและการเรียนรู้ของเครื่องไม่ได้ตรงกันข้ามกัน แต่เสริมซึ่งกันและกัน เศรษฐมิติให้กรอบแนวคิดเชิงทฤษฎี โครงสร้างเชิงสาเหตุ และความสามารถในการตีความนโยบาย การเรียนรู้ของเครื่องให้พลังการประมวลผลอันทรงพลัง การสร้างแบบจำลองแบบไม่เชิงเส้น ความสามารถในการประมวลผลข้อมูลขนาดใหญ่ และภูมิคุ้มกันสัญญาณรบกวน
การผสมผสานนี้ได้สร้างโมเดลรุ่นใหม่ขึ้นมา – ตั้งแต่ VAR-LSTM ซึ่งเป็นเทคโนโลยี State Space แบบผสมผสาน + Deep Learning ไปจนถึงการแปลงอนุกรมเวลา – ซึ่งกำลังกลายเป็นแนวโน้มการวิจัยระดับนานาชาติ
นอกจากนี้ การนำเสนอและการอภิปรายในงานสัมมนายังยืนยันถึงความสำคัญของการลงทุนในโครงสร้างพื้นฐานและข้อมูลสำหรับการเรียนรู้ของเครื่องจักรและการเรียนรู้เชิงลึกอีกด้วย
เนื่องจากสิ่งอำนวยความสะดวกในการวิจัยส่งผลโดยตรงต่อสถาปัตยกรรม ประสิทธิภาพการคำนวณของแบบจำลองในการแก้ปัญหาในโลกแห่งความเป็นจริง รวมถึงการมุ่งเป้าไปที่การตีพิมพ์ผลงานระดับนานาชาติที่มีคุณภาพสูง
สัมมนาดังกล่าวได้ยืนยันถึงการเปลี่ยนแปลงแนวคิดการวิจัยจากการพึ่งพาเฉพาะโมเดลเชิงเส้นไปสู่การใช้โมเดลการเรียนรู้เชิงลึก จากชุดข้อมูลขนาดเล็กไปสู่ชุดข้อมูลขนาดใหญ่ และจากการวิเคราะห์เชิงพรรณนาไปสู่การทำนายที่แม่นยำสูง
นี่เป็นทิศทางที่สำคัญสำหรับสาขาเศรษฐศาสตร์คณิตศาสตร์ การเงินและการธนาคาร การวิเคราะห์ข้อมูล และวิทยาศาสตร์ข้อมูล ณ สถาบันการเงินแห่งนี้
ที่มา: https://daibieunhandan.vn/phan-tich-chuoi-thoi-gian-kinh-te-tiep-can-tu-mo-hinh-kinh-te-luong-va-hoc-may-10399890.html
การแสดงความคิดเห็น (0)