Các chủ đề chính trong “Financial Machine Learning” (Bryan Kelly & Dacheng Xiu)
Vai trò và lý do nên dùng machine learning trong tài chính
Tài chính hiện đại có thể được nhìn nhận như một bài toán dự báo. Giá của một tài sản thực chất phản ánh kỳ vọng của nhà đầu tư về giá trị tương lai của dòng tiền tài sản đó. Nói cách khác, giá cả là dự báo – nếu chúng ta dự đoán được chính xác mức sinh lời kỳ vọng của tài sản, chúng ta hiểu rõ hơn thị trường và ra quyết định đầu tư tốt hơn. Vì vậy, bài toán cốt lõi trong tài chính (dự đoán rủi ro và lợi nhuận tương lai) rất phù hợp để áp dụng các phương pháp machine learning (ML) – vốn được thiết kế để làm tốt các bài toán dự báo trên dữ liệu phức tạp.
Hơn nữa, nghiên cứu tài chính ngày nay hội tụ hai điều kiện thuận lợi cho ML: lượng thông tin đầu vào khổng lồ và quan hệ dữ liệu – kết quả rất khó xác định rõ ràng trước. Thật vậy, các nhà nghiên cứu đã tích lũy được hàng trăm biến số đặc trưng ở cấp độ cổ phiếu và hàng tá chỉ báo kinh tế vĩ mô có thể ảnh hưởng đến giá tài sản. Khối lượng thông tin tiềm năng quá lớn này vượt quá khả năng của các mô hình thống kê truyền thống vốn chỉ xử lý được vài biến. Đồng thời, chúng ta cũng không chắc phải chọn dạng mô hình lý thuyết nào cho đúng – có rất nhiều giả thuyết kinh tế khác nhau về cách giá được hình thành. Trong bối cảnh đó, ML tỏ ra hữu ích vì có thể xử lý dữ liệu “big data” và tự động tìm ra mô hình phù hợp mà không cần giả định trước dạng hàm quan hệ giữa các biến.
Khác biệt giữa machine learning và kinh tế lượng truyền thống
Có một sự đối lập trong cách tiếp cận giữa trường phái kinh tế lượng truyền thống và trường phái dự báo bằng ML (tương tự “hai nền văn hóa” mà Leo Breiman từng mô tả trong thống kê). Kinh tế lượng truyền thống chú trọng các mô hình có cấu trúc chặt chẽ dựa trên lý thuyết kinh tế. Nhà nghiên cứu thường đơn giản hóa thế giới bằng cách đưa ra giả định mạnh (ví dụ giả định dạng quan hệ tuyến tính, phân phối xác suất cụ thể) và chỉ sử dụng một số ít biến giải thích then chốt trong mô hình. Mục tiêu là kiểm định những giả thuyết nhân quả rõ ràng, nên mô hình càng gọn càng tốt (theo nguyên tắc “đơn giản tối đa” hay parsimony). Cách làm này giúp hiểu sâu một cơ chế kinh tế cụ thể, nhưng có nhược điểm là nếu thực tế phức tạp hơn giả định, mô hình dễ mất tác dụng khi áp dụng ngoài phạm vi thiết kế ban đầu. Chẳng hạn, một mô hình định giá tài sản dựa trên vài yếu tố cố định có thể giải thích dữ liệu lịch sử nhất định, nhưng lại yếu khi dự báo trong bối cảnh khác.
Ngược lại, machine learning đại diện cho văn hóa đề cao sức mạnh dự báo thống kê hơn là sự tinh gọn của mô hình. Các nhà ML sẵn sàng thử nghiệm những mô hình có rất nhiều tham số hoặc dạng phi tuyến, miễn là chúng cải thiện được độ chính xác dự báo trên dữ liệu. Mô hình ML có thể ít gắn với lý thuyết kinh tế (thậm chí bị phê bình là “thiếu kinh tế” bởi một số người theo trường phái cũ), nhưng điều đó không làm giảm giá trị của chúng. Thực tế, những mô hình dự báo “phi cấu trúc” này đóng vai trò bổ sung quan trọng: chúng khai phá các mẫu hình ẩn trong dữ liệu mà lý thuyết chưa giải thích được. Kết quả phát hiện từ ML có thể định hướng ngược lại cho việc phát triển lý thuyết kinh tế mới, đồng thời giúp nhà đầu tư, nhà quản lý hưởng lợi ngay từ dự báo cải thiện. Tóm lại, kinh tế lượng truyền thống và ML có vai trò bổ trợ cho nhau – một bên kiểm định cơ chế theo lý thuyết, bên kia quét bản đồ dữ liệu tổng quát để tìm dấu hiệu mới.
Lợi ích và rủi ro của mô hình phức tạp
Các mô hình ML hiện đại thường rất phức tạp, chứa hàng chục nghìn tham số hoặc hơn, trái ngược hẳn với triết lý “mô hình đơn giản” trước đây trong kinh tế lượng. Lợi ích của độ phức tạp cao là khả năng nắm bắt những mẫu hình tinh vi, phi tuyến tính trong dữ liệu mà mô hình đơn giản có thể bỏ lỡ. Thực tế trong nhiều lĩnh vực (thị giác máy tính, xử lý ngôn ngữ tự nhiên, v.v.), người ta nhận thấy mô hình cực lớn (ví dụ mạng neural nhiều tỷ tham số) lại cho kết quả dự báo tốt nhất, mặc dù chúng khớp dữ liệu học rất sát. Trong tài chính cũng xuất hiện bằng chứng rằng việc tăng mạnh số tham số (kèm kỹ thuật điều chỉnh thích hợp) có thể cải thiện hiệu quả dự báo ngoài mẫu, thách thức quan điểm cổ điển đòi hỏi mô hình phải cực kỳ đơn giản. Nói cách khác, mô hình “càng lớn càng tốt” nếu ta quản lý đúng cách, vì nó linh hoạt tìm được những cấu trúc ẩn mà mô hình nhỏ dễ bỏ qua.
Tuy nhiên, mô hình phức tạp cũng đi kèm rủi ro. Trước hết, trực giác thống kê mách bảo rằng mô hình quá đồ sộ sẽ “học vẹt” dữ liệu quá khứ – tức là overfit, ghi nhớ cả những nhiễu ngẫu nhiên – và do đó dự báo kém trong tương lai. Một nhà kinh tế lượng truyền thống thuộc trường phái Box-Jenkins có thể e ngại mạng neural với 30.000 tham số là “phí phạm” và chắc chắn sẽ overfit, dẫn đến thảm họa ngoài mẫu. Nguy cơ này đặc biệt cao trong tài chính vì dữ liệu hữu ích thực chất không nhiều và rất nhiễu: số quan sát lịch sử thường ít (ví dụ dữ liệu vĩ mô chỉ có vài trăm tháng, trong khi thị trường hiệu quả khiến phần lớn biến động giá là do tin tức bất ngờ (nhiễu) chứ không phải tín hiệu dự báo được. Do đó, một mô hình quá linh hoạt có thể “nhìn thấy” mẫu ảo trong tiếng ồn và cho rằng đó là quy luật, dẫn đến dự đoán sai. Ngoài ra, mô hình càng phức tạp thì càng khó diễn giải, gây trở ngại cho việc hiểu kết quả và tin tưởng áp dụng trong tài chính (vốn ưa chuộng các giải thích rõ ràng).
Để cân bằng lợi ích và rủi ro, các nhà nghiên cứu thường áp dụng những kỹ thuật điều chuẩn giúp mô hình lớn không overfit (xem thêm phần Regularization). Hơn nữa, họ kết hợp kiến thức kinh tế vào mô hình ML – ví dụ ràng buộc một số quan hệ theo lý thuyết – nhằm hướng dẫn mô hình học những mẫu có ý nghĩa thay vì hoàn toàn mò mẫm. Cách tiếp cận lai này tận dụng sức mạnh của mô hình phức tạp đồng thời duy trì tính hợp lý kinh tế, giúp mô hình lọc bớt nhiễu nhưng không bỏ sót tín hiệu quan trọng.
Ứng dụng machine learning trong dự đoán lợi nhuận
Dự đoán suất sinh lợi (return) của tài sản là một nhiệm vụ trung tâm trong tài chính và cũng là bài toán đầy thách thức. Theo lý thuyết thị trường hiệu quả, mọi cơ hội dự báo “dễ dàng” sẽ nhanh chóng bị khai thác hết – giá cả sẽ điều chỉnh để không còn mẫu hình đơn giản nào cho lợi nhuận vượt trội. Thực tế, phần lớn biến động giá cổ phiếu được kỳ vọng là ngẫu nhiên do tin tức bất ngờ, khiến khả năng dự báo có hệ thống chỉ còn rất nhỏ. Điều này nghĩa là mô hình dự báo lợi nhuận (đặc biệt trong ngắn hạn) thường có độ chính xác rất thấp, R² gần 0. Dù vậy, ngay cả một chút dự báo đúng về lợi nhuận cũng có giá trị kinh tế lớn – nó giúp nhà đầu tư xây dựng chiến lược giao dịch kiếm lời. Do đó, các nhà nghiên cứu vẫn miệt mài tìm kiếm tín hiệu dự báo lợi nhuận, và ML là công cụ mạnh để làm điều này.
ML cho phép ta kết hợp hàng trăm biến đặc trưng cùng lúc để dự đoán lợi nhuận tương lai. Chẳng hạn, có hàng trăm chỉ tiêu về công ty (giá trị sổ sách, tỷ lệ P/E, đòn bẩy, tăng trưởng doanh số, v.v.) và tín hiệu kỹ thuật (đà tăng giá, khối lượng giao dịch…) đã được đề xuất trong nghiên cứu trước đây. Một mô hình hồi quy tuyến tính thường không thể ước lượng ổn định khi đưa vào quá nhiều biến như vậy – nếu thử áp dụng OLS với ~1000 biến đặc trưng để dự báo lợi nhuận cổ phiếu tháng, mô hình sẽ hỏng hoàn toàn: sai số lớn và hiệu quả ngoài mẫu thậm chí tệ hơn random (R² ngoài mẫu ≈ –35. Tuy nhiên, khi áp dụng ML với điều chuẩn thích hợp, kết quả cải thiện rõ rệt: ví dụ thay OLS bằng hồi quy Elastic Net (một dạng regularization) giúp R² ngoài mẫu trở thành dương và một danh mục giao dịch theo dự báo bắt đầu thắng thị trường. Nói cách khác, ML có thể rút trích tín hiệu hữu ích từ bộ dữ liệu đồ sộ, nơi mà mô hình truyền thống bó tay.
Các phương pháp ML phi tuyến tính còn đẩy hiệu quả lên thêm một bước. Nghiên cứu của Guetal. (2020) cho thấy dùng kỹ thuật giảm chiều (như PCA) hoặc phạt bớt tham số làm mô hình tuyến tính cải thiện R² dự báo lên khoảng 0,3% mỗi tháng, và nếu dùng mô hình phi tuyến (như cây quyết định, rừng ngẫu nhiên, mạng nơ-ron) thì R² tăng lên khoảng 0,4% mỗi tháng. Nghe qua có vẻ rất nhỏ, nhưng 0,4%/tháng là mức dự báo vượt trội có ý nghĩa trong tài chính. Thật vậy, với danh mục hàng trăm cổ phiếu, mức cải thiện nhỏ này có thể chuyển thành lợi nhuận vượt trội khoảng 1% mỗi tháng so với thị trường, tức là cao hơn đáng kể nếu tích lũy theo năm. Nhiều nghiên cứu độc lập cũng xác nhận các mô hình ML đánh bại mô hình truyền thống trong dự báo lợi nhuận, dù mức độ thắng không lớn nhưng ổn định và khác biệt thống kê. Quan trọng hơn, những dự báo tốt hơn đó dẫn đến chiến lược đầu tư sinh lời cao hơn (ví dụ, danh mục long-short dựa trên dự báo ML đạt Sharpe ratio cao hơn hẳn so với cách tiếp cận cũ).
Bên cạnh việc sử dụng dữ liệu đặc trưng truyền thống, ML còn mở ra khả năng tận dụng các “dữ liệu thay thế” mới mẻ để dự báo lợi nhuận. Thay vì chỉ nhìn các con số tài chính, mô hình ML có thể đọc hiểu văn bản tin tức, báo cáo, phân tích dòng tweet mạng xã hội, thậm chí xử lý hình ảnh, âm thanh (như ảnh vệ tinh, giọng điệu phát biểu của lãnh đạo…) để suy đoán triển vọng của tài sản. Chẳng hạn, gần đây giới nghiên cứu đã thử đưa tin tức và văn bản làm đầu vào cho mô hình định giá tài sản – điều trước đây hiếm khi làm được. Kết quả cho thấy những nguồn dữ liệu phi truyền thống này chứa thông tin dự báo hữu ích, bổ sung cho các biến số định lượng sẵn có. Nhờ ML, chúng ta có thể tích hợp nhiều loại dữ liệu đa dạng để tăng cường sức mạnh dự báo, điều mà các phương pháp cũ không dễ thực hiện.
Mô hình hóa đánh đổi rủi ro và lợi nhuận
Bên cạnh dự báo lợi nhuận, một nhiệm vụ quan trọng khác của tài chính là giải thích mối quan hệ giữa rủi ro và lợi nhuận kỳ vọng – thường gọi là đánh đổi rủi ro/lợi nhuận (risk-return tradeoff). Nói một cách đơn giản, các nhà đầu tư đòi hỏi lợi nhuận kỳ vọng cao hơn cho những khoản đầu tư rủi ro hơn. Các mô hình kinh điển như CAPM hay mô hình các nhân tố (factor models) cố gắng lượng hóa điều này: ví dụ CAPM cho rằng chỉ số beta (đo lường rủi ro hệ thống) sẽ quyết định lợi nhuận kỳ vọng của cổ phiếu. Tuy nhiên, mô hình truyền thống đơn giản thường không đủ để giải thích đầy đủ dữ liệu thị trường. Thực nghiệm cho thấy CAPM (với một nhân tố thị trường) để lại sai số định giá rất lớn, và thậm chí những mô hình nhiều nhân tố cố định (unconditional factor models) cũng gặp khó khăn trong việc mô tả lợi suất của từng cổ phiếu riêng lẻ. Nhiều anomalies (bất thường thị trường) được phát hiện – tức là có những nhóm cổ phiếu mang lại lợi nhuận cao mà không tương xứng với rủi ro đo theo mô hình truyền thống, hàm ý còn thiếu các nhân tố rủi ro phù hợp trong mô hình.
Machine learning đang được dùng để mở rộng và nâng cao các mô hình rủi ro – lợi nhuận này. Thay vì chỉ dựa vào vài nhân tố do chuyên gia đề xuất (như “giá trị”, “quy mô” trong mô hình Fama-French), ML cho phép tự động khám phá các nhân tố tiềm ẩn từ dữ liệu lớn. Một ví dụ là sử dụng PCA (phân tích thành phần chính) trên ma trận lợi nhuận để rút ra các “thành phần chính” – chính là những nhân tố ẩn giải thích phần lớn sự biến động đồng thời của nhiều tài sản. Thực tế đã có sự hồi sinh của PCA trong tài chính nhằm tìm các nhân tố thay thế cho các nhân tố kinh tế thông thường. ML cũng giúp xây dựng các mô hình nhân tố linh hoạt hơn theo thời gian: thay vì hệ số rủi ro cố định, mô hình có thể cho phép độ nhạy (beta) của tài sản thay đổi tùy điều kiện kinh tế, hoặc cho phép quan hệ giữa nhân tố và lợi nhuận là phi tuyến tính. Nhờ các thuật toán học, những mô hình nhân tố động và phi tuyến này có thể phù hợp dữ liệu tốt hơn mà không cần giả định cứng nhắc.
Một hướng tiếp cận thú vị là ML hỗ trợ tìm ra “nhân tố thống kê” thuần túy, sau đó người ta tìm cách gắn ý nghĩa kinh tế cho chúng. Chẳng hạn, ML có thể phân tích hàng trăm chuỗi thời gian và chỉ ra 3–4 yếu tố kết hợp tối ưu để giải thích danh mục thị trường, rồi các nhà kinh tế sẽ kiểm tra xem những yếu tố đó tương ứng với rủi ro kinh tế nào (lạm phát, thanh khoản, v.v.). ML cũng giúp xác định đâu là nhân tố thực sự hữu ích (mang thông tin mới) và đâu chỉ là kết hợp của các nhân tố khác (trùng lặp. Nhờ vậy, chúng ta có thể tinh giản mô hình nhân tố với bộ nhân tố tinh sạch hơn. Tóm lại, ML mở ra cách tiếp cận dữ liệu-driven để mô hình hóa đánh đổi rủi ro – lợi nhuận: tìm ra cấu trúc rủi ro ẩn giấu mà không cần biết trước cơ chế, từ đó nâng cao hiểu biết về vì sao một số tài sản có lợi nhuận cao hơn (do mang rủi ro đặc thù nào) và hỗ trợ định giá tài sản tốt hơn.
Xây dựng và tối ưu danh mục đầu tư với machine learning
Tối ưu danh mục đầu tư là bước tiếp theo sau khi có mô hình dự báo lợi nhuận và rủi ro. Ở đây, nhà đầu tư muốn phân bổ trọng số cho các tài sản sao cho đạt được lợi nhuận kỳ vọng cao nhất cho một mức rủi ro chấp nhận, hoặc ngược lại giảm thiểu rủi ro cho mức lợi nhuận kỳ vọng mục tiêu (theo nguyên lý của Harry Markowitz). Trong điều kiện lý tưởng, nếu biết chính xác lợi nhuận kỳ vọng và ma trận rủi ro (phương sai–hiệp phương sai) của các tài sản, nhà đầu tư chỉ cần áp dụng công thức Markowitz để tìm phân bổ tối ưu. Nhưng trên thực tế, cái khó là không ai biết chắc chắn các đầu vào đó, mà phải ước lượng chúng. Đây chính là bài toán dự báo đã đề cập: muốn tối ưu được, trước hết ta cần dự báo tốt. Nếu sử dụng các ước lượng kém chất lượng, kết quả tối ưu hóa danh mục có thể sai lệch nghiêm trọng – mô hình Markowitz sẽ đề xuất những vị thế cực đoan, dẫn đến hiệu quả tồi tệ ngoài thực tế. Vì vậy, giá trị của ML nằm ở việc cải thiện đáng kể khâu ước lượng đầu vào cho bài toán danh mục, từ đó nâng cao chất lượng quyết định đầu tư.
Các nghiên cứu cho thấy danh mục đầu tư xây dựng dựa trên dự báo của mô hình ML có hiệu suất vượt trội so với cách truyền thống. Một cách đơn giản là sử dụng dự báo lợi nhuận từ ML rồi “plug-in” vào công thức Markowitz – kết quả danh mục có Sharpe ratio cao hơn hẳn dùng dự báo từ hồi quy thường. Tiến xa hơn, ML còn cho phép tối ưu danh mục một cách trực tiếp. Thay vì dự báo rồi mới tối ưu như hai bước tách biệt, ta có thể thiết kế mô hình tối ưu tích hợp – ví dụ, mô hình Maximum Sharpe Ratio Regression được đề cập trong tài liệu nhằm ước lượng trọng số danh mục tối đa Sharpe ratio trực tiếp từ dữ liệu (tối ưu mục tiêu nhà đầu tư ngay trong quá trình huấn luyện mô hình). Kết quả là mô hình sẽ tự động cân đối giữa lợi nhuận và rủi ro để cho ra danh mục tốt nhất, không chỉ đơn thuần dự báo từng cổ phiếu rồi mới kết hợp. Phương pháp tối ưu trực tiếp này, kết hợp với khả năng khai thác dữ liệu lớn, giúp “máy học danh mục” đạt hiệu quả rất cao. Chẳng hạn, nghiên cứu cho thấy hiệu suất dự báo và danh mục đều tăng khi tăng độ phức tạp mô hình, thậm chí có thể vượt qua giới hạn thường nghĩ (mô hình có tham số nhiều gấp hàng chục lần số quan sát vẫn cải thiện kết quả nếu được điều chuẩn tốt).
ML cũng giúp nhà đầu tư tính đến các yếu tố thực tế như chi phí giao dịch, tính thanh khoản… trong quá trình tối ưu. Ví dụ, có thể sử dụng học tăng cường (reinforcement learning) để tìm ra chiến lược giao dịch theo thời gian sao cho tối ưu lợi nhuận sau khi trừ chi phí. Học tăng cường là kỹ thuật ML chuyên cho quyết định tuần tự dưới sự bất định – mô hình sẽ học qua thử nghiệm và sai lầm (exploration) để dần dần tối ưu phần thưởng tích lũy (exploitation). Áp dụng vào đầu tư, một thuật toán học tăng cường có thể học được khi nào nên mua/bán, với khối lượng bao nhiêu để tối đa hóa lợi nhuận ròng, thay vì tái cân bằng danh mục một cách máy móc định kỳ. Chẳng hạn, nếu chi phí giao dịch cao, thuật toán sẽ học cách giao dịch tiết kiệm (ít giao dịch hơn, chờ tín hiệu đủ mạnh mới hành động). Những hướng đi mới như vậy giúp đưa ML vào gần hơn với điều kiện thực tế của thị trường, làm cho danh mục tối ưu trên mô hình có tính khả thi và hiệu quả hơn trên thực tế.
Một số phương pháp ML cụ thể được đề cập
Cuối cùng, một số phương pháp kỹ thuật cụ thể trong ML. Dưới đây là giải thích ngắn gọn về một vài phương pháp tiêu biểu:
Cây quyết định (Decision Tree)
Ví dụ minh họa một mô hình cây quyết định đơn giản: câu hỏi gốc “Outlook?” phân nhánh theo điều kiện thời tiết (nắng, u ám, mưa). Sau đó, các nút con hỏi về “Humidity?” (Độ ẩm) và “Windy?” (Gió) để đi đến quyết định cuối cùng là Play (Chơi) hoặc Don’t Play (Không chơi).
Cây quyết định là một mô hình dự báo dạng sơ đồ phân nhánh, tương tự như lưu đồ với các nút quyết định và nhánh kết quả. Mô hình này sẽ liên tục đặt các câu hỏi yes/no dựa trên đặc điểm dữ liệu để phân tách tập dữ liệu thành các nhóm nhỏ hơn, sao cho các quan sát trong cùng một nhánh có tính chất đồng nhất hơn về phương diện dự báo. Kết quả cuối cùng là một cấu trúc hình cây: mỗi nhánh lá cho ta một dự đoán hoặc phân loại cụ thể. Chẳng hạn, trong hình minh họa, mô hình cây dùng các điều kiện về thời tiết (Outlook), độ ẩm, có gió hay không để quyết định liệu một trận đấu có được chơi hay không.
Ưu điểm lớn của cây quyết định là dễ hiểu – nó giống như quá trình con người ra quyết định theo từng bước logic đơn giản (“Nếu trời nắng và độ ẩm ≤70% thì chơi…”). Điều này rất hữu ích trong tài chính khi ta cần giải thích mô hình dự đoán (ví dụ giải thích cho khách hàng vì sao mô hình khuyên mua cổ phiếu A nhưng không mua B). Cây quyết định cũng có khả năng mô hình hóa quan hệ phi tuyến và tương tác giữa các biến một cách tự nhiên (vì các nhánh if/else có thể bắt được những quy luật phức tạp). Tuy nhiên, nhược điểm của mô hình này là dễ overfit nếu không được tỉa (prune) – một cây quá sâu có thể “nhớ” cả những biến động ngẫu nhiên. Để khắc phục, người ta thường giới hạn độ sâu cây hoặc ghép nhiều cây nhỏ thành mô hình mạnh hơn (xem Random Forest, Gradient Boosting…). Dù sao, cây quyết định là viên gạch cơ bản trong ML, và trong tài chính nó đã được dùng để phát hiện các quy tắc trading, phân khúc khách hàng, hoặc xác định điều kiện rủi ro.
Mạng nơ-ron (Neural Network)
Hình minh họa một mạng nơ-ron nhân tạo đơn giản với các nút (neurons) sắp xếp thành các tầng: tầng đầu vào (màu xanh lam), một tầng ẩn (màu xanh lá) và tầng đầu ra (màu vàng). Các kết nối có trọng số (mũi tên) giữa các nút cho phép mạng học được hàm dự báo phức tạp.
Mạng nơ-ron nhân tạo là một mô hình ML lấy cảm hứng từ cấu trúc não bộ sinh học. Về bản chất, một mạng nơ-ron là một tập hợp các thuật toán liên kết với nhau như các “tế bào thần kinh” và học hỏi bằng cách điều chỉnh trọng số của các kết nối đó. Mạng gồm nhiều tầng (layers): tầng đầu vào nhận dữ liệu (ví dụ các đặc trưng cổ phiếu), qua một hoặc nhiều tầng ẩn xử lý trung gian, rồi cho ra tầng đầu ra với kết quả dự báo (như lợi nhuận kỳ vọng). Mỗi nút (neuron) thực hiện một phép biến đổi đơn giản (tính tổng có trọng số và hàm kích hoạt phi tuyến), nhưng rất nhiều nút ghép lại thành tầng và nhiều tầng nối tiếp tạo nên một hàm số cực kỳ linh hoạt có thể xấp xỉ bất kỳ quan hệ phức tạp nào giữa đầu vào – đầu ra.
Ưu điểm nổi bật của mạng nơ-ron là sức mạnh dự báo: với đủ số neuron và dữ liệu, mạng nơ-ron có thể học gần như mọi quy luật tiềm ẩn, kể cả các mô hình phi tuyến tính phức tạp. Đây là lý do mạng nơ-ron (đặc biệt các mạng sâu, deep learning) đã bùng nổ trong nhiều lĩnh vực. Trong tài chính, mạng nơ-ron được dùng để dự báo giá cổ phiếu, phát hiện gian lận, xử lý ngôn ngữ (tin tức tài chính) hay quản lý danh mục. Tuy nhiên, nhược điểm là mạng nơ-ron thường là “hộp đen” – rất khó diễn giải trực giác từ các trọng số và nút ẩn. Ngoài ra, chúng cần nhiều dữ liệu và tính toán, và nếu không cẩn thận dễ overfit. Các nhà nghiên cứu thường dùng kỹ thuật regularization (như đánh rớt nút – dropout, phạt trọng số L2…) để làm mạng bớt phức tạp nhằm tổng quát hóa tốt hơn. Mặc dù vậy, mạng nơ-ron vẫn là công cụ không thể thiếu khi dữ liệu lớn và bài toán yêu cầu mô hình hóa phi tuyến tính mà các phương pháp khác bó tay.
PCA – Phân tích thành phần chính
Phân tích thành phần chính (Principal Component Analysis – PCA) là một kỹ thuật giảm chiều dữ liệu rất thông dụng. Mục tiêu của PCA là tóm tắt một tập dữ liệu có nhiều biến thành một tập biến ít hơn nhưng vẫn giữ được phần lớn thông tin quan trọng. Cụ thể, PCA sẽ tìm ra những phương hướng phương sai lớn nhất trong không gian dữ liệu gốc (gọi là thành phần chính). Mỗi thành phần chính là một tổ hợp tuyến tính của các biến gốc, đại diện cho một “yếu tố tiềm ẩn” nào đó. Bằng cách chọn lấy vài thành phần chính đầu tiên (vốn giải thích phần lớn phương sai dữ liệu), ta có thể đại diện dữ liệu ban đầu bằng ít chiều hơn nhiều.
Ví dụ, giả sử ta có dữ liệu 100 chỉ số tài chính của hàng nghìn công ty. PCA có thể rút gọn 100 biến này thành, nói, 5 thành phần chính. Mỗi thành phần chính có thể được hiểu như một yếu tố tổng hợp: chẳng hạn thành phần #1 có thể phản ánh “quy mô công ty”, thành phần #2 phản ánh “đòn bẩy tài chính”, v.v. Thay vì phân tích 100 biến lẻ tẻ, giờ ta chỉ cần xem 5 thành phần chính đó – đơn giản hơn rất nhiều mà vẫn chứa hầu hết thông tin gốc. Dĩ nhiên, việc giảm chiều sẽ mất một chút độ chính xác (vì bỏ qua các thành phần nhỏ), nhưng PCA được thiết kế để đánh đổi tối ưu giữa đơn giản và chính xác: loại bỏ nhiễu và chi tiết vụn vặt để giữ lại những xu hướng lớn nhất. Trong tài chính, PCA được dùng rộng rãi, ví dụ để tìm các yếu tố thị trường từ dữ liệu lợi suất (thay vì giả định sẵn yếu tố nào, PCA sẽ chỉ ra tổ hợp danh mục nào di chuyển cùng nhau mạnh nhất), hoặc giảm số chiều của dữ liệu kinh tế vĩ mô để dễ mô hình hóa hơn. PCA là nền tảng cho nhiều mô hình nhân tố và được nhắc đến trong tài liệu như một công cụ ML quan trọng giúp xử lý dữ liệu nhiều biến.
Regularization – Điều chuẩn hóa mô hình
Regularization (tạm dịch: điều chuẩn hóa mô hình, hay hiểu đơn giản là “phạt” mô hình) là một kỹ thuật chủ chốt trong ML nhằm ngăn chặn overfitting. Ý tưởng chính của regularization là thêm một hình phạt cho độ phức tạp của mô hình vào hàm mục tiêu khi huấn luyện. Nghĩa là, mô hình không chỉ cố gắng fit dữ liệu tốt (giảm sai số trên dữ liệu huấn luyện) mà còn bị trừng phạt nếu quá phức tạp (ví dụ có trọng số quá lớn hoặc quá nhiều tham số tự do). Bằng cách này, regularization khuyến khích mô hình đơn giản hóa tối đa có thể mà vẫn giải thích được dữ liệu, từ đó tăng khả năng mô hình hoạt động tốt trên dữ liệu chưa thấy (tổng quát hóa tốt hơn).
Có thể hình dung regularization bằng một phép ẩn dụ: Một học sinh nếu chỉ học tủ, học thuộc lòng đáp án thì có thể làm bài kiểm tra mẫu rất tốt nhưng dễ lúng túng trước đề thi mới – đây chính là overfitting. Kỹ thuật regularization giống như việc yêu cầu học sinh đó học bao quát hơn thay vì học thuộc lòng, chấp nhận hi sinh một chút điểm bài mẫu để nắm chắc phương pháp giải, nhờ đó khi gặp bài mới cũng làm được. Trong ML, regularization giúp mô hình “học khái quát” thay vì khớp đúng từng điểm dữ liệu cũ. Có nhiều dạng regularization, phổ biến như Ridge (L2) và Lasso (L1) – chúng phạt mô hình dựa trên độ lớn của các trọng số ước lượng (khuyến khích các trọng số nhỏ lại, tức mô hình bớt nhạy cảm với nhiễu). Một kỹ thuật khác là Early Stopping: dừng huấn luyện sớm trước khi mô hình kịp overfit dữ liệu huấn luyện. Kết quả của regularization là mô hình có thể hơi kém hơn trên dữ liệu cũ, nhưng lại mạnh mẽ hơn trên dữ liệu mới, đảm bảo tính ổn định. Trong tài chính, regularization cực kỳ quan trọng vì như đã nói, dữ liệu thường nhiễu và ít – hầu hết các ứng dụng ML tài chính thành công (ví dụ hồi quy Elastic Net trong dự báo cổ phiếu của Gu et al., 2020) đều nhờ vào việc áp dụng regularization đúng cách để khai thác được mô hình phức tạp mà không overfitfile-5hxx372wgequmz3djt5gor.
Machine learning mang đến một cách tiếp cận mới mẻ cho tài chính: dùng mô hình linh hoạt và dữ liệu lớn để dự báo và ra quyết định hiệu quả hơn. ML có thể bổ sung hữu ích cho phương pháp kinh tế lượng truyền thống, từ việc dự báo lợi nhuận, tìm kiếm cấu trúc rủi ro tiềm ẩn, đến tối ưu danh mục đầu tư. Quan trọng là phải hiểu được lợi ích (mô hình phức tạp nắm bắt tốt hơn quy luật) và rủi ro (nguy cơ overfit do dữ liệu tài chính hạn chế) của ML, từ đó áp dụng các kỹ thuật điều chỉnh phù hợp. Với cách tiếp cận đúng đắn, ML hứa hẹn giúp giới tài chính hiểu sâu hơn về thị trường và ra quyết định đầu tư thông minh hơn.
