Hiện nay, việc áp dụng phương pháp học máy trong tài chính ứng dụng đang khá phổ biến ở các nước trên thế giới, tuy nhiên các nghiên cứu về ứng dụng phương pháp này ở Việt Nam vẫn còn khiêm tốn. Bài viết khái quát về tầm quan trọng của phương pháp học máy trong tài chính ứng dụng và một số công trình nghiên cứu liên quan nhằm gợi ý cho các nghiên cứu trong tương lai ở Việt Nam
Công nghệ tài chính và phương pháp học máy
Chuyển đổi số đóng vai trò quan trọng trong việc thúc đẩy các hoạt động tài chính. Hiện nay, có rất nhiều các công ty tài chính đã phát triển nhiều sản phẩm, dịch vụ để cung cấp cho thị trường. Các sản phẩm có ứng dụng công nghệ tài chính như thanh toán điện tử, cho vay ngang hàng (peer- to – peer lending)… đóng vai trò quan trọng trong hoạt động đời sống cũng như đóng góp không nhỏ cho nguồn thu của các tổ chức tài chính.
Công nghệ tài chính (Fintech) đề cập đến những đổi mới tài chính được thúc đẩy bởi sự tiến bộ công nghệ trong các mô hình kinh doanh mới, dịch vụ tài chính mới và các phần mềm, ứng dụng mới có tác động lớn đến việc cung cấp dịch vụ tài chính cũng như sự phát triển của ngành Tài chính – ngân hàng. Ðến nay, sự tích hợp của công nghệ và tài chính trên thế giới đã trải qua 3 giai đoạn.
Giai đoạn đầu tiên là công nghệ thông tin tài chính, cụ thể là số hóa thông tin trong ngành tài chính. Giai đoạn thứ hai là tài chính Internet, có sự kết hợp và kết nối của các sản phẩm khác nhau của các doanh nghiệp tài chính như quản lý tài sản, giao dịch, thanh toán và tài trợ trên nền tảng Internet hoặc thiết bị di động.
Giai đoạn thứ ba là sự tích hợp trên thực tế của tài chính và công nghệ. Ở giai đoạn này, Fintech tập trung vào việc sử dụng các công nghệ như dữ liệu lớn, điện toán đám mây, trí thông minh nhân tạo (AI) và blockchain để thay đổi cách thức thu thập thông tin tài chính truyền thống, mô hình định giá rủi ro, quy trình ra quyết định đầu tư và vai trò truyền thống của các trung gian tài chính.
Phương pháp học máy (Machine Learning) là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống “học” tự động từ dữ liệu để giải quyết những vấn đề cụ thể. Các thuật toán của phương pháp học máy là các chương trình máy tính có khả năng học hỏi về cách hoàn thành các nhiệm vụ và cách cải thiện hiệu suất theo thời gian.
Máy có khả năng thích nghi với các điều kiện môi trường xung quanh để rút trích ra các nguyên lý từ tri thức thu nhận được phục vụ cho việc ra quyết định. Có thể kể đến một số sản phẩm của phương pháp học máy như: Cảnh báo giao thông trên ứng dụng Google maps, Deepface của mạng xã hội Facebook…
Các công trình nghiên cứu về phương pháp học máy liên quan tới tài chính ứng dụng
Phương pháp học máy là việc áp dụng trí tuệ nhân tạo trong nghiên cứu và xây dựng các thuật toán để hệ thống có thể tự “học” những dữ liệu trước đó, nhằm giải quyết một hoặc một vài vấn đề cụ thể. Tại Việt Nam, đã có một vài nghiên cứu bắt đầu nghiên cứu về phương pháp học máy. Thái Kim Phụng và cộng sự (2019) đã nghiên cứu phương pháp tiếp cận học máy trong việc khai thác ý kiến của khách hàng trực tuyến.
Mẫu dữ liệu của nghiên cứu này bao gồm 15.480 ý kiến bình luận của khách du lịch về hoạt động của các khách sạn tại Việt Nam trên trang Agoda.com. Sau khi thu thập dữ liệu, nghiên cứu áp dụng các mô hình học máy để chọn ra một mô hình phù hợp nhất trong việc dự báo ý kiến cho toàn bộ tập dữ liệu. Kết quả nghiên cứu chỉ ra rằng, phương pháp học máy Logistic Regression và phương pháp học máy Support Vector Machines mang lại kết quả tốt nhất trong việc khai thác ý kiến bằng ngôn ngữ tiếng Việt.
Phương pháp học máy là việc áp dụng trí tuệ nhân tạo trong nghiên cứu và xây dựng các thuật toán để hệ thống có thể tự “học” những dữ liệu trước đó, nhằm giải quyết một hoặc một vài vấn đề.
Nghiên cứu của Nguyễn Hoàng Huy và cộng sự (2016) đã xây dựng thuật toán để định giá bất động sản một cách hiệu quả. Nghiên cứu này đã áp dụng phương pháp LASSO (Hastie và cộng sự, 2015) để chỉnh hoá các hệ số hồi quy phi tuyến nhằm làm giảm bớt phương sai của các ước lượng, từ đó giúp cho việc định giá bất động sản hiệu quả hơn. Sử dụng mẫu nghiên cứu tại tỉnh Montreal (Canada) và quận Long Biên (Hà Nội, Việt Nam), nghiên cứu này đã khẳng định rằng thuật toán của nghiên cứu này tốt hơn các thuật toán được đưa ra trước đây. Tuy nhiên, nhược điểm của nghiên cứu này là mẫu nghiên cứu nhỏ và khó có thể là đại diện cho việc định giá bất động sản tại Việt Nam.
Nguyễn Trung Anh (2019) cho rằng, các tổ chức tài chính hiện nay đang sở hữu một bộ dữ liệu cực lớn được thu thập trong quá trình hoạt động kinh doanh của mình. Để tận dụng tốt các thông tin có được từ bộ dữ liệu này, các tổ chức tài chính cần xây dựng được những phương pháp học máy để phát hiện ra được những thông tin quý giá, từ đó góp phần nâng cao các chất lượng sản phẩm mà ngân hàng cung cấp. Cũng theo Nguyễn Trung Anh (2019), các tổ chức tài chính cần phải có những chuyên gia trong lĩnh vực học máy để có thể mô hình hoá được dữ liệu và sử dụng dữ liệu được tốt nhất.
Có nhiều nghiên cứu gần đây nghiên cứu về cách định giá các tài sản, bao gồm cả tài sản tài chính và tài sản thực, bằng cách sử dụng phương pháp học máy (ví dụ: Gu và cộng sự, 2019; Glaeser và cộng sự, 2018; Chen và cộng sự, 2021). Ưu điểm của phương pháp học máy trong định giá tài sản là nó có thể giúp định giá được những tài sản mà có tính thanh khoản ít và có thể không có tính tương đồng với các tài sản khác (Nếu hai tài sản có sự tương đồng nhau thì giá của hai tài sản này có thể tương tự nhau). Trong các trường hợp mà tài sản có tính thanh khoản thấp và ít có sự tương đồng với các tài sản khác, các phương pháp định giá truyền thống như chiết khấu luồng tiền hay phương pháp so sánh thường mang lại những phạm vi giá trị định giá khác rất xa nhau, từ đó làm cho việc xác định giá tài sản là gặp khó khăn.
Các nghiên cứu ngoài nước liên quan đến lĩnh vực dự đoán hoặc định giá bằng phương pháp học máy có thể được chia ra làm hai nhóm chính. Nhóm thứ nhất bao gồm các nghiên cứu mà áp dụng phương pháp học máy để dự đoán giá tài sản và lợi nhuận kỳ vọng của tài sản đó. Gu và cộng sự (2019) đã đưa ra 3 lý do chính giải thích tại sao nhà đầu tư ưa thích phương pháp học máy để định giá tài sản. Cụ thể:
Thứ nhất, định giá tài sản là việc các nhà đầu tư dự đoán phần bù rủi ro của tài sản được định giá. Phương pháp học máy là một trong những phương pháp tốt nhất mà có thể được sử dụng trong công tác dự đoán một sự kiện nói chung và phần bù rủi ro tài sản nói riêng.
Thứ hai, để định giá tài sản cần có rất nhiều các yếu tố đầu vào mà đôi khi các yếu tố này có sự tương quan với nhau rất cao. Chính điều này làm cho sức mạnh của việc định giá bị giảm xuống. Phương pháp học máy có thể làm giảm vấn đề này bằng cách chọn lọc ra những biến quan trọng trong việc định giá từng tài sản và do đó tăng cường được khả năng dự đoán giá trị tài sản.
Thứ ba, các phương pháp định giá tài sản truyền thống bằng phương pháp hồi quy thường gặp khó khăn trong việc xác định mô hình hồi quy. Vấn đề này hoàn toàn có thể được giải quyết bằng phương pháp học máy.
Chen và cộng sự (2021) đã áp dụng phương pháp học máy, trong đó có tính đến các yếu tố kinh tế và công nghệ, để dự đoán tỷ giá của đồng tiền điện tử Bitcoin. Nghiên cứu này đã áp dụng phương pháp học máy hai giai đoạn. Giai đoạn thứ nhất, nghiên cứu này đã áp dụng phương pháp học máy để xác định các thông tin kinh tế và thông tin công nghệ tác động đến tỷ giá Bitcoin. Giai đoạn thứ hai, nghiên cứu này đã áp dụng phương pháp mạng thần kinh để sử dụng các yếu tố được xác định ở giai đoạn thứ nhất dự đoán tỷ giá Bitcoin. Chen và cộng sự (2021) đã chỉ ra rằng, phương pháp học máy có khả năng dự đoán tốt hơn các phương pháp dự đoán truyền thống như phương pháp trung bình trượt tự hồi quy.
Trong khi đó, một số nghiên cứu tập trung áp dụng phương pháp học máy liên quan đến việc so sánh điểm mạnh và yếu trong quá trình ra quyết định của “con người” và “học máy”. Abis (2020) sử dụng phương pháp học máy để phân loại các quỹ đầu tư tương hỗ ra thành hai nhóm: Nhóm các quỹ đầu tư sử dụng các thuật toán máy tính và quy định cứng nhắc và nhóm các quỹ đầu tư dựa vào phán xét của con người.
Kết quả của nghiên cứu này chỉ ra rằng quỹ đầu tư áp dụng các thuật toán máy tính và quy định cứng nhắc thường có khả năng xử lý thông tin tốt hơn nhưng cũng ít linh hoạt hơn trong việc áp dụng các chiến lược đầu tư. Các quỹ này cũng tập trung vào việc lựa chọn cổ phiếu, nắm giữ nhiều cổ phiếu hơn, có kết quả hoạt động lên hoặc xuống theo tình hình thị trường và các giao dịch của quỹ này thường gặp bất lợi trước những giao dịch mà có quá đông người tham gia (overcrowing).
Ngược lại, các quỹ đầu tư dựa vào phán xét của con người lựa chọn cổ phiếu dựa vào thời điểm thị trường, có kết quả hoạt động có thể không phụ thuộc vào thị trường và tập trung vào những cổ phiếu mà có ít thông tin trên thị trường. Như vậy, kết quả của nghiên cứu này hàm ý rằng, việc áp dụng phương pháp học máy có cả những điểm lợi và bất lợi khi định giá tài sản.
Kết luận
Các nghiên cứu nêu trên nhìn chung đã đưa ra được các ứng dụng của phương pháp học máy đến việc định giá tài sản. Tuy nhiên, các nghiên cứu này chưa chỉ ra được liệu phương pháp học máy có phù hợp để được sử dụng bởi các tổ chức tài chính không. Bên cạnh đó, các nghiên cứu này cũng chưa chỉ ra được các điều kiện cần thiết để các tổ chức tài chính có thể áp dụng được phương pháp máy học trong tổ chức của mình.
Thực tế tại Việt Nam cho thấy, cho đến nay, Việt Nam vẫn chưa có nhiều công trình nghiên cứu về phương pháp học máy nói chung và gần như không có một công trình nào nghiên cứu chi tiết về phương pháp học máy trong việc định giá tài sản tại các tổ chức tài chính. Bên cạnh đó, các bài nghiên cứu về phương pháp học máy ở Việt Nam chưa có sự tổng hợp chi tiết về các nghiên cứu hiện tại trên thế giới về chủ đề này.
Hiện nay, chưa có nghiên cứu nào phân tích hay đánh giá thực trạng việc sử dụng phương pháp học máy trong việc định giá tài sản tại các tổ chức tài chính. Các bài báo viết về việc áp dụng phương pháp học máy tại các tổ chức tài chính ở Việt Nam chỉ dừng ở mức phân tích chung chung, chưa có số liệu để chứng minh cho các lập luận của mình. Việc này làm cho những phân tích chưa hiệu quả, các giải pháp đưa ra chưa gắn liền với nhu cầu thực tế của các tổ chức tài chính.
Mặc dù, các tổ chức tài chính đã, đang áp dụng mạnh mẽ trí tuệ nhân tạo và phương pháp học máy vào hoạt động của mình nhưng sự thiếu hụt các nghiên cứu phân tích thực trạng việc áp dụng các lĩnh vực này tại các tổ chức tài chính. Điều này đã làm giảm tốc độ áp dụng cũng như tính hiệu quả của việc áp dụng trí tuệ nhân tạo và phương pháp học máy tại các tổ chức tài chính. Thực tế này gợi mở các nghiên cứu tiếp theo về phương pháp học máy trong tương lai ở Việt Nam.
Tài liệu tham khảo:
1. Đặng Hoàng Giang (2020), Công nghệ tài chính: Cơ hội và thách thức phát triển ngân hàng số, tapchitaichinh.vn;
2. Nguyễn Hoàng Huy, Phạm Văn Toàn, Hoàng Thị Thanh Giang (2016), Tạp chí Khoa học Nông nghiệp Việt Nam 2016, tập 14, số 9: 1441-1447;
3. Thái Kim Phụng, Nguyễn An Tế, Trần Thị Thu Hà (2019), Tạp chí Nghiên cứu Kinh tế và Kinh doanh Châu Á Năm thứ 30, Số 10 (2019), 27–41;
4. Chen, F., Jahanshahi, M.R., May 2018. Nb-cnn: deep learning-based crack detection using convolutional neural network and naïve bayes data fusion. IEEE Trans. Industr. Electron. 65 (5), 4392–4400;
5. Fuster, Andreas và cộng sự (2020), Predictably Unequal? The Effects of Machine Learning on Credit Markets, https://papers.ssrn.com/sol3/ papers.cfm?abstract_id=3072038.
(*) Lê Đức Hoàng, Viện Ngân hàng – Tài chính, Trường Đại học Kinh tế Quốc dân.
(**) Bài đăng Tạp chí Tài chính kỳ 2 tháng 6/2021.
