Ứng dụng kỹ thuật học máy trong xây dựng mô hình dự báo tài chính.

Ứng dụng kỹ thuật học máy trong xây dựng mô hình dự báo tài chính.Ứng dụng kỹ thuật học máy trong xây dựng mô hình dự báo tài chính.Ứng dụng kỹ thuật học máy trong xây dựng mô hình dự báo tài chính.Ứng dụng kỹ thuật học máy trong xây dựng mô hình dự báo tài chính.Ứng dụng kỹ thuật học máy trong xây dựng mô hình dự báo tài chính.Ứng dụng kỹ thuật học máy trong xây dựng mô hình dự báo tài chính.Ứng dụng kỹ thuật học máy trong xây dựng mô hình dự báo tài chính.

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG LUẬN VĂN THẠC SĨ ỨNG DỤNG KỸ THUẬT HỌC MÁY TRONG XÂY DỰNG MƠ HÌNH DỰ BÁO TÀI CHÍNH Chuyên ngành: Tài – Ngân hàng NGUYỄN THÀNH TRUNG HÀ NỘI - 2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG LUẬN VĂN THẠC SĨ ỨNG DỤNG KỸ THUẬT HỌC MÁY TRONG XÂY DỰNG MƠ HÌNH DỰ BÁO TÀI CHÍNH Chun ngành: Tài – Ngân hàng Mã số: 8340201 Họ tên học viên: Nguyễn Thành Trung Người hướng dẫn: TS Vũ Thị Phương Mai HÀ NỘI - 2020 LỜI CAM ĐOAN Tôi đọc hiểu hành vi vi phạm trung thực học thuật Tôi cam kết danh dự cá nhân luận văn thực không vi phạm yêu cầu trung thực học thuật Hà Nội, ngày tháng năm 2020 Học viên Nguyễn Thành Trung LỜI CẢM ƠN Tôi xin gửi lời cảm ơn tới Quý thầy cô Khoa Sau đại học – Trường Đại học Ngoại Thương, đặc biệt xin chân thành cảm ơn TS Vũ Thị Phương Mai tận giúp đỡ hướng dẫn cho hoàn thành luận văn Hà Nội, ngày tháng năm 2020 Học viên Nguyễn Thành Trung MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC TỪ VIẾT TẮT DANH MỤC BẢNG DANH MỤC HÌNH TĨM TẮT KẾT QUẢ NGHIÊN CỨU LỜI MỞ ĐẦU CHƯƠNG 1: GIỚI THIỆU VỀ HỌC MÁY VÀ CÁC MƠ HÌNH HỌC MÁY 1.1 KHÁI NIỆM 1.2 CÁC BÀI TOÁN CƠ BẢN TRONG HỌC MÁY 1.3 PHÂN NHĨM CÁC THUẬT TỐN HỌC MÁY 1.4 LỊCH SỬ CÁC SỰ KIỆN LIÊN QUAN TỚI HỌC MÁY 11 1.5 HÀM TỔN THẤT VÀ THAM SỐ MÔ HÌNH .13 1.6 MỘT SỐ THUẬT TỐN TỐI ƯU THƠNG DỤNG TRONG HỌC MÁY 13 1.7 THUẬT TOÁN K-NEAREST NEIGHBOR (KNN) 19 1.8 MƠ HÌNH HỒI QUY LOGISTIC 20 1.9 THUẬT TOÁN CÂY QUYẾT ĐỊNH (DECISION TREE) 24 1.10 THUẬT TOÁN RANDOM FOREST (RỪNG NGẪU NHIÊN) 29 1.11 THUẬT TOÁN SUPPORT VECTOR MACHINE (SVM) 31 1.12 MƠ HÌNH MẠNG NƠRON NHÂN TẠO (ARTIFICIAL NEURAL NETWORK- ANN) 41 1.13 PHÂN LOẠI ĐA LỚP TRONG HỌC MÁY – MƠ HÌNH SOFTMAX 49 1.14 GIỚI THIỆU VỀ PYTHON VÀ CÁC THƯ VIỆN HỖ TRỢ CÀI ĐẶT THUẬT TOÁN .52 CHƯƠNG 2: DỰ BÁO KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG .54 2.1 GIỚI THIỆU BÀI TOÁN 54 2.2 DỮ LIỆU VÀ XỬ LÝ DỮ LIỆU 54 2.3 KẾT QUẢ .57 CHƯƠNG 3: DỰ BÁO CHO DỮ LIỆU CHUỖI THỜI GIAN 64 TRONG TÀI CHÍNH 64 3.1 TIẾP CẬN BÀI TOÁN: 64 3.2 DỮ LIỆU CỦA BÀI TOÁN 64 3.3 ĐO LƯỜNG TÍNH CHÍNH XÁC CỦA MƠ HÌNH DỰ BÁO 67 3.4 KẾT QUẢ CỦA BAI TOAN 68 3.5 NHẬN XÉT KẾT QUẢ .72 3.6 NHẬN XÉT VỀ MƠ HÌNH ANN 73 3.7 ĐÁNH GIÁ VIỆC XÂY DỰNG MƠ HÌNH DỰ BÁO TÀI CHÍNH BẰNG PHƯƠNG PHÁP HỌC MÁY .74 3.8 MỘT SỐ KHUYẾN NGHỊ CHÍNH SÁCH .75 KẾT LUẬN 77 TÀI LIỆU THAM KHẢO 78 PHỤ LỤC: KẾT QUẢ MỘT SỐ MƠ HÌNH CHƯƠNG 81 DANH MỤC TỪ VIẾT TẮT KNN: K Nearest Neighbors SVM: Support Vector Machine ANN: Artificial Neural Network KKT: Karush-Kuhn-Tucker SMO: Sequential Minimal Optimization NN: Neural Network DT: Decision Tree LR: Logistic Regression ARDL: Autoregressive Distributed Lag ARIMA: Autoregressive integrated moving average DANH MỤC BẢNG Bảng 2.1 Tổng hợp kết mơ hình Bảng 3.1: Kết sai số mơ hình Bảng 3.2 Kết so sánh mơ hình báo [13] DANH MỤC HÌNH Hình 0.1 Minh họa hàm lồi Hình 0.2 Minh họa hàm lõm Hình 0.3 Minh họa thuật tốn giảm gradient Hình 0.4 Minh họa thuật tốn Newton-Raphson Hình 0.5 Thuật tốn giảm gradient với hàm khơng lồi Hình 1.1 Ví dụ tốn Cây định Hình 1.2 Cơ chế lọc liệu Cây định Hình 1.3 Cơ chế tiên phân loại cho nút gốc Cây định Hình 1.4 Kết phân loại Cây định Hình 1.5 Ví dụ phân chia tuyến tính Hình 1.6 Ví dụ phân chia hai chiều Hình 1.7 Ví dụ phân chia ba chiều Hình 1.8 Các trường hợp phân chia liệu Hình 1.9 Minh họa tốn SVM lề cứng Hình 1.10 Minh họa liệu nhiễu tốn SVM Hình 1.11 Bài tốn SVM lề mềm Hình 1.12 Minh họa mạng nơ ron nhân tạo Hình 1.13 Minh họa đầu nốt mạng nơ ron Hình 1.14 Ví dụ mạng nơ ron ba lớp Hình 2.1 Mơ tả liệu khách hàng Hình 2.2 Thơng tin liệu xuất từ Python Hình 2.3 Điểm liệu sau thực chuẩn hóa theo cách Hình 2.4 Kết độ xác mơ hình theo cách Hình 2.5 Kết độ xác mơ hình theo cách Hình 2.6 Kết dự báo thơng tin thiếu trường ‘Saving accounts’ Hình 2.7 Kết dự báo thơng tin thiếu trường ‘Checking account’ Hình 2.8 Kết độ xác mơ hình theo cách Hình 2.9 So sánh kết mơ hình theo cách cách Hình 2.10 So sánh kết mơ hình theo cách cách Hình 3.0 Dữ liệu VN-Index từ 2010 đến 2019 Hình 3.1 Kết dự báo mơ hình Hình 3.2 Kết dự báo mơ hình Hình 3.3 Kết dự báo mơ hình Hình 3.4 Kết dự báo mơ hình Hình 3.5 Kết dự báo mơ hình Hình 3.6 Kết dự báo mơ hình TÓM TẮT KẾT QUẢ NGHIÊN CỨU Luận văn trình bày nét khái niệm học máy kỹ thuật thường sử dụng học máy Cụ thể luận văn thực phân loại tốn học máy giới thiệu mơ hình học máy triển khai lĩnh vực tài như: K láng giềng gần (K nearest neighbor), Hồi quy logistic, Cây định (Decision Tree), Rừng ngẫu nhiên (Random Forest), Support Vector Machine, mạng Nơ-ron nhân tạo mơ hình Softmax Luận văn sâu vào phân tích cách thức mơ hình học hỏi tri thức từ liệu áp dụng cho vấn đề thực tiễn Hình 3.1 Kết dự báo mơ hình Nguồn: Tính tốn tác giả Hình 3.2 Kết dự báo mơ hình Nguồn: Tính tốn tác giả Hình 3.3 Kết dự báo mơ hình Nguồn: Tính tốn tác giả Hình 3.4 Kết dự báo mơ hình Nguồn: Tính tốn tác giả Hình 3.5 Kết dự báo mơ hình Nguồn: Tính tốn tác giả Hình 3.6 Kết dự báo mơ hình Nguồn: Tính tốn tác giả 3.5 Nhận xét kết Dường mơ hình sử dụng liệu khứ 20 ngày trước cho kết khả quan mơ hình cịn lại Tuy nhiên điều khơng thật xác thông số mạng trình thử sai chạy mơ hình nhiều tổ hợp thơng số mơ hình như: số lớp, số nút lớp, hàm kích hoạt điều mà gần khơng thể chưa thể kết luận mơ hình tốt mơ hình q trình tối ưu hóa tham số phương pháp giảm gradient dù xuất phát từ nhiều điểm khác chưa đạt tối ưu toàn cục Chúng ta chấp nhận điểm tối ưu cục tìm gần với điểm tối ưu toàn cục việc chấp nhận thơng số mơ hình mà ta thấy đủ tốt cho trình dự báo Trong mơ hình với tham số cài đặt định mà học viên sử dụng luận văn mơ hình thứ mà học viên trình bày bên mơ hình tốt Các tham số mơ hình khơng xuất với toán phân loại sử dụng ANN chương số lượng tham số mơ hình lớn kết tương tự kết xuất chương Luận văn so sánh kết sai số mơ hình với kết đưa PGS.TS Huỳnh Quyết Thắng Viện Công nghệ Thông tin Truyền thông, trường Đại học Bách khoa Hà Nội viết ‘Dự đoán xu số chứng khoán Việt Nam VN-Index sử dụng phân tích hồi quy Gaussian Process mơ hình tự hồi quy trung bình động ARMA’ chun san ‘Các cơng trình nghiên cứu phát triển Cơng nghệ Thơng tin Truyền thông’ đăng tháng 11/2018 Trong viết tác giả sử dụng phương pháp ARMA (Autoregressive moving average), GPR (Gaussian process regression) phương pháp kết hợp GPR-ARMA để dự báo cho số VN-Index với tập huấn luyện giá trị ngày giao dịch từ 02/02/2015 đến 13/04/2016 tập kiểm tra từ ngày 14/04/2016 đến 09/08/2016 Bảng 3.2 Kết so sánh mơ hình báo [13] RMSE MAPE GPR 8.176 0.0102 GPR-ARMA 6.015 0.0073 Mơ hình 7.65 0.0058 Nguồn: [13] Mơ hình mơ hình sử dụng giá khứ 20 ngày trước để dự báo cho giá trị VN-Index cần dự báo học viên có kết RMSE cao so với mơ hình tốt GPR-ARMA [13] lại có MAPE thấp so với mơ hình Điều phần thể tích cực, hiệu mơ hình mạng nơ ron việc dự báo cho liệu chuỗi thời gian Tuy nhiên mơ hình mạng nơ ron nhân tạo có hạn chế riêng 3.6 Nhận xét mơ hình ANN Mạng nơ ron nhân tạo coi cơng cụ mạnh để giải tốn có tính phi tuyến, phức tạp đặc biệt trường hợp mà mối quan hệ trình khơng dễ thiết lập Tuy nhiên mà mơ hình học máy ANN ln coi q trình học hộp đen khơng đưa phân tích thống kê cách rõ ràng Ưu điểm mạng nơ ron:  Có khả tự học tự điều chỉnh tham số để kết tính tốn phù hợp với thực tế mà không phụ thuộc vào ý kiến chủ quan người  Thích hợp với nhiều dạng liệu có liệu chuỗi thời gian Làm việc tốt với liệu chuỗi thời gian phi tuyến mơ hình ANN mơ hình khơng tuyến tính tối ưu tham số cho kết sai số dự báo giá trị quan sát nhỏ Hạn chế mạng nơ ron:  Số lượng tham số mơ hình thường lớn phụ thuộc vào đặc trưng tốn thực tế khó để giải thích tường minh trình dẫn tới kết  Việc lựa chọn thông số mạng nơ ron nhân tạo q trình thử sai khơng có câu trả lời chung cho việc chọn thông số cho mơ tốt cho chu kì huấn luyện, kiểm tra kiểm định lại kết 3.7 Đánh giá việc xây dựng mơ hình dự báo tài phương pháp học máy Hai toán chương chương luận văn hai tốn điển hình loại toán phân loại toán hồi quy học máy mà học viên muốn đưa thấy mơ hình học máy đa dạng, có nguyên lý hoạt động tương đối phức tạp kèm theo hiệu việc giải toán lý thuyết lẫn thực tế minh chứng báo khoa học, cơng trình nghiên cứu Đối với tốn phân loại ngồi mơ hình hồi quy logistic thường biết đến mơ hình logit kinh tế lượng học máy bổ sung thêm tương đối nhiều mơ hình khác như: KNN, Decision Tree, Random Forest, SVM, ANN, Softmax, … mơ hình tạo với thuật toán chuyên biệt cho việc phân loại xây dựng từ sở lý thuyết vững điều tạo hiệu quả, độ xác tốt mơ hình so với mơ hình phân loại sử dụng kinh tế lượng Đối với toán hồi quy, đời mạng nơ ron nhân tạo cải tiến mạng học sâu cơng nhận có xác vượt trội so với mơ hình hồi quy kinh tế lượng truyền thống khả tự học hỏi điều chỉnh tham số mơ khả nhận dạng tốt với liệu tuyến tính phi tuyến tính nhờ vào số lượng lớn tham số tham gia vào mơ hình, số lượng tham số lên tới hàng triệu, hàng chục triệu, hàng trăm triệu tham số điều hoàn tồn khác biệt so với mơ hình kinh tế lượng truyền thống Vì thuật tốn học máy tạo có xu hướng xử lý tốt với liệu lớn, phức tạp mơ hình thống kê kinh tế lượng truyền thống Học máy phương pháp phân tích liệu tự động hóa việc xây dựng mơ hình phân tích Một mơ hình tự động dựa trình bày chương học viên hệ thống ghi nhận thơng tin khách hàng hệ thống tự động trả định có cho khách hàng vay hay không? vay bao nhiêu? với lãi suất bao nhiêu? phụ thuộc vào cài đặt cho trước vị rủi ro, chiến lược sản phẩm tổ chức tài dựa thông tin khả trả nợ khách hàng tính tốn mơ hình học máy Học máy việc dạy máy tính cách học hỏi từ liệu để đưa dự đoán, từ đưa định cách hợp lý Chính nguồn ngun liệu đầu vào khơng thể thiếu học máy liệu liệu coi nguồn tài nguyên, tài sản cịn q dầu mỏ thời đại cơng nghiệp 4.0 Do học máy cần có nguồn liệu đầu vào lớn, dồi dào, đáng tin cậy để huấn luyện, thử nghiệm đưa dự báo đạt đạt độ xác cao Càng có nhiều liệu mơ hình học máy xác Ngày khơng phủ nhận tầm quan trọng Dữ liệu lớn (Big Data) Tuy nhiên để khai thác Dữ liệu lớn cách có hiệu quả, phải vận hành phương pháp phân tích vượt khả phân tích mơ hình thống kê kinh tế lượng truyền thống Và học máy coi giải pháp hữu ích cho vấn đề kinh doanh có tính chất liệu lớn phức tạp 3.8 Một số khuyến nghị sách Với lý phía trên, học viên xin đưa số khuyến nghị sách nhằm góp phần vào phát triển chung ngành tài – ngân hàng sau:  Cơ quan quản lý nhà nước tổ chức tài – ngân hàng cần có quan điểm, chiến lược đắn nguồn tài sản có giá trị liệu Cần xây dựng hệ sở liệu để lưu trữ liệu cách khoa học, xác từ làm tảng để thấy tranh tồn cảnh rõ nét hệ thống tài – ngân hàng nói chung định chế tài – ngân hàng nói riêng  Đẩy mạnh ứng dụng tiến khoa học kỹ thuật phát triển giới điển hình học máy việc dự báo định lĩnh vực tài – ngân hàng Các mơ hình học máy giúp cho tổ chức tài – ngân hàng định hồn tồn tự động, giúp cho q trình giải cơng việc nhanh hơn, xác hơn, tối ưu hóa nguồn lực lao động Với tốc độ phát triển nhanh chóng nguồn liệu cộng thêm hồn thiện thuật tốn học máy lực tính tốn máy tính Việc khai thác ứng dụng học máy giúp cho ngành tài – ngân hàng có hỗ trợ hiệu việc phân tích, xử lý thơng tin đưa định đắn cách kịp thời mang lại nhiều giá trị lợi Vì lý học máy giữ vai trị quan trọng việc phân tích dự báo lĩnh vực tài – ngân hàng thời gian tới KẾT LUẬN Luận văn trình bày nét khái niệm học máy kỹ thuật thường sử dụng học máy Cụ thể luận văn thực phân loại tốn học máy giới thiệu mơ hình học máy triển khai lĩnh vực tài Luận văn sâu vào phân tích cách thức mơ hình học hỏi tri thức từ liệu áp dụng cho vấn đề thực tiễn Hầu hết toán dự báo tài quy hai dạng toán học máy toán phân loại với đầu dự báo giá trị rời rạc toán hồi quy với đầu dự báo giá trị liên tục Vì việc ứng dụng mơ hình học máy dự báo tài không dừng mức độ lý thuyết mà đã, triển khai thực tế cách sâu rộng Dựa kết nghiên cứu luận văn kết nghiên cứu gần học máy, học viên nhận hướng nghiên cứu ứng dụng học máy dự báo tài việc kết hợp mơ hình học máy lại với kết hợp mơ hình học máy với mơ hình hữu lĩnh vực tài để tạo mơ hình mạnh việc dự báo Đây khơng phải ý tưởng việc xây dựng sở lý thuyết đưa vào thực nghiệm cho vấn đề cụ thể khoảng trống nghiên cứu mà học viên nhận thấy khai thác tương lai TÀI LIỆU THAM KHẢO Lê Hồng Phương, Bài giảng Học máy, Đại học Khoa học Tự nhiên, Hà Nội 2019 Đỗ Thanh Hà, Bài giảng Học máy nâng cao, Đại học Khoa học Tự nhiên, Hà Nội 2019 Thân Quang Khoát, Bài giảng Rừng ngẫu nhiên (Random Forest), Đại học Bách Khoa, Hà Nội 2019 Vũ Hữu Tiệp, Machine Learning bản, NXB Khoa học Kỹ thuật, Hà Nội 2018 Phạm Văn Khánh, Mơ hình chuỗi thời gian Trong phân tích, Dự báo kinh tế kinh doanh, NXB Đại học Quốc gia Hà Nội, Hà Nội 2019 Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction 2nd Edition, Springer 2016 Kevin P Murphy, Machine Learning: A Probabilistic Perspective, 1st Edition, The MIT Press 2012 Christopher M.Bishop, Pattern Recognition and Machine Learning, Springer 2006 Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, The MIT Press 2016 10 Tom M Mitchell, Machine Learning 1st Edition, McGraw-Hill Education 1997 11 Manuel Fernández-Delgado, Eva Cernadas, Senén Barro, Dinani Amorim, Do we Need Hundreds of Classifiers to Solve Real World Classification Problems?, Journal of Machine Learning Research, 15(Oct):3133−3181, 2014 12 Bernard Marr, A Short History of Machine Learning - Every Manager Should Read,link:https://www.forbes.com/sites/bernardmarr/2016/02/19/ahistory-of-machine-learning-every-manager-shouldFeb 19, 2016 short read/#4b4ebc6315e7, 13 Huỳnh Quyết Thắng, Phùng Đình Vũ, Tống Văn Vinh, Dự đốn xu số chứng khoán Việt Nam VN-Index sử dụng phân tích hồi quy Gaussian Process mơ hình tự hồi quy trung bình động ARMA, Chuyên san NC&PT CNTT-TT, Tạp chí Thơng tin Truyền thơng, Hà Nội 2018 14 John Platt, Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines, MSR-TR-98-14, April 1998 15 Andrew Zisserman, Lecture 2: The SVM classifier, C19 Machine Learning, link: http://www.robots.ox.ac.uk/~az/lectures/ml/lect2.pdf, University of Oxford 2015 16 B Baesens, T Van Gestel, S Viaene, M Stepanova, J Suykens, and J Vanthienen, Benchmarking state-of-art classification algorithm for credit scoring, Journal of Operational Research Society, vol 54, pp 627-635, June 2003 17 Lê Đạt Chí, Ứng dụng mơ hình mạng thần kinh nhân tạo dự báo kinh tế - Trường hợp thị trường chứng khoán Việt Nam, Luận án tiến sỹ, Đại học kinh tế Thành Phố Hồ Chí Minh, 2011 18 K S Shin, T S Lee, and H Kim, An application of support vector machines in bankruptcy prediction model, Exper Systems with Applications, vol.28, pp.127-135, Jan 2005 19 T.V.Gestel, B.Baesens, J.A.Suykens, D.Van den Poel, D.-E.Baestaens, B.Willekens, Bayesian kernel based classification for financial distress detection, European Journal of Operational Research, vol 172, pp 9791003, Aug 2006 20 H Abdou, J Pointon, and A Elmasry, Neural Nets Versus Conventional Techniques in Credit Scoring in Egyptian Banking, Expert Systems with Applications, vol 35, no 3, pp 1275-1292, Oct 2008 21 E Angelini, G.D Tollo, and A.Roil, A Neural Network Approach for Credit Risk Evaluation, The quarterly review of economics and finance, vol 48, no 4, pp 733-755, Nov 2008 22 Kumar Abhishek, Anshul Khairwa, Tej Pratap, Surya Prkash, “A stock market prediction model using Artificial Neural Network”, Computing Communication & Networking Technologies (ICCCNT), 2012 23 Moshiri & Cameron, Neural Network versus Econometric models in forecasting inflation, Journal of Forecasting, 201-217, 2000 24 Duzgun, R, Generalized Regression Neural Networks for Inflation Forecasting, International Research Journal of Finance and Economics, ISSN 1450-2887, Issue 51, 2010 25 Nguyễn Tiến Hưng, Lê Thị Huyền Trang, Mơ hình chấm điểm tín dụng dựa kết hợp mơ hình Cây định, Logit, K láng giềng gần Mạng thần kinh nhân tạo, Tạp chí Khoa học & Đào tạo Ngân hàng, Số 193, tr 46-75, tháng năm 2018 26 Nguyễn Khắc Hiếu, Nguyễn Thị Anh Vân, Dự báo lạm phát Việt Nam mơ hình mạng thần kinh nhân tạo, Journal of Asian Business and Economic Studies - Vol 286, 2014 PHỤ LỤC: KẾT QUẢ MỘT SỐ MƠ HÌNH CHƯƠNG Kết xuất số mơ hình mơ hình xử lý liệu theo cách 2: Kết mơ hình Logistic: Kết mơ hình SVM: Kết mơ hình ANN: ... 2010 đến 2019 Hình 3.1 Kết dự báo mơ hình Hình 3.2 Kết dự báo mơ hình Hình 3.3 Kết dự báo mơ hình Hình 3.4 Kết dự báo mơ hình Hình 3.5 Kết dự báo mơ hình Hình 3.6 Kết dự báo mơ hình TĨM TẮT KẾT... hóa tốn học, xử lý liệu, kỹ thuật lập trình để thực xây dựng mơ hình dự báo 5 Tổng quan tình hình nghiên cứu 5.1 Tình hình nghiên cứu nước Ở Việt Nam nghiên cứu kỹ thuật học máy dự báo tài chưa... doanh, tiếp thị, quy mô sản xuất, kênh phân phối sản phẩm, nguồn cung cấp tài Chính lý vậy, học viên định chọn tên đề tài ? ?Ứng dụng kỹ thuật học máy xây dựng mơ hình dự báo tài chính” làm hướng