Ứng dụng học máy trong các nghiên cứu kinh tế

Bài tham luận cung cấp đánh giá toàn diện về những tiến bộ gần đây của Học máy trong các ứng dụng đặc biệt là các lĩnh vực mới nổi. Đầu tiên các tác giả giới thiệu các khái niệm về học máy và phân loại chúng theo giải thuật. Tiếp theo, dựa vào những nghiên cứu trước đây, các tác giả tổng hợp, phân tích những đóng góp ban đầu của Học máy đối với ngành kinh tế học.

ỨNG DỤNG HỌC MÁY TRONG CÁC NGHIÊN CỨU KINH TẾ ThS.Hoàng Thị Thuý & Lê Thị Xuân Thu Khoa Quản trị, Trường Đại học Luật TP.HCM TÓM TẮT Bài tham luận cung cấp đánh giá toàn diện tiến gần Học máy ứng dụng đặc biệt lĩnh vực Đầu tiên tác giả giới thiệu khái niệm học máy phân loại chúng theo giải thuật Tiếp theo, dựa vào nghiên cứu trước đây, tác giả tổng hợp, phân tích đóng góp ban đầu Học máy ngành kinh tế học Kết cho thấy, cơng cụ mơ hình học máy kết hợp thể ưu điểm vượt trội tiêu biểu ứng dụng dự báo giá cổ phiếu, xu hướng giá tiền điện tử, dự báo nhu cầu sử dụng lượng, chiến lược giao dịch, phân tích xu hướng lượng, vấn đề sách, chiến lược Cuối thơng qua viết, tác giả đưa nhìn nhận hạn chế Học máy từ đề xuất hướng nghiên cứu mở rộng tương lai Từ khóa: Học máy, mơ hình, ứng dụng, kinh tế lượng, tài chính, sách, dự báo, đề xuất ABSTRACT The paper provides a comprehensive review of the recent advances in Machine Learning especially emerging applications Firstly, the authors introduce the concepts of machine learning and classify them by algorithm Next, based on previous studies, we synthesize and analyze the machine learning's early contributions to economics The results show that the tools and models of combined machine learning have shown outstanding advantages, typically in the applications of stock price forecasting, cryptocurrency price trends, energy demand forecasting, energy trend analysis, policy and strategy issues Finally, through the article, we give their views on the limitations of Machine Learning and then propose its further research directions in the future Keywords: Machine learning, model, application, energy economics, finance, policy, forecasting, proposal Tổng quan nghiên cứu 181 Học máy (Machine Learning, ML) đề cập đến lớp mơ hình khoa học học hỏi từ liệu cải thiện hiệu suất chúng theo thời gian Nguồn gốc ML bắt nguồn từ quan tâm cộng đồng khoa học vào năm 1950 1960 việc tái tạo lại việc học người thơng qua chương trình máy tính Từ quan điểm này, ML trích xuất kiến thức từ liệu, sau sử dụng để dự đốn tạo thông tin Thông tin làm giảm khơng chắn cách giải vấn đề cụ thể ML đặc biệt hữu ích việc xử lý tác vụ mà giải pháp phân tích khơng thể hướng dẫn rõ ràng, chẳng hạn xử lý hình ảnh giọng nói, nhận dạng mẫu tác vụ phân loại phức tạp Hiệu suất vượt trội mơ hình ML việc xử lý, phân loại dự báo cách sử dụng liệu phức tạp quy mô lớn, làm cho chúng trở nên phổ biến nhiều lĩnh vực ngành lượng Một danh sách ứng dụng ngành lượng bao gồm thăm dò mỏ dầu khí đốt (Anifowose cộng sự, 2017), quy trình dầu khí (Zendehboudi cộng sự, 2018), dự báo xạ mặt trời (Voyant cộng sự, 2017), tối ưu hóa lị phản ứng (Zeng cộng sự, 2018), dự báo lượng gió (Heinermann Kramer, 2016), hệ thống lượng gió (Marugán cộng sự, 2018), dự đoán cố (Gupta cộng sự, 2015), dự báo phụ tải điện (Jurado cộng sự, 2015), mối quan hệ lượng nước (Zaidi cộng sự, 2018) ML sử dụng rộng rãi ứng dụng liên quan đến phân tích kinh tế tài chính, chẳng hạn dự đoán giá quản lý rủi ro So sánh đặc điểm ML với mơ hình kinh tế lượng truyền thống (ví dụ, mơ hình tự hội quy tích hợp trung bình trượt ARIMA mơ hình tự hồi quy phương sai khơng đồng tổng quát GARCH) giải thích lý cho phổ biến ngày tăng ML kinh tế lượng Ưu điểm phương pháp ML so với phương pháp đề xuất thống kê hay kinh tế lượng cổ điển thuật tốn ML quản lý lượng lớn liệu có cấu trúc phi cấu trúc đưa định dự báo nhanh chóng Hiệu suất vượt trội mơ hình ML khơng đưa giả định định trước dạng hàm phương trình, tương tác biến phân phối thống kê tham số Thay vào đó, phương pháp ML tập trung vào việc đưa dự đốn xác cho biến kết Các nhà nghiên cứu sử dụng mơ hình học máy để giải vấn đề khác liên quan đến kinh tế học Học sâu (Deep Learning, DL), lĩnh vực máy học nổi, ứng dụng nhiều khía cạnh xã hội ngày nay, từ xe tự lái đến nhận dạng hình ảnh, dự đốn nguy cơ, tin học, tin sinh học (Casalino cộng sự, 2017 182Ardabil cộng sự, 2019) Một số nghiên cứu so sánh đánh giá hiệu suất mơ 182 hình DL với mơ hình ML tiêu chuẩn, ví dụ: máy vectơ hỗ trợ (SVM), K-láng giềng gần (KNN) mạng nơ-ron hồi quy tổng quát (GRNN) ứng dụng kinh tế Mặt khác, mơ hình học máy kết hợp bao gồm hai nhiều thuật toán đơn lẻ sử dụng để tăng độ xác mơ hình khác (Nosratabadi cộng sự, 2020) Mơ hình kết hợp hình thành cách kết hợp hai thuật toán học máy dự đoán thuật toán học máy phương pháp tối ưu hóa để tối đa hóa chức dự đốn (Torabi cộng sự, 2019) Người ta chứng minh mơ hình học máy kết hợp hoạt động tốt thuật toán đơn lẻ cách tiếp cận cải thiện độ xác dự đoán (Mosavi cộng sự, 2018) Thuật toán học máy Ensemble thuật tốn Học có giám sát sử dụng nhiều thuật toán học máy để cải thiện quy trình học tập tăng độ xác dự đoán (Mosavi cộng sự, 2019) Các mơ hình Ensemble áp dụng thuật tốn đào tạo khác để tăng cường đào tạo học hỏi từ liệu (Torabi cộng sự, 2018) Mặc dù sử dụng rộng rãi ML kinh tế, theo hiểu biết tốt tác giả, khơng có tài liệu tổng quan đánh giá cách có hệ thống tài liệu có Với lợi ích nghiên cứu vậy, báo nhằm mục đích cung cấp đánh giá báo xuất gần tạp chí liên quan đến kinh tế khác Bài đánh giá tập trung vào mục tiêu sau: 1) Khái niệm Học máy phân loại dựa thuật toán Các tác giả cung cấp kiến thức chung sơ lược để người đọc tiếp cận lĩnh vực dễ dàng 2) Các lĩnh vực ứng dụng Học máy, thuật tốn thường sử dụng lĩnh vực thông qua việc đánh giá tổng hợp nghiên cứu trước 3) Các lĩnh vực ứng dụng phổ biến chưa khám phá phân tích sách, chiến lược 4) Đánh giá hạn chế Học máy từ đề xuất hướng nghiên cứu tương lai Khái niệm Học Máy Học máy (Machine Learning, ML) phương tiện Trí Tuệ nhân tạo, sử dụng thuật toán cho phép máy tính tự học từ liệu để giải vấn đề cụ thể làm cho máy tính có khả nhận thức người (nghe, nhìn, hiểu, giải tốn, ) hỗ trợ cho người xử lý lượng thông tin khổng lồ phải đối diện ngày (Vũ Hữu Tiệp, 2018) ML đóng vai trị quan trọng nhiều ngành khoa học ứng dụng phần sống hàng ngày ML sử 183 dụng để lọc thứ rác (email spam), để dự đoán thời tiết, chẩn đoán y tế, khuyến cáo sản phẩm, nhận diện khuôn mặt, phát gian lận thẻ tín dụng, v.v ML có nhánh thuật toán dựa vào cách cấp liệu huấn luyện cho mơ hình, cách sử dụng loại vấn đề cần xử lý là: học có giám sát (Supervised Learning) học khơng giám sát (Unsupervised Learning) Học có giám sát bao gồm thuật toán đưa liệu đầu vào (input) thành kết đầu (label) tương ứng Đầu vào phải biết trước giá trị label chúng dùng để dự đoán giá trị biến đầu hay gọi biến trả lời Tùy thuộc vào biến đầu rời rạc hay liên tục mà phân biệt hai nhiệm vụ giám sát: phân loại (Classification) hay hồi quy (Regression) hai thuật tốn điển hình thuộc nhóm Dữ liệu thuật tốn thuộc nhánh Học khơng giám sát có đầu vào mà khơng cần đầu Nó sử dụng chủ yếu để khám phá cấu trúc mối quan hệ liệu Các thuật tốn thuộc nhóm khơng dự đốn đầu trích xuất thơng tin quan trọng dựa vào mối liên hệ điểm liệu Ứng dụng Học không giám sát giải toán phân cụm hay giảm chiều liệu Phân cụm phân tích đặc trưng liệu thành nhóm khác nhau, đưa liệu đầu vào có đặc tính gần giống thành nhóm Khơng phải tất phương pháp giảm kích thước liên quan đến việc tạo cụm; Các phương pháp cũ phân tích thành phần sử dụng để giảm số chiều, phương pháp đại bao gồm thừa số hóa ma trận (tìm hai ma trận chiều thấp mà tích gần với ma trận lớn hơn), quy hóa chuẩn ma trận, thừa số hóa Poisson phân cấp mạng nơ-ron Những cơng cụ hữu ích bước trung gian thực nghiệm kinh tế học Chúng cung cấp cách thức theo hướng liệu để tìm báo tương tự, đánh giá nhà hàng, v.v tạo biến số sử dụng phân tích kinh tế Các biến phần việc xây dựng biến kết biến giải thích, tùy thuộc vào ngữ cảnh Ví dụ, nhà phân tích muốn ước tính mơ hình nhu cầu người tiêu dùng mặt hàng khác nhau, thơng thường người ta mơ hình hóa sở thích người tiêu dùng dựa đặc điểm mặt hàng Nhiều mục liên kết với mô tả văn đánh giá trực tuyến Học khơng giám sát sử dụng để khám phá mặt hàng có mơ tả sản phẩm tương tự giai đoạn đầu việc tìm kiếm Học khơng giám sát cịn sử dụng thêm để phân loại đánh giá Một số cho nhóm sốt xét sử dụng phân tích mà nhà phân tích khơng cần phải sử dụng đến đánh giá; Dữ liệu 184 tiết lộ liệu loại đánh giá định có liên quan đến chất lượng cảm nhận người tiêu dùng hay không Một lợi việc sử dụng phương pháp học không giám sát để tạo hiệp biến liệu kết hồn tồn khơng sử dụng Do đó, mối quan tâm tương quan giả hiệp biến xây dựng kết quan sát có vấn đề Ngồi ra, cịn có hai nhóm thuật tốn Học bán giám sát (Semi-supervised Learning) Học tăng cường (Reinforcement Learning) Có trường hợp mà ranh giới Học giám sát Học không giám sát không rõ ràng, tập huấn luyện bao gồm cặp đầu ra, đầu vào liệu có đầu vào Khi ta phải sử dụng thuật toán Học bán giám sát Và có tốn khơng u cầu liệu huấn luyện, mơ hình phải học cách đưa định cách giao tiếp với môi trường xung quanh, nhận phản hồi từ môi trưởng để tự củng cố hành vi Những thuật toán thuộc nhóm Học tăng cường Ứng dụng Học Máy nghiên cứu kinh tế Trong đánh giá gần ứng dụng Học máy tác giả (Saeed Nosratabadi cộng sự, 2020) dùng sở liệu 57 báo (bình duyệt đăng Thomson Reuters Web-of-Science (WoS) Elsevier Scopus) Cơ sở liệu nghiên cứu bao gồm phân tích phân loại theo hai tiêu chí: lĩnh vực nghiên cứu / ứng dụng loại phương pháp Dựa việc xem xét báo theo ứng dụng, người ta thấy báo thiết kế để giải vấn đề năm ứng dụng khác nhau, Thị trường chứng khốn (37 bài), Tiếp thị (6 bài), Thương mại điện tử (8 bài), Phá sản doanh nghiệp (3 bài) Tiền điện tử (3 bài) Ngồi ra, báo phân tích theo loại phương pháp, 42 thuật toán học máy sử dụng số 57 báo đánh giá Nghiên cứu thêm cho thấy báo sử dụng mơ hình học sâu đơn lẻ, 18 mơ hình học sâu kết hợp, mơ hình máy học kết hợp mơ hình tổng hợp 3.1 Ứng dụng Học Máy Thị trường chứng khoán Việc áp dụng học máy, cụ thể Học sâu (Deep Learning) vào thị trường chứng khoán trở nên phổ biến so với lĩnh vực kinh tế học, có đến 37 tổng số 57 báo đánh giá thuộc nhóm Đầu tư vào thị trường chứng khốn có lãi, lợi nhuận cao rủi ro cao Vì vậy, nhà đầu tư cố gắng xác định ước tính giá trị cổ phiếu trước có hành động Giá trị cổ phiếu thường bị ảnh hưởng yếu tố kinh tế trị khơng thể kiểm sốt khiến việc xác định xu hướng thị trường chứng khoán tương lai khó khăn Khơng chất thị trường chứng khoán dễ biến động phức tạp, mà liệu chuỗi thời gian tài khơng cố định Do đó, mơ hình dự báo truyền thống khơng đủ tin cậy để dự đốn giá trị cổ 185 phiếu Các nhà nghiên cứu liên tục tìm kiếm phương pháp luận dựa thuật tốn Học máy để nâng cao độ xác dự đốn Dự báo giá cổ phiếu mục tiêu 29 số 37 báo Các nghiên cứu khác ứng dụng Học máy phân tích bối cảnh văn để trích xuất thơng tin chủ quan, nhằm xác định xu hướng thay đổi thị trường chứng khốn Ngồi ra, quản lý danh mục đầu tư, giao dịch theo thuật toán (tức sử dụng hệ thống tự động lập trình sẵn để giao dịch), giao dịch chứng khoán tự động, danh mục đầu tư có trách nhiệm với xã hội, dự đốn xu hướng số S&P 500 dự đoán giá quyền chọn trao đổi-thương mại (EFT) mục tiêu báo khác sử dụng phương pháp Học máy Chuỗi thời gian tài đóng vai trị nguồn liệu tất nghiên cứu này, ngoại trừ nghiên cứu nhằm phân tích quan điểm, sử dụng nguồn liệu khác chẳng hạn từ phương tiện truyền thông xã hội tin tức tài Các thuật tốn dùng chủ yếu để dự báo cổ phiếu mạng nhớ ngắn dài (Long Short-Term Memory, LSTM), Mạng nơ ron sâu (Deep Neural Network, DNN), Mạng nơ ron tích chập (Convolutional Neural Network, CNN), sử dụng liệu chuỗi thời gian Tamura cộng (2018) đưa phương pháp tiếp cận hai chiều để dự đoán giá trị cổ phiếu số tài kỹ thuật thị trường chứng khoán Nhật Bản nhập làm liệu đầu vào cho LSTM để dự đoán, sau liệu báo cáo tài công ty liên quan truy xuất thêm vào sở liệu Wang cộng (2020) cố gắng tìm mơ hình tốt để dự đốn chuỗi thời gian tài quản lý danh mục đầu tư nhằm tối ưu hóa việc hình thành danh mục đầu tư Họ so sánh kết LSTM với SVM, RF (Rừng ngẫu nhiên, Random Forest), DNN mơ hình trung bình động tích hợp tự động hồi quy (ARIMA) nhận LSTM phù hợp với dự báo chuỗi thời gian tài Sử dụng LSTM, Fister cộng (2019) thiết kế mơ hình để giao dịch chứng khốn tự động Họ cho hiệu suất LSTM cao đáng kể so với chiến lược giao dịch truyền thống, chẳng hạn chiến lược giao dịch thụ động dựa quy tắc cũ Bên cạnh đó, Go Hong (2019) sử dụng phương pháp DNN để dự đoán giá trị cổ phiếu Đầu tiên, họ đào tạo phương pháp liệu chuỗi thời gian, sau kiểm tra xác nhận khả dự đốn mơ hình họ Song cộng (2019) phát triển DNN sử dụng 715 tính đầu vào để dự báo biến động giá cổ phiếu Họ so sánh hiệu suất mô hình họ với mơ hình khác bao gồm tính đầu vào dựa giá đơn giản Để dự đoán hành vi thị trường chứng khoán, Chong, Han Park (2017) kiểm tra hoạt động DNN Họ coi lợi nhuận cổ phiếu ngày với tần suất cao 186 đầu vào mơ hình họ Họ phân tích khả dự đốn phân tích thành phần (PCA), tự động mã hóa Kết từ nghiên cứu cho thấy, DNN có khả dự đốn tốt với thơng tin nhận từ phần dư chế độ tự động hồi quy Ngoài ra, Sim cộng (2019) phát triển mơ hình dự đốn giá cổ phiếu cách điều chỉnh CNN Hiệu suất dự đoán CNN cho thấy dự báo giá cổ phiếu tốt ANN (Mạng nơ ron nhân tạo, Artificial Neural Network) SVM Dingli Fournier (2017) áp dụng CNN để dự đoán chuyển động tương lai giá cổ phiếu nhận thấy độ xác dự đốn mơ hình họ 65% dự đốn giá tháng 60% giá tuần 3.2 Ứng dụng Học Máy Tiếp Thị Mục đích nghiên cứu báo thuộc nhóm tiếp thị cho thấy thuật tốn học máy chủ yếu sử dụng để nghiên cứu hành vi khách hàng hoạt động khuyến mại, lý báo xếp vào nhóm tiếp thị có nhãn Như thấy bảng dưới, hai nghiên cứu áp dụng phương pháp học sâu đơn ba nghiên cứu sử dụng phương pháp học sâu kết hợp Ngoài ra, nghiên cứu sử dụng nhiều nguồn liệu khác nhau, chẳng hạn liệu chuỗi thời gian khách hàng, trường hợp nghiên cứu điển hình phương tiện truyền thông xã hội (xem bảng 1) Ví dụ, Paolanti cộng (2019) sử dụng mạng nơ-ron phức hợp sâu (Deep Convolutional Neural Network, DCNN) để phát triển rô-bốt di động, gọi ROCKy, để phân tích đồ nhiệt theo thời gian thực cửa hàng bán lẻ để phát tình trạng hết hàng (SOOS) hoạt động khuyến Dingli, Marmara, Fournier (2017) nghiên cứu giải pháp để xác định mơ hình đặc điểm liệu giao dịch để dự đốn tình hình chuyển đổi khách hàng ngành bán lẻ Để làm vậy, họ so sánh hiệu suất CNN máy Boltzmann bị hạn chế (RBM), nhận RBM hoạt động tốt dự đoán "Churn Customer" Bảng 1: Phương pháp Học máy sử dụng tiếp thị Nguồn: (Saeed Nosratabadi cộng sự, 2020) 187 3.3 Ứng dụng Học máy tiền điện tử Quá trình định liên quan đến đầu tư vào tiền điện tử tương tự đầu tư vào thị trường chứng khoán, nơi mà dự đoán giá trị tương lai yếu tố định hiệu định đầu tư Áp dụng mô hình học máy để dự đốn xu hướng giá tiền điện tử vấn đề nghiên cứu hấp dẫn lên tài liệu gần (xem Bảng 2) Ví dụ: Lahmiri Bekiros (2019) áp dụng phương pháp học sâu để dự đoán giá loại tiền điện tử, bao gồm Bitcoin, Digital Cash Ripple, đồng thời so sánh hiệu suất dự đoán LSTM GRNN Phát họ cho thấy mơ hình LSTM có hiệu suất tốt so với GRNN (Mạng lưới nơ ron hồi quy tổng quát, Generalized Regression Neural Networks) Altan, Karasu Bekiros (2019) tuyên bố việc tích hợp LSTM biến đổi wavelet (EWT) cải thiện hiệu suất LSTM việc dự báo giá tiền điện tử thử nghiệm mô hình sử dụng liệu chuỗi thời gian Bitcoin, Ripple, Digital Cash Litecoin Jiang Liang (2017) phát triển mơ hình CNN để dự đốn giá Bitcoin ví dụ tiền điện tử Họ đào tạo mơ hình cách sử dụng liệu lịch sử giá tài sản tài sử dụng trọng số danh mục đầu tư làm đầu mơ hình Bảng 2: Phương pháp Học Máy sử dụng tiền điện tử Nguồn : (Saeed Nosratabadi cộng sự, 2020) 3.4 Ứng dụng Học máy Kinh tế lượng Trong năm gần đây, nhiều nhà nghiên cứu ứng dụng Học máy viết lĩnh vực kinh tế lượng dự báo giá dầu thơ, khí đốt tự nhiên, điện, dự báo nhu cầu sử dụng lượng, chiến lược giao dịch, phân tích xu hướng lượng, Hamed Ghoddusi cộng (2019) đánh giá cách nghiêm túc 130 báo ứng dụng Học máy lĩnh vực xuất từ năm 2005 đến 2018 tạp chí liên quan đến lượng kinh tế hàng đầu Xếp hạng Tạp chí SCImago (SJR), Chỉ số trích dẫn Khoa học mở rộng (SCIE), Chỉ số trích dẫn Khoa học xã hội (SSCI) Chỉ số trích dẫn Nghệ thuật & Nhân văn (A & HCI) Kết cho thấy Dự báo giá loại lượng phổ biến chiếm 43 %, theo sau dự báo/ mơ hình nhu cầu sử dụng lượng với 39 %, nghiên cứu cấu trúc lượng chiếm 7%, Phân tích sách 6% (xem Hình 1) Hình 1: Tần suất tương đối ứng dụng sử dụng Học máy kinh tế lượng 188 Nguồn: (Hamed Ghoddusi cộng sự, 2019) Dựa theo nghiên cứu Hamed Ghoddusi cộng (2019), ta dễ dàng thấy được: Số lượng báo sử dụng thuật toán Học máy để ứng dụng Kinh tế lượng đăng tạp chí tăng dần từ năm 2005 đến 2018 (Xem Hình 2) Hình 2: Số báo ứng dụng học máy kinh tế lượng theo năm Nguồn: (Hamed Ghoddusi cộng sự, 2019) Giá hàng hóa lượng thường thể đặc điểm phức tạp phi tuyến tính, phụ thuộc vào độ trễ, khơng ổn định phân cụm khiến việc sử dụng mô hình truyền thống đơn giản trở nên khó khăn (Cheng cộng sự, 2018) Các phương pháp ML cung cấp hiệu suất dự báo cao chúng có tính linh hoạt cao việc xử lý 189 động lực phức tạp bên Phần lớn báo tập trung vào dự đoán giá xem xét dự đốn giá dầu thơ giá điện Dự đốn giá khí đốt tự nhiên thường xuyên nhiều Các giải thuật dự báo giá dầu thô chủ yếu dựa phiên mạng nơ ron thần kinh cải tiến lai, máy véc tơ hỗ trợ Ngoài ra, việc kết hợp nhiều phương pháp tiếp cận tổng hợp trở nên phổ biến gần Ví dụ Yu cộng (2008) sử dụng dạng phân tích thực nghiệm (Empirical Mode Decomposition, EMD) dưa Học mạng lưới thần kinh tổng hợp (Neural Network Ensemble Learning, NNEL) Ding (2018) mở rộng cách tiếp cận để dự đoán giá dầu Yu cộng (2017) đề xuất cách tiếp cận dự báo tổng hợp, phương pháp liệu thưa (Sparse Representation, SR) Mạng lưới thần kinh truyền thẳng (Feedforward Neural Network, FNN) để cải thiện khả dự báo giá dầu Các mơ hình Học sâu phiên nâng cao mạng thần kinh nhân tạo, chưa áp dụng rộng rãi để dự báo giá dầu thô Một ngoại lệ Zhao cộng (2017) sử dụng thuật toán DL cho dự báo Bài báo kết hợp Bộ tự mã hóa khử nhiễu xếp chồng (Stacked Denoising Autoencoders, SDAE) - kỹ thuật Học sâu - với tập hợp bootstrap (Bagging) Quy trình Bagging tạo nhiều tập liệu để đào tạo tập hợp mơ hình sở SDAE 3.5 Ứng dụng Học Máy Phân tích sách, chiến lược Đã có số ứng dụng thành cơng phương pháp dự báo vào vấn đề sách Kleinberg cộng (2015) cho phương pháp ML để dự báo đóng góp quan trọng vào việc phân tích sách đưa định Ví dụ định xem có nên thực phẫu thuật thay khớp háng cho bệnh nhân lớn tuổi hay khơng Nếu bạn dự đốn dựa đặc điểm cá nhân bênh nhân chết vịng năm, bạn khơng nên thực phẫu thuật Nhiều người Mỹ bị giam giữ chờ xét xử Nếu bạn dự đốn hầu tịa, bạn cho ngoại nhiều Các thuật toán học máy sử dụng cho định số lĩnh vực pháp lý Một ví dụ tự nhiên khác tính điểm tín dụng; báo kinh tế Bjorkegren Grissen (2017) sử dụng phương pháp ML để dự đốn việc hồn trả khoản vay cách sử dụng liệu điện thoại di động Trong ứng dụng khác, Goel, Rao Shroff (2016) sử dụng phương pháp ML để kiểm tra luật ―stop and frisk‖, sử dụng quan sát vụ việc cảnh sát để dự đoán xác suất kẻ tình nghi có vũ khí họ người da đen có khả người da trắng sở hữu vũ khí Glaeser cộng (2016) giúp thành phố thiết kế thi xây dựng mơ hình dự báo vi phạm quy định sức khỏe nhà hàng nhằm phân bổ nguồn lực tra tốt Số lượng nghiên cứu sử dụng ML với hình ảnh từ vệ tinh đồ đường phố để dự đốn nghèo đói, an tồn…ngày 190 tăng (Naik cộng sự, 2017) Glaeser, Kominers cộng (2015) cho có nhiều ứng dụng loại phương pháp dự đốn Nó sử dụng để so sánh kết theo thời gian chi tiết, đánh giá tác động nhiều sách kéo theo thay đổi, chẳng hạn tái sinh khu phố Nói rộng hơn, hội tạo hình ảnh cảm biến quy mơ lớn dẫn đến loại phân tích suất phúc lợi Dự đốn giúp cho việc đưa định phù hợp ví dụ người gần chắn chết sớm không nên phẫu thuật thay khớp háng người giàu không nên nhận viện trợ nghèo Athey cộng (2017) thảo luận cách xác định yếu tố có nguy cao tác nhân cần can thiệp để có lợi Việc xác định tác nhân câu hỏi suy luận nhân việc trả lời địi hỏi nhiều mục tiêu dự đốn Có thể cần thí nghiệm ngẫu nhiên thí nghiệm tự nhiên để ước tính yếu tố khơng đồng định sách tối ưu Mặc dù, ML có nhiều ứng dụng phân tích sách, chiến lược theo nghiên cứu tác giả nhiều vấn hạn chế, cần mở rộng, khai thác lĩnh vực Vấn đề đầu tiên, tính cân mơ hình ML, chẳng hạn liệu thuật tốn có thúc đẩy phân biệt đối xử theo giới tính chủng tộc sử dụng sở tuyển dụng, định tư pháp hay cho vay hay khơng Có số câu hỏi thú vị xem xét, làm ràng buộc không cân loại bỏ? Loại cân mong muốn? Ví dụ, mơ hình dự đốn sử dụng để phân bổ vấn việc làm dựa sơ yếu lý lịch, có hai loại lỗi, Loại I Loại II Đơn giản nói chung khơng thể cân lỗi Loại I Loại II hai nhóm người khác (ví dụ: nam nữ), nhà phân tích phải chọn để cân (hoặc hai) Xem Kleinberg, Mullainathan Raghaven (2016) để phân tích thêm phát triển tính cơng vốn có thuật tốn dự đốn Nhìn chung, tài liệu chủ đề phát triển nhanh chóng hai năm qua tác giả hy vọng thuật toán ML triển khai ngày nhiều ngữ cảnh, chủ đề tiếp tục phát triển Các mô hình ML giúp phân bổ nguồn lực tốt hơn; thuật tốn sử dụng nhiều thơng tin người, giảm khả sai sót người dựa vào khn mẫu Trong phạm vi mà thuật tốn khơng bị ràng buộc gây hậu phân phối không mong muốn, hạn chế thuật tốn Tóm lại, thuật tốn đào tạo để tối ưu hóa mục tiêu theo ràng buộc, đó, việc áp đặt mục tiêu xã hội lên thuật tốn dễ dàng so với định chủ quan người 191 Vấn đề thứ hai, nảy sinh tính ổn định mơ hình, ví dụ, để đáp ứng với thay đổi mẫu thay đổi đến từ mơi trường Có nhiều ý tưởng liên quan học máy, bao gồm việc điều chỉnh miền (cách bạn làm cho mơ hình đào tạo môi trường hoạt động tốt môi trường khác), ―chuyển giao học tập‖ thứ khác Mối quan tâm thuật toán ML thực tìm kiếm tồn diện số lượng lớn biến quan sát đầu vào nhằm tìm kiếm mơ hình tốt dự đốn Y dựa X Các mơ hình tìm mối quan hệ tinh tế X Y, số khơng ổn định xun thời gian mơi trường Ví dụ: vài năm gần đây, có nhiều video mèo với đàn piano video chó với đàn piano Do đó, diện đàn piano video dự đốn mèo Tuy nhiên, đàn piano khơng phải đặc điểm lồi mèo có khả giữ mơi trường, xuất hiện tượng chó chơi đàn piano, hiệu suất thuật tốn ML bị ảnh hưởng Đây khơng phải vấn đề công ty công nghệ sử dụng lại mơ hình với liệu hàng ngày, mơ hình dự đốn thường sử dụng khoảng thời gian dài Ví dụ, mơ hình chấm điểm tín dụng giữ cố định, việc thay đổi chúng khiến khó đánh giá rủi ro nhóm người tiêu dùng chấp nhận tín dụng Các mơ hình tính điểm sử dụng y học giữ cố định nhiều năm Vấn đề thứ ba, khả thao túng Trong ứng dụng sử dụng liệu di động để chấm điểm tín dụng, mối lo ngại người tiêu dùng lấy liệu từ nhà cung cấp khoản vay (Bjorkegren Grissen, 2017) Ví dụ, số kiểu hành vi định giúp người tiêu dùng vay khoản vay, họ tìm cách thay đổi để đạt kiểu hành vi đó, chẳng hạn, tiền trợ cấp phân bổ cho ngơi nhà trơng nghèo nàn qua hình ảnh vệ tinh, ngơi nhà làng mạc sửa đổi diện mạo khơng ngơi nhà để làm cho chúng trông Một lĩnh vực mở cho nghiên cứu tương lai liên quan đến cách hạn chế mơ hình ML để làm cho chúng bị thao túng Athey Wager (2017) thảo luận số ví dụ khác điều Ngồi cịn có cân nhắc khác đưa vào ML bao gồm thời gian tính tốn, chi phí thu thập trì ―các tính năng‖ sử dụng mơ hình, v.v Ví dụ, hãng cơng nghệ đơi sử dụng mơ hình đơn giản để giảm thời gian phản hồi cho yêu cầu thông tin người dùng theo thời gian thực Nhìn chung, dự đốn tác giả nhà khoa học xã hội, đặc biệt nhà kinh tế đóng góp nhiều vào việc xác định loại vấn đề, hạn chế nghiên cứu 192 đề xuất giải pháp cho chúng Điều không giúp việc ứng dụng ML sách tốt mà cịn tạo nguồn phong phú cho nghiên cứu Những đề xuất nghiên cứu Học máy Mặc dù Học máy với cơng cụ giải thuật có ứng dụng lớn nghiên cứu kinh tế nhiều lĩnh vực: tài chính, ngân hàng, tiếp thị, thương mại, du lịch, phân tích sách, chiến lược…nhưng tồn hạn chế áp dụng Dưới đưa hạn chế đề xuất cách khắc phục hướng nghiên cứu tương lai nhằm cải thiện hiệu tận dụng tối ưu mơ hình Học máy Các mơ hình Học máy thường địi hỏi số lượng quan sát đủ lớn để huấn luyện làm tập kiểm tra Đây rào cản lớn việc áp dụng ML lĩnh vực kinh tế vĩ mơ, có số quan sát hạn chế tồn (ví dụ, 50-100) (Dietterich, 2000) lập luận việc áp dụng phương pháp học máy kết hợp giảm thiểu rủi ro liên quan đến việc thiếu liệu Nếu khơng có đủ liệu, nhiều giả thuyết có độ xác huấn luyện chọn làm thuật tốn Do đó, phương pháp kết hợp giảm nguy chọn sai mơ hình cách tổng hợp tất mơ Hơn nữa, biện pháp khắc phục khác đề xuất sử dụng lý thuyết kinh tế hướng dẫn để lựa chọn biến số phù hợp Cách tiếp cận áp dụng để dự báo biến số kinh tế vĩ mơ lạm phát thất nghiệp, ví dụ Moshiri cộng (1999), Moshiri Cameron (2000), Moshiri Brown (2004) sử dụng trường hợp lượng tiêu thụ tần số liệu thấp Kết hợp mô hình lý thuyết với kỹ thuật ML hướng cho nghiên cứu ML nói chung Ví dụ, Gu cộng (2018) đánh giá số thuật toán ML kết luận chúng cải thiện mô tả hành vi giá tài sản, đặc biệt đo lường rủi ro so với phương pháp kinh tế lượng truyền thống Trong số lĩnh vực kinh tế lượng (ví dụ, thị trường điện, nhu cầu phục hồi, đầu tư tối ưu), lý thuyết đưa hướng dẫn rõ ràng cho phân tích thực nghiệm Các tác giả khơng tìm thấy báo lớn có chứa mơ hình lý thuyết vi mơ mơ hình ML Do đó, câu hỏi mở hội để mở rộng hướng phân tích tương lai theo hướng đạt liệu minh bạch ứng dụng mạnh mẽ Bên cạnh đó, mặt giải thuật tiến gần kỷ thuật Học sâu thực cách mạng hóa tồn khơng gian ML Nhờ cấu trúc nhiều lớp chúng, phương pháp DL cho phép thuật toán xử lý số lượng đầu vào lớn với độ xác cao Các phương pháp DL có lợi xử lý tập hợp lớn quan sát ví dụ liệu giao dịch ngày hay liệu hình ảnh dựa GIS 193 Một điều đáng ý học giả nhà nghiên cứu doanh nghiệp thường xuyên sử dụng kỹ thuật ML để hình thành phương pháp dự đoán thị trường kinh tế tương lai đưa hệ thống giao dịch hiệu để tối đa hóa lợi nhuận (Choudhury cộng sự, 2014) Đặc biệt, vài năm gần đây, ngày có nhiều nhà nghiên cứu khai thác phương pháp ML biến động giá biến động loại cơng cụ tài khác (Cavalcante cộng sự, 2016) Tuy nhiên, báo, tài liệu việc sử dụng kỹ thuật ML để dự báo thực chiến lược giao dịch thị trường kinh tế lượng hạn chế Và vấn đề mở cho hướng nghiên cứu ứng dụng ML tương lai Một hạn chế quan trọng tài liệu sử dụng ML kinh tế số báo nhấn mạnh quan điểm khoa học máy tính, tối ưu hóa tham số tính tốn quan điểm kinh tế tài bị bỏ qua Trong số tài liệu khác tập trung vào ý nghĩa kinh tế tài mà khơng khám phá hết khả thuật toán để giải thích vấn đề nghiên cứu Vì nghiên cứu vừa tận dụng hai ý nghĩa kinh tế phân tích thuật tốn để giải tốn nên xu hướng để phát triển Một khía cạnh hầu hết báo đánh giá sử dụng thuật tốn học có giám sát việc áp dụng phương pháp học không giám sát vào lĩnh vực khác tiếp thị quản lý rủi ro hạn chế Các vấn đề liên quan đến tiếp thị quản lý khách hàng giải cách sử dụng kỹ thuật phân nhóm K-means để phân khúc khách hàng theo đặc điểm nhân học hành vi khác khả họ vỡ nợ chuyển đổi công ty Trong lĩnh vực quản lý rủi ro lượng, xác định kiện không mong muốn hạn chế chúng cách sử dụng thuật toán xếp hạng phân tích thành phần ML Kết luận Việc sử dụng Học máy để giải vấn đề liên quan đến kinh tế gia tăng đáng kể ML cho thấy đóng góp lớn vào tiến mơ hình kinh tế giải pháp dựa liệu Cung cấp phương pháp khoa học tiên tiến mô tả hình ảnh rõ ràng liệu lĩnh vực liên quan đến kinh tế Do đó, mục tiêu nghiên cứu đánh giá, tổng hợp ứng dụng kinh tế học nhiều lĩnh vực từ thị trường chứng khoán, tiếp thị, tiền điện tử, đến ngành gần kinh tế lượng, phân tích sách, chiến lược Bài tham luận tác giả cung cấp nhìn khái quát Học máy ứng dụng dựa tài liệu nghiên cứu trước Nó góp phần cung cấp hiểu biết lĩnh vực theo tác giả giải thuật phương pháp hữu ích cho nghiên cứu kinh tế Các tác giả thông qua 194 viết đề cập đến phương pháp Học máy đơn phương pháp học máy kết hợp để đa dạng hóa giải thuật giải toán thực tế hiệu Đồng thời, hạn chế Học máy ý tưởng đề xuất tác giả sở cho nghiên cứu mở rộng việc ứng dụng Học máy tương lai TÀI LIỆU THAM KHẢO Altan, A.; Karasu, S.; Bekiros, S., 2019, "Digital currency forecasting with chaotic meta-heuristic bio-inspired signal processing techniques", Chaos Solitons Fractals 2019, 126, 325–336 Anifowose, F A., J Labadin, and A Abdulraheem, 2017, "Ensemble machine learning: An untapped modeling paradigm for petroleum reservoir characterization", Journal of Petroleum Science and Engineering 151, 480–487 Ardabili, S.; Mosavi, A.; Várkonyi-Kóczy, A.R, 2019, "Advances in machine learning modeling reviewing hybrid and ensemble methods", In Proceedings of the International Conference on Global Research and Education; Springer: Cham, Switzerland; pp 215– 227 Athey, S., G Imbens, T Pham, and S Wager, 2017, ―Estimating Average Treatment Eff ects: Supplementary Analyses and Remaining Challenges‖, American Economic Review 107 (5): 278– 81 Athey, S., and S Wager 2017 ―Efcient Policy Estimation‖, Cornell University Library https:// arxiv org/ abs/ 1702.02896 Bjorkegren, D., and D Grissen, 2017, ―Behavior Revealed in Mobile Phone Usage Predicts Loan Repayment , SSRN Electronic Journal, https:// www research gate net/ publication 321902459_Behavior_Revealed_in_Mobile_Phone_Usage Predicts_Loan_Repayment Cavalcante, R C., R C Brasileiro, V L Souza, J P Nobrega, and A L Oliveira, 2016, "Computational intelligence and financial markets: A survey and future directions", Expert Systems with Applications 55, 194–211 Choudhury, S., S Ghosh, A Bhattacharya, K J Fernandes, and M K Tiwari, 2014, "A real time clustering and SVM based price-volatility prediction for optimal trading strategy", Neurocomputing 131, 419–426 Chong, E.; Han, C.; Park, F.C.,2017, "Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies", Expert Syst Appl, 83, 187–205 195 10 Cheng, F., T Li, Y.-m Wei, and T Fan, 2018, "The VEC-NAR model for short-term forecasting of oil prices", Energy Economics doi: 10.1016/j.eneco.2017.12.035 11 Casalino, G.; Castellano, G.; Consiglio, A.; Liguori, M.; Nuzziello, N.; Primiceri, D, 2017, " A Predictive Model for MicroRNA Expressions in Pediatric Multiple Sclerosis Detection", In Proceedings of the International Conference on Modeling Decisions for Artificial Intelligence; Springer: Cham, Switzerland; pp 177–188 12 Dietterich, T G., 2000, "Ensemble methods in machine learning In International workshop on multiple classifier systems", pp 1–15 Springer doi: 10.1007/3-54045014-9_1 13 Dingli, A.; Fournier, K.S., 2017, "Financial time series forecasting—A deep learning approach", Int J Mach Learn Comput.,7, 118–122 14 Dingli, A.; Marmara, V.; Fournier, N.S., 2017, "Comparison of deep learning algorithms to predict customer churn within a local retail industry", Int J Mach Learn Comput., 7, 128–132 15 Ding, Y., 2018, "A novel decompose-ensemble methodology with AIC-ANN approach for crude oil forecasting", Energy 154, 328–336 16 Gupta, S., R Kambli, S Wagh, and F Kazi, 2015, "Support-vector-machine-based proactive cascade prediction in smart grid using probabilistic framework", IEEE Transactions on Industrial Electronics 62 (4), 2478–2486 17 Goel, S., J M Rao, and R Shroff , 2016,―Precinct or Prejudice? Understanding Racial Disparities in New York City’s Stop- and- Frisk Policy‖, Annals of Applied Statistics 10 (1): 365– 94 18 Glaeser, E L., A Hillis, S D Kominers, and M Luca, 2016, ―Predictive Cities Crowdsourcing City Government: Using Tournaments to Improve Inspection Accuracy‖, American Economic Review 106 (5): 114– 18 19 Go, Y.H.; Hong, J.K., 2019, "Prediction of stock value using pattern matching algorithm based on deep learning", Int J Recent Technol Eng, 8, 31–35 20 Glaeser, E L., S D Kominers, M Luca, and N Naik, 2015, ―Big Data and Big Cities: The Promises and Limitations of Improved Measures of Urban Life‖, NBER Working Paper no 21778, Cambridge, MA 21 Gu, S., B T Kelly, and D Xiu, 2018, "Empirical asset pricing via machine learning" 22 Fister, D.; Mun, J.C.; Jagric, V.; Jagric, T., 2019, "Deep learning for stock market trading: A superior trading strategy?‖, Neural Netw World 2019, 29, 151–171 196 23 Heinermann, J and O Kramer, 2016, "Machine learning ensembles for wind power prediction", Renewable Energy 89, 671–679 24 Jiang, Z.; Liang, J., 2017, "Cryptocurrency portfolio management with deep reinforcement learning", In Proceedings of the 2017 Intelligent Systems Conference (IntelliSys), London, UK, 7–8 September 2017; pp 905–913 25 Kleinberg, J., J Ludwig, S Mullainathan, and Z Obermeyer, 2015, ―Prediction Policy Problems‖, American Economic Review 105 (5): 491– 95 26 Kleinberg, J., S Mullainathan, and M Raghavan, 2016, ―Inherent Trade- Off s in the Fair Determination of Risk Scores‖, Cornell University Library, https:// arxiv.org/ abs/ 1609.05807 27 Jurado, S., À Nebot, F Mugica, and N Avellana, 2015, "Hybrid methodologies for electricity load forecasting: Entropy-based feature selection with machine learning and soft computing techniques", Energy 86, 276–291 28 Lahmiri, S.; Bekiros, S., 2019, "Cryptocurrency forecasting with deep learning chaotic neural networks", Chaos Solitons Fractals 2019, 118, 35–40 29 Marugán, A P., F P G Márquez, J M P Perez, and D Ruiz-Hernández, 2018, "A survey of artificial neural network in wind energy systems", Applied Energy 228, 1822–1836 30 Mosavi, A.; Edalatifar, M, 2018, "A hybrid neuro-fuzzy algorithm for prediction of reference evapotranspiration", In Proceedings of the International Conference on Global Research and Education; Springer: Cham, Switzerland, pp 235–243 31 Mosavi, A.; Shamshirband, S.; Salwana, E.; Chau, K.-w.; Tah, J.H, 2019, "Prediction of multi-inputs bubble column reactor using a novel hybrid model of computational fluid dynamics and machine learning", Eng Appl Comput Fluid Mech.13, 482–492 32 Moshiri, S., N E Cameron, and D Scuse, 1999, "Static, dynamic, and hybrid neural networks in forecasting inflation", Computational Economics 14 (3), 219–235 33 Moshiri, S and N Cameron, 2000, "Neural network versus econometric models in forecasting inflation", Journal of forecasting 19 (3), 201–217 34 Moshiri, S and L Brown, 2004, "Unemployment variation over the business cycles: a comparison of forecasting models", Journal of Forecasting 23 (7), 497–511 35 Naik, N., S D Kominers, R Raskar, E L Glaeser, and C A Hidalgo, 2017, ―Computer Vision Uncovers Predictors of Physical Urban Change‖, Proceedings of the National Academy of Sciences 114 (29): 7571– 76 197 36 Nosratabadi, S.; Karoly, S.; Beszedes, B.; Felde, I.; Ardabili, S.; Mosavi, 2020, "A Comparative Analysis of ANN-ICA and ANN-GWO for Crop Yield Prediction", In Proceedings of the 2020 RIVF International Conference on Computing and Communication Technologies (RIVF), Ho Chi Minh, Vietnam, 14–15 October 2020 37 Paolanti, M.; Romeo, L.; Martini, M.; Mancini, A.; Frontoni, E.; Zingaretti, P., 2019, "Robotic retail surveying by deep learning visual and textual data", Robot Auton Syst., 118, 179–188 38 Saeed Nosratabadi, Amirhosein Mosavi, Puhong Duan, Pedram Ghamisi, Ferdinand Filip, Shahab S Band, Uwe Reuter, Joao Gama and Amir H Gandomi, 2020, "Data Science in Economics: Comprehensive Review" of Advanced Machine Learning and Deep Learning Methods, MDPI, Basel, Switzerland, 2020 39 Sim, H.S.; Kim, H.I.; Ahn, J.J, 2019, " Is Deep Learning for Image Recognition Applicable to Stock Market Prediction?", Complexity 2019 40 Song, Y.; Lee, J.W.; Lee, J., 2019, "A study on novel filtering and relationship between input-features and target-vectors in a deep learning model for stock price prediction", Appl Intell, 49, 897–911 41 Tamura, K.; Uenoyama, K.; Iitsuka, S.; Matsuo, Y, 2018, "Model for evaluation of stock values by ensemble model using deep learning", Trans Jpn Soc Artif Intell, p 33 42 Tashiro, D.; Matsushima, H.; Izumi, K.; Sakaji, H., 2019, "Encoding of high-frequency order information and prediction of short-term stock price by deep learning", Quant Financ, 19, 1499–1506 43 Torabi, M.; Mosavi, A.; Ozturk, P.; Varkonyi-Koczy, A.; Istvan, V., 2018, "A hybrid machine learning approach for daily prediction of solar radiation", In Proceedings of the International Conference on Global Research and Education; Springer: Cham, Switzerland, pp 266–274 44 Torabi, M.; Hashemi, S.; Saybani, M.R.; Shamshirband, S.; Mosavi, A A Hybrid clustering and classification technique for forecasting short-term energy consumption Environ Prog Sustain Energy 2019, 38, 66–76 45 Voyant, C., G Notton, S Kalogirou, M.-L Nivet, C Paoli, F Motte, and A Fouilloy, 2017, "Machine learning methods for solar radiation forecasting: A review", Renewable Energy 105, 569–582 46 Vũ Hữu Tiệp, 2018, "Machine Learning bản", Nxb, khoa học kỷ thuật 198 47 Wang, W.; Li, W.; Zhang, N.; Liu, K., 2020, "Portfolio formation with preselection using deep learning from long-term financial data", Expert Syst Appl, 143, 113042 48 Yu, L., S Wang, and K K Lai, 2008, "Forecasting crude oil price with an EMD-based neural network ensemble learning paradigm", Energy Economics 30 (5), 2623–2635 49 Yu, L., H Xu, and L Tang, 2017, "LSSVR ensemble learning with uncertain parameters for crude oil price forecasting", Applied Soft Computing 56, 692–701 50 Zaidi, S M A., V Chandola, M R Allen, J Sanyal, R N Stewart, B L Bhaduri, and R A McManamay, 2018, "Machine learning for energy-water nexus: challenges and opportunities", Big Earth Data 2(3), 228–267 51 Zendehboudi, S., N Rezaei, and A Lohi, 2018, "Applications of hybrid models in chemical, petroleum, and energy systems: A systematic review", Applied Energy 228, 2539–2566 52 Zeng, Y., J Liu, K Sun, and L.-w Hu, 2018, "Machine learning based system performance prediction model for reactor control", Annals of Nuclear Energy 113, 270– 278 53 Zhao, Y., J Li, and L Yu , 2017, "A deep learning ensemble approach for crude oil price forecasting", Energy Economics 66, 9–16 199 ... dự đốn xác cho biến kết Các nhà nghiên cứu sử dụng mơ hình học máy để giải vấn đề khác liên quan đến kinh tế học Học sâu (Deep Learning, DL), lĩnh vực máy học nổi, ứng dụng nhiều khía cạnh xã... toán học máy sử dụng số 57 báo đánh giá Nghiên cứu thêm cho thấy báo sử dụng mơ hình học sâu đơn lẻ, 18 mơ hình học sâu kết hợp, mơ hình máy học kết hợp mơ hình tổng hợp 3.1 Ứng dụng Học Máy Thị... sách tốt mà cịn tạo nguồn phong phú cho nghiên cứu Những đề xuất nghiên cứu Học máy Mặc dù Học máy với công cụ giải thuật có ứng dụng lớn nghiên cứu kinh tế nhiều lĩnh vực: tài chính, ngân hàng,