[Podcast] Ứng Dụng Công Nghệ Trí Tuệ Nhân Tạo Trong Dịch Vụ Tài Chính Tại Việt Nam – Phần 1: Xu Hướng Công Nghệ AI

24 Tháng Tám, 2022

Công nghệ trí tuệ nhân tạo (AI) đang ngày càng được ứng dụng rộng rãi trên toàn cầu và thực sự mang đến những thay đổi cốt lõi trong một số ngành công nghiệp, trong đó, phải kể đến dịch vụ tài chính. Trong xu hướng phát triển nay, tại Việt Nam, việc ứng dụng công nghệ AI vào các lĩnh vực dịch vụ quản lý tài sản, quản lý rủi ro và tư vấn tài chính hiện vẫn còn rất hạn chế. Ở phần 1 bài nghiên cứu này, nhóm tác giả sẽ phân tích tổng quát về các xu hướng và công nghệ AI phổ biến nhất được sử dụng trong quản lý tài sản, quản trị rủi ro và tư vấn tài chính hiện nay.

Học máy (ML) – Cách tiếp cận AI phổ biến nhất cho đến nay

Mặc dù AI là một lĩnh vực rộng lớn với nhiều phương pháp tiếp cận được phát triển theo thời gian, mối quan tâm gần đây về AI gần như hoàn toàn tập trung vào các kỹ thuật học máy (Machine Learning – ML) vàđây cũng là cách tiếp cận AI phổ biến nhất cho đến nay. Học máy – ML quan tâm đến việc sử dụng dữ liệu để từng bước điều chỉnh các tham số của mô hình thống kê, xác suất và các mô hình tính toán khác. Về cơ bản, ML tự động hóa một hoặc một số giai đoạn xử lý thông tin để đưa ra mô hình cuối cùng cho việc dự báo hoặc phân loại. Hầu hết các ứng dụng ML trong quản lý tài sản, và thậm chí trong quản lý nói chung, dựa trên một số kỹ thuật chính. Các đặc tính chính của các kỹ thuật học máy phổ biến sử dụng trong lĩnh vực tài chính được thể hiện tại Bảng 1.

Mạng nơ-ron nhân tạo (Artifical Neural Network)	Mô hình phi tuyến. Mạng kết nối các điểm thông tin (nodes) mô phỏng. mạng lưới nơ-ron trong não bộ con người. Nhận dữ liệu huấn luyện gồm các cặp đầu vào và đầu ra và có khả năng học và tạo ra mối liên kết giữa chúng. Ứng dụng phổ biến: Dự báo lợi tức/rủi ro.
Rừng ngẫu nhiên (random forest)	Sử dụng mô hình cây quyết định (decision tree) dựa trên các đặc tính đầu vào (features) đi từ rễ tới ngọn để đưa ra lớp phân loại cuối cùng (quyết định cuối cùng). Xây dựng tự động dựa vào các dữ liệu tập huấn (training set) đầu vào và đầu ra và quy tắc giảm tính ngẫu nhiên của thông tin. Quyết định cuối cùng được đưa ra bằng cách lấy trung bình các quyết định cuối cùng của từng cây quyết định trong một rừng các cây quyết định. Ứng dụng phổ biến: Phân loại tài sản và dự báo lợi tức/rủi ro.
Thuật toán hỗ trợ máy Vector (Support Vector Machine)	Có thể sử dụng để hồi quy hoặc phân loại. Có thể xử lý các mối liên hệ phi tuyến tính giữa biến đầu ra và đầu vào bằng cách chuyển đổi dữ liệu lên các miền không gian đa chiều hơn. Tốc độ nhanh hơn việc huấn luyện thuật toán ở mô hình mạng nơ-ron nhân tạo. Ứng dụng phổ biến: dự báo lợi tức lợi tức/rủi ro.
Phân tích cụm (Cluster Analysis)	Phân dữ liệu thành các nhóm với các đặc tính tương tự nhau cho các phần tử trong 1 nhóm. Số nhóm có thể được quyết định bởi người dùng hoặc thuật toán tự quyết định. Ứng dụng phổ biến: Phân nhóm tài sản đầu tư.
Thuật toán tiến hóa (Evolutionary algorithm)	Kỹ thuật tối ưu hóa dựa vào khả năng đưa ra các mô hình thông qua việc tìm kiếm các mối quan hệ phi tuyến, phức tạp và đưa ra phương án thích hợp nhất. Quá trình mô phỏng quá trình tiến hóa của tự nhiên. Ứng dụng phổ biến: Các bài toán tối ưu hóa danh mục đầu tư không thể giải quyết bởi các thuật toán tối ưu hóa thông thường.
Thuật toán LASSO (least absolute shrinkage and selection operator)	Hồi quy thông thường có phần tử kiểm soát để đảm bảo lựa chọn tập hợp các yếu tố đầu vào ít nhất nhưng cần thiết. Giảm đi các ước lượng không cần thiết và nâng cao hiệu quả của việc dự báo ngoài mẫu (out-of-sample) của các mô hình hồi quy. Ứng dụng phổ biến: Dự báo lợi tức/rủi ro.
Xử lý ngôn ngữ tự nhiên (Natural Language Processing)	Một nhóm các kỹ thuật dùng để xử lý các dữ liệu ngôn ngữ tự nhiên (chữ viết, âm thanh). Rất hữu dụng trong việc trích xuất thông tin từ các nền tảng media (mạng xã hội, website, báo chí). Ứng dụng phổ biến: Tự động cập nhật thông tin doanh nghiệp từ báo cáo thường niên và báo chí.

Bảng 1: Các đặc tính chính của các kỹ thuật học máy phổ biến sử dụng trong lĩnh vực tài chính. Nguồn: Tác giả

Thực trạng ứng dụng công nghệ AI trong lĩnh vực tài chính ở Việt Nam

Tại Việt Nam, công nghệ AI đã và đang được ứng dụng rất rộng rãi trong ngành tài chính mà biểu hiện là ngày càng nhiều doanh nghiệp FinTech ra đời.

Hình 1: Số lượng doanh nghiệp khởi nghiệp Fintech theo lĩnh vực từ năm 2017-2020. Nguồn: fintechnews.sg

Sự gia tăng đáng kể các doanh nghiệp Fintech chứng tỏ tiềm năng của việc ứng dụng công nghệ vào việc giải quyết những bài toán và vấn đề trong lĩnh vực tài chính. Tuy nhiên, sự tăng trưởng của các công ty Fintech trong giai đoạn 2015-2020 cho thấy sự tăng trưởng chủ yếu tập trung vào một số ít lĩnh vực (thanh toán, cho vay) và bỏ quên một số lĩnh vực rất tiềm năng và quan trọng trong ngành tài chính (đầu tư, quản lý tài sản, quản trị rủi ro). Theo báo cáo do Fintechnews.sg thực thiện về lĩnh vực Fintech ở Việt Nam, lĩnh vực thanh toán, cho vay và blockchain chiếm hơn 60% số doanh nghiệp Fintech. Trong khi đó, số doanh nghiệp Fintech trong lĩnh vực quản lý tài sản, đánh giá/xếp hạng tín dụng chỉ chiếm chưa đến 13% (Hình 2). Một phần lý do có thể nằm ở việc công nghệ cốt lõi đòi hỏi ở các lĩnh vực quản lý tài sản, quản lý rủi ro hay đầu tư tài chính cần những công nghệ phức tạp và đòi hỏi nhiều chi phí về cả nhân lực và vật lực để phát triển hơn là các công nghệ ở các lĩnh vực thanh toán hay cho vay P2P.

Hình 2: Phân bố các doanh nghiệp Fintech theo lĩnh vực năm 2020 ở Việt Nam. Nguồn: fintechnews.sg

Các giải pháp ứng dụng công nghệ AI trong lĩnh vực dịch vụ tài chính ở Việt Nam hiện nay

*Quản lý danh mục đầu tư

Các kỹ thuật AI có thể được sử dụng để thực hiện các phân tích cơ bản (fundamental analysis) đòi hỏi sự kết hợp của nhiều nguồn thông tin, bao gồm cả việc sử dụng phân tích văn bản và để tối ưu hóa việc phân bổ tài sản trong các danh mục đầu tư tài chính. So với các phương pháp tối ưu hóa danh mục đầu tư thông thường, các kỹ thuật AI thường cung cấp các ước tính tốt hơn về lợi nhuận và phương sai. Sau đó, những ước tính này có thể được sử dụng để tối ưu hóa danh mục đầu tư truyền thống. Hơn nữa, AI có thể được sử dụng trực tiếp cho các quyết định phân bổ tài sản để xây dựng danh mục đầu tư đáp ứng mục tiêu hiệu suất chặt chẽ hơn danh mục đầu tư được tạo bằng phương pháp truyền thống.

Hình 3: Kỹ thuật AI trong việc tối ưu hóa danh mục đầu tư. Nguồn: Tác giả

Các phương pháp để xây dựng danh mục đầu tư gồm: NLP, Hồi quy LASSO, mạng nơ-ron nhân tạo (ANN), SVM.

Phương pháp Tối ưu hóa danh mục đầu tư: kỹ thuật mạng nơ-ron (ANN) có thể được đào tạo để đưa ra các quyết định phân bổ tài sản dưới những ràng buộc phức tạp thường không dễ dàng để tích hợp vào lợi tức kỳ vọng – phương sai.

*Quản trị rủi ro tài chính

Các kỹ thuật AI cũng có các ứng dụng trong quản lý rủi ro, liên quan đến cả rủi rothị trường và rủi ro tín dụng. Rủi ro thị trường đề cập đến khả năng mất mát do ảnh hưởng của thị trường chung và rủi ro tín dụng (hoặc đối tác) là rủi ro của việc một bên đối tác không thực hiện đầy đủ các nghĩa vụ theo hợp đồng của mình (Hình 4).

Hình 4: Kỹ thuật AI và các ứng dụng trong quản trị rủi ro danh mục đầu tư. Nguồn: Tác giả

Một ứng dụng của AI trong quản lý rủi ro thị trường liên quan đến việc trích xuất thông tin từ các nguồn dữ liệu định tính dạng văn bản hoặc hình ảnh. Hoặc các phương pháp AI không giám sát (unsupervised AI) có thể được sử dụng để phát hiện sự bất thường trong kết quả dự báo đầu ra của mô hình rủi ro bằng cách đánh giá tất cả các dự báo do mô hình tạo ra và tự động xác định bất kỳ điểm bất thường nào. Các nhà quản lý rủi ro cũng có thể sử dụng các kỹ thuật AI được giám sát (supervised AI) để tạo ra các chuẩn dự báo (benchmark forecasts) để xác thực mô hình. So sánh kết quả mô hình và các chuẩn dự báo sẽ cho biết liệu mô hình rủi ro có đang tạo ra những dự đoán khác biệt đáng kể so với những dự đoán do AI tạo ra hay không. Các kỹ thuật AI cũng có thể dự đoán sự biến động của thị trường và khủng hoảng tài chính, đặc biệt là ANN và SVM, có khả năng nắm bắt các quan hệ phi tuyến mang lại cho chúng lợi thế so với các mô hình tự hồi quy với phương sai thay đổi có điều kiện (GARCH). Hai kỹ thuật ANN và SVM cũng được áp dụng rộng rãi trong quản trị rủi ro tín dụng hiện nay.

*Tư vấn tài chính bằng công nghệ robot tự động hóa

Robot-cố vấn là các chương trình máy tính cung cấp lời khuyên tài chính để hỗ trợ các nhà đầu tư cá nhân trong các hoạt động đầu tư. Robot-cố vấn đang thu hút được sự chú ý đáng kể gần đây vì thành công của chúng trong việc giảm bớt các rào cản gia nhập đối với các nhà đầu tư không chuyên. Tư vấn bằng robot có thể tích hợp tất cả các loại ứng dụng AI vào quản lý danh mục đầu tư, giao dịch và quản lý rủi ro danh mục đầu tư. Bằng cách tiếp thu sự thành công của AI trong những lĩnh vực này, robot-cố vấn không chỉ có thể tạo ra danh mục đầu tư với hiệu suất ngoài mẫu (out-of-sample) tốt hơn cho các nhà đầu tư mà còn có thể tự động tái cân bằng danh mục đầu tư, tự động quản lý rủi ro của danh mục đầu tư và giảm thiểu chi phí giao dịch.

Hình 5: Robot-Cố vấn tự động với các ứng dụng của AI. Nguồn: Tác giả

Các nhà đầu tư tổ chức cũng có thể hưởng lợi từ khả năng của các cố vấn robot trong việc xử lý một loạt các dữ liệu tài chính. Mặc dù việc giảm các khuynh hướng thiên lệch về hành vi khi đưa ra quyết định đầu tư là có lợi cho tất cả các loại nhà đầu tư, nhưng các nhà đầu tư không chuyên lại đặc biệt hưởng lợi từ tư vấn robot về mặt nâng cao hiệu suất danh mục đầu tư, tăng sự đa dạng hóa và giảm thiểu rủi ro.

Xem toàn bộ bài nghiên cứu ỨNG DỤNG CÔNG NGHỆ TRÍ TUỆ NHÂN TẠO TRONG DỊCH VỤ TÀI CHÍNH TẠI THỊ TRƯỜNG TÀI CHÍNH VIỆT NAM tại đây. Nhóm tác giả: TS. Ngô Minh Vũ, TS. Nguyễn Hữu Huân – Khoa Ngân Hàng, Trường Kinh doanh UEH.

Đây là bài viết nằm trong Chuỗi bài lan tỏa nghiên cứu và kiến thức ứng dụng từ UEH với thông điệp “Research Contribution For All – Nghiên Cứu Vì Cộng Đồng”, UEH trân trọng kính mời Quý độc giả đón xem Bản tin kiến thức KINH TẾ SỐ #56 “Ứng dụng công nghệ trí tuệ nhân tạo trong dịch vụ tài chính tại thị trường tài chính Việt Nam – Phần 2: Các kiến nghị chính sách”.

Tin, ảnh: Nhóm tác giả, Phòng Marketing – Truyền thông UEH

Giọng đọc: Ngọc Quí

Tài liệu tham khảo

Avramov, D., Cheng, S., & Metzker, L. (2020). Machine learning versus economic restrictions: Evidence from stock return predictability. Available at SSRN 3450322. https://ssrn.com/abstract=3450322
Bew, D., Harvey, C. R., Ledford, A., Radnor, S., & Sinclair, A. (2019). Modeling analysts’ recommendations via Bayesian machine learning. The Journal of Financial Data Science, 1(1), 75-98.
Financial Stability Board (2017). Artificial Intelligence and Machine Learning in Financial Services. http://www.fsb.org/2017/11/artifcial-intelligence-andmachine-learning-in-fnancial-service.
Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223-2273.
Patel, K., & Lincoln, M. (2019). It’s not magic: Weighing the risks of AI in financial services. London: Centre for the Study of Financial Innovation. http://www.csf.org/s/Magic_10-19_v12_Proof.pdf.
Rasekhschaffe, K. C., & Jones, R. C. (2019). Machine learning for stock selection. Financial Analysts Journal, 75(3), 70-88. https://doi.org/10.1080/0015198X.2019.1596678.