Gần đây, Tiến sĩ Hugo Bowne-Anderson (DataCamp) và Tiến sĩ Yves Hilpisch (The Python Quants) đã thảo luận về cách có thể tận dụng AI trong tài chính, cách nó so sánh với những phương pháp truyền thống hơn, và lý do tại sao các nhà khoa học dữ liệu nay là những nhân tố chủ chốt trong lĩnh vực này. Họ cũng bàn về sự bất định và rủi ro, cũng như mức độ hữu ích của AI và học máy trong các cú sụp đổ thị trường, các sự kiện thiên nga đen và những giai đoạn thị trường biến động. Xem hội thảo theo yêu cầu hoặc đọc tiếp để nắm một số điểm chính.
AI là gì và có những hệ quả nào?
Yves định nghĩa trí tuệ nhân tạo là toàn bộ các lĩnh vực cố gắng mô phỏng và cải thiện những gì con người có thể làm. Theo nghĩa đó, AI trong cờ vua cố gắng chơi cờ tốt hơn con người, và AI trong tài chính có thể là xây dựng và huấn luyện các bot có thể giao dịch tốt hơn con người.
"AI là khi phần mềm đạt được điều mà chúng ta coi là một hành vi thông minh. Và trí thông minh có thể được định nghĩa là khả năng đạt được một mục tiêu nhất định." —Tiến sĩ Yves Hilpisch
Máy móc có thể tuân theo phương pháp khoa học hiệu quả hơn con người rất nhiều. Chúng có thể xem dữ liệu và tìm ra sở thích bộc lộ bằng cách theo dõi những gì con người thực sự làm. Từ đó, chúng rút ra các insight. Chúng tận dụng hàng triệu điểm dữ liệu để hình thành các insight này, vốn cuối cùng chính xác hơn nhiều so với các mô hình lý thuyết.
Vậy phương pháp khoa học là gì?
"Bạn thiết lập một thí nghiệm, thu thập dữ liệu, rồi cố gắng hoặc tìm bằng chứng ủng hộ giả thuyết, hoặc có thể bạn tìm thấy dữ liệu mâu thuẫn với giả thuyết. Bước tiếp theo là điều chỉnh giả thuyết, các giả định của bạn, hoặc có khi rút lại giả thuyết hoàn toàn. Quy trình của phương pháp khoa học này có thể được máy móc lặp lại hàng triệu lần trong vài giây." —Tiến sĩ Yves Hilpisch
AI đã mang lại lợi thế cạnh tranh lớn trong 20 năm qua
AI phục vụ cùng một mục đích trong tài chính như ở các lĩnh vực khác: giành lợi thế cạnh tranh. Trong tài chính, nó khởi đầu vào những năm 1950, khi Markowitz tiên phong với mô hình tài chính định lượng đầu tiên. Đó là mô hình đầu tiên trong lý thuyết danh mục phương sai được chấp nhận rộng rãi. Đến nay, nó vẫn được dùng để quản lý hàng nghìn tỷ đô la. Nhưng nó sử dụng lý thuyết quy phạm dựa trên việc phân tích các danh mục chứng khoán khả dĩ—không mang tính kê đơn vì không gợi ý một hướng hành động cụ thể. Vì vậy, nó không dựa trên dữ liệu, mà đúng hơn là dữ liệu hành vi hoặc dữ liệu thị trường.
Trong 20 năm qua, dữ liệu trở nên sẵn có hơn bao giờ hết—mấu chốt là sử dụng nó đúng cách. Cuốn The Man Who Solved the Market của Gregory Zuckerman mô tả cách quỹ phòng hộ Renaissance Technologies dẫn đầu trong việc tích lũy dữ liệu để thu lợi tài chính. Ngày nay, hầu như mọi ngành đều áp dụng chiến lược xây dựng các mô hình toán học và xử lý dữ liệu—và nhờ đó có thể đưa ra quyết định tối ưu hơn.
Các trường hợp sử dụng hiện đại và thực tiễn tốt cho tài chính định lượng
Đã có một sự phát triển mạnh mẽ của AI trong các thị trường tài chính. Ví dụ, với núi dữ liệu sẵn có ngày nay, các mô hình học có giám sát có thể dự đoán hành vi của chủ nợ hoặc người tiêu dùng với độ chính xác cao. Giao dịch thuật toán cũng tận dụng học tăng cường để thưởng và phạt các bot giao dịch dựa trên số tiền chúng kiếm được hoặc thua lỗ.
"Hiện chúng ta có hàng triệu, hàng triệu điểm dữ liệu có thể dùng để phân tích hành vi con người. Và với các công nghệ mới, các ngân hàng và tổ chức [như] startup fintech giỏi hơn gấp mười, gấp trăm lần trong việc dự đoán hành vi người tiêu dùng, hành vi chủ nợ, v.v., so với mọi lý thuyết từng được các giáo sư tài chính đề xuất." —Tiến sĩ Yves Hilpisch
Nhưng trong những thời điểm như hiện nay khi thị trường biến động mạnh, rõ ràng AI trong tài chính đòi hỏi các biện pháp an toàn. Học có giám sát dựa vào dữ liệu lịch sử và giả định rằng những gì đã xảy ra trong quá khứ đại diện cho những gì sẽ xảy ra trong tương lai. Lập luận này thiếu chặt chẽ trong giai đoạn thị trường biến động. Đó là lý do bạn phải có các quy tắc để ngăn các quyết định giao dịch tồi, như đặt lệnh dừng lỗ—quy định mức giá mà một chứng khoán hoặc hàng hóa sẽ được bán—vào các thuật toán. Lập luận này giới hạn các khoản lỗ vượt quá sức chịu đựng và tương tự như việc gắn cơ chế an toàn lên xe tự lái để ngăn nó tông vào người đi bộ trên vỉa hè. AI hữu ích trong việc giảm rủi ro phát sinh từ các sự kiện thời sự và tác động của chúng lên thị trường. Trong các sự kiện thiên nga đen, chiến thuật học có giám sát phải được giám sát chặt chẽ, và học tăng cường có thể được dùng để huấn luyện lại mô hình theo điều kiện thị trường mới. Sự can thiệp của con người và việc theo dõi cẩn trọng các thuật toán đã triển khai vẫn sẽ cần thiết trong tương lai gần.
Nhu cầu về các công cụ đơn giản, có thể lặp lại và mở rộng
Trong tài chính tính toán, mô phỏng Monte Carlo có cách tiếp cận hướng tới tương lai, bắt đầu từ một thời điểm nhất định và mô phỏng mở rộng về sau. Python là một công cụ tuyệt vời cho việc này. Ngăn xếp dữ liệu Python ngày nay là tập hợp các gói tương tác cho phép bạn nạp dữ liệu, biến đổi với pandas, thực hiện mô hình thống kê và tạo các thuật toán học máy. Python cho phép tất cả điều này diễn ra ở quy mô lớn. Hiện nay, giao dịch thuật toán phụ thuộc vào việc có bộ công cụ phù hợp. Và để có việc làm trong ngành này đòi hỏi mức thành thạo nhất định với các công cụ đó—đặc biệt là Python và R. Gói pandas của Python và các framework như TensorFlow và Keras đã giúp nhiều người làm được những điều trước đây là bất khả thi.
Hạ thấp rào cản gia nhập
Học cách sử dụng các công cụ này là một khoản đầu tư lớn, và ngày càng có nhiều công ty lẫn cá nhân thực hiện khoản đầu tư đó hơn bao giờ hết. Các chương trình giáo dục như DataCamp và The Python Quants có thể dân chủ hóa quá trình học tập. Người học làm quen với các khái niệm khoa học dữ liệu và học máy, và tự tin xây dựng thuật toán một cách độc lập trong môi trường mã hóa. Họ cũng có thể làm quen với cách thiết lập môi trường và chuỗi công cụ phù hợp để làm việc trên máy chủ—trao quyền cho họ triển khai thuật toán trên đám mây.
