Câu hỏi: AIE301m - Phần 3: Mạng nơ-ron, học sâu và khả năng khái quát

Đáp án đúng: "It stabilizes gradient updates and improves training convergence". Đặc trưng tài chính có thang đo rất khác nhau, như giá hàng trăm đô la, khối lượng hàng triệu cổ phiếu và lợi suất cỡ phần trăm. Nếu không chuẩn hoá, đặc trưng lớn chi phối tổng có trọng số, gradient theo các hướng chênh nhau nhiều nên bước cập nhật dao động, dễ bão hoà hàm kích hoạt và hội tụ chậm. Đưa các đặc trưng về cùng thang, ví dụ z-score, giúp gradient cân đối và huấn luyện ổn định hơn. "It increases trading frequency" sai vì tần suất giao dịch do quy tắc chiến lược quyết định, không do bước tiền xử lý. "It eliminates portfolio risk" sai vì rủi ro thị trường vẫn còn nguyên dù dữ liệu được chuẩn hoá thế nào. "It guarantees accurate financial forecasts" sai vì chuẩn hoá chỉ giúp mô hình học tốt hơn, không bảo đảm dự báo chính xác trên thị trường nhiễu và thay đổi.

Đáp án đúng gồm ba ý: "Quality of historical financial data", "Feature engineering from technical indicators" và "Neural network architecture design". Hiệu năng của mạng nơ-ron trong mô hình định lượng phụ thuộc trước hết vào dữ liệu: dữ liệu lịch sử thiếu, sai, lệch sống sót (survivorship bias) hay rò rỉ thông tin tương lai sẽ làm mô hình học sai quy luật. Kỹ thuật tạo đặc trưng (feature engineering) như lợi suất trễ, đường trung bình, RSI giúp đưa tín hiệu có ý nghĩa vào mạng vốn rất nhiễu với dữ liệu giá thô. Thiết kế kiến trúc gồm số tầng, số nơ-ron, loại tầng như LSTM hay tích chập và cách chính quy hoá quyết định mạng khớp vừa đủ hay quá khớp. "Brokerage tax regulations" ảnh hưởng tới lợi nhuận ròng sau thuế nhưng không tác động tới việc mạng học và dự báo. "Exchange opening hours" chỉ quy định khi nào được giao dịch, không phải yếu tố làm mạng dự báo tốt hay kém.

Đáp án đúng: "They accelerate large-scale matrix computations in neural networks". Huấn luyện mạng nơ-ron chủ yếu là nhân ma trận và các phép toán tensor lặp lại hàng triệu lần ở cả lan truyền xuôi lẫn ngược; GPU có hàng nghìn lõi xử lý song song nên làm các phép này nhanh hơn CPU nhiều lần, rút ngắn thời gian huấn luyện mô hình giao dịch trên chuỗi giá dài hay nhiều tài sản, và TensorFlow tự đặt phép tính lên GPU khi có. "They automatically execute financial trades" sai vì GPU là phần cứng tính toán, việc đặt lệnh do phần mềm thực thi kết nối nhà môi giới đảm nhiệm. "They replace historical market data" sai vì GPU không tạo ra hay thay thế dữ liệu; mô hình vẫn cần dữ liệu lịch sử thật để học. "They calculate brokerage commissions" sai vì tính hoa hồng môi giới là phép cộng nhân đơn giản, không cần sức mạnh tính toán song song của GPU.

Đáp án đúng: "They train faster and provide quick insights into model viability.". Khi dựng nguyên mẫu, mô hình đơn giản như hồi quy tuyến tính, logistic hay cây nông huấn luyện nhanh, dễ diễn giải và đóng vai trò mốc chuẩn (baseline), giúp biết sớm dữ liệu có chứa tín hiệu hay không trước khi bỏ công vào mô hình phức tạp. "They require less data preprocessing." không đúng như một ưu thế chung: mô hình tuyến tính thường còn cần chuẩn hoá, mã hoá biến phân loại và xử lý ngoại lai kỹ hơn so với các mô hình cây. "They are always more accurate than complex models." sai vì chữ always quá tuyệt đối; mô hình đơn giản thường kém chính xác hơn khi quan hệ thật phi tuyến. "They can handle larger datasets without overfitting." lẫn lộn hai chuyện: mô hình đơn giản ít quá khớp vì ít tham số, chứ không phải vì xử lý được dữ liệu lớn hơn.

Đáp án đúng: "To learn hierarchical representations of financial market patterns". Mạng nơ-ron sâu xếp nhiều tầng ẩn để mỗi tầng xây trên đầu ra của tầng trước: tầng đầu học các mẫu đơn giản như biến động ngắn hạn của lợi suất, tầng sau kết hợp chúng thành mẫu phức tạp hơn như xu hướng, chế độ biến động hay quan hệ giữa các tài sản; biểu diễn phân cấp này giúp mô hình nắm quan hệ phi tuyến mà một tầng khó biểu diễn gọn. "To reduce training dataset size" sai vì thêm tầng không làm dữ liệu nhỏ đi, trái lại mạng sâu nhiều tham số thường cần nhiều dữ liệu hơn. "To eliminate market volatility" sai vì mô hình chỉ dự báo, không tác động được tới biến động của thị trường. "To automatically optimize trading portfolios" là bài toán phân bổ danh mục, có thể dùng mạng sâu nhưng không phải lý do để thêm nhiều tầng ẩn.

Đáp án đúng: "To improve convergence during training". Các đặc trưng tài chính có thang đo rất khác nhau, như giá vài trăm đô la, khối lượng hàng triệu cổ phiếu, lợi suất chỉ vài phần trăm; nếu không chuẩn hoá (normalize) về cùng thang, như z-score hay min-max, gradient sẽ bị chi phối bởi đặc trưng lớn, mặt hàm mất mát méo và hạ gradient hội tụ chậm hoặc dao động. "To eliminate market volatility" sai vì chuẩn hoá chỉ đổi thang số, không làm biến động thị trường biến mất. "To increase brokerage profits" không liên quan, phí môi giới không phụ thuộc cách xử lý dữ liệu của mô hình. "To reduce transaction latency" là vấn đề hạ tầng mạng và hệ thống khớp lệnh, không phải tiền xử lý đặc trưng.

Đáp án đúng: "$214". Mạng nơ-ron dự báo giá tài sản tăng 7%, tức giá dự báo bằng giá hiện tại nhân với 1 cộng 7%. Tính từng bước: phần tăng là 200 nhân 0,07 bằng 14 đô la, cộng vào 200 được 214 đô la, cũng chính là 200 nhân 1,07. "$212" sai vì ứng với mức tăng 6%, phần tăng chỉ 12 đô la. "$213" sai vì ứng với mức tăng 6,5%, phần tăng 13 đô la, không khớp với 7%. "$216" sai vì ứng với mức tăng 8%, phần tăng 16 đô la, cao hơn dự báo. Cách nhanh nhất để kiểm tra là đổi phần trăm thành hệ số nhân rồi nhân với giá gốc; phép tính này cũng là cách quy đổi dự báo lợi suất của mô hình thành dự báo giá trong các chiến lược giao dịch dùng học máy.

Đáp án đúng: "Concept drift in market behavior". Trôi khái niệm (concept drift) là khi quan hệ thống kê giữa đặc trưng và biến mục tiêu thay đổi theo thời gian, nên mô hình học từ giai đoạn 2015–2020 không còn khớp với hành vi thị trường năm 2024, khi lãi suất, mức biến động và các yếu tố dẫn dắt đã khác. Cách xử lý là theo dõi hiệu năng liên tục, huấn luyện lại định kỳ trên dữ liệu gần hơn hoặc dùng cửa sổ trượt. "Model training failure" sai vì mô hình đã huấn luyện thành công và có thể chạy tốt trên dữ liệu cũ; vấn đề nằm ở dữ liệu mới đã khác phân phối. "Behavior overload" không phải thuật ngữ trong học máy hay tài chính để mô tả hiện tượng này. "Market network disconnection" là sự cố kết nối, sẽ làm thiếu dữ liệu hoặc không đặt được lệnh, chứ không làm dự báo kém dần trên dữ liệu đầy đủ.

Đáp án đúng: "Overfitting". Quá khớp xảy ra khi mô hình giao dịch học thuộc cả nhiễu và các mẫu ngẫu nhiên của giai đoạn huấn luyện, nên backtest trong mẫu rất đẹp nhưng gặp dữ liệu thị trường mới thì lợi nhuận sụt hẳn; cách phát hiện là kiểm tra ngoài mẫu hay walk-forward, cách giảm là bớt tham số, chính quy hoá và tránh tối ưu quá nhiều lần trên cùng dữ liệu. "Diversification" là đa dạng hoá danh mục để giảm rủi ro riêng lẻ, không mô tả việc mô hình kém đi trên dữ liệu mới. "Portfolio hedging" là phòng hộ, dùng vị thế ngược chiều để giảm rủi ro, là kỹ thuật quản lý vị thế chứ không phải lỗi mô hình. "Arbitrage trading" là kinh doanh chênh lệch giá, một loại chiến lược, không phải hiện tượng mô hình chỉ tốt trên dữ liệu huấn luyện.