AIE301mChưa đo Cập nhật 21 giờ trước
AIE301m - Ứng dụng trí tuệ nhân tạo cho giao dịch
148Câu hỏi
3Bộ đề
10Chủ đề
Câu hỏi của môn
84/148 câuCòn 64
AQ-learning
BPolicy gradient
CTemporal Difference (TD) learning
DMonte Carlo methods
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "Policy gradient". Phương pháp policy gradient tham số hoá trực tiếp chính sách bằng một mạng có trọng số theta và cập nhật theta theo hướng gradient của phần thưởng tích luỹ kỳ vọng J(theta); thuật toán REINFORCE ước lượng gradient này bằng log xác suất hành động nhân với lợi tức thu được. "Q-learning" là phương pháp dựa trên giá trị: nó học hàm Q(s, a) bằng phương trình Bellman, còn chính sách chỉ suy ra gián tiếp bằng cách chọn hành động có Q lớn nhất. "Temporal Difference (TD) learning" cũng ước lượng hàm giá trị, cập nhật theo sai số TD giữa ước lượng hiện tại và phần thưởng cộng giá trị trạng thái kế tiếp, không tối ưu chính sách trực tiếp. "Monte Carlo methods" ước lượng giá trị bằng trung bình lợi tức của các tập trọn vẹn; REINFORCE có dùng lợi tức kiểu Monte Carlo nhưng bản thân Monte Carlo là kỹ thuật ước lượng, không phải thuật toán tối ưu chính sách theo gradient.
APreservation of model stability
BIt optimizes model performance
CImproves predictive power
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "Preservation of model stability". Chuỗi dừng (stationary) có trung bình, phương sai và tự hiệp phương sai không đổi theo thời gian. Các mô hình như AR, MA, ARMA giả định điều đó: chỉ khi quy luật thống kê không trôi đi thì hệ số ước lượng từ quá khứ mới ổn định và còn dùng được cho tương lai; với chuỗi không dừng như giá cổ phiếu, hệ số thay đổi theo giai đoạn và hồi quy dễ cho tương quan giả. Vì vậy người ta lấy sai phân hay chuyển sang lợi suất để có chuỗi dừng trước khi mô hình hoá. "It optimizes model performance" sai vì tính dừng không tự tối ưu hiệu năng; nó là điều kiện để mô hình hợp lệ, còn hiệu năng phụ thuộc chọn bậc, đặc trưng và dữ liệu. "Improves predictive power" chỉ là hệ quả gián tiếp có thể xảy ra, không phải lý do gốc, vì chuỗi đã dừng hoá như lợi suất thường lại khó dự báo hơn chuỗi giá.
67To compile and train the Keras model, we use:4 lựa chọn
A
model.compile()B
model.train()C
model.fit()D
model.compile_and_train()Lời giải
Mở trang câu hỏi này →Đáp án đúng: "model.compile()". Trong Keras, model.compile() là bước bắt buộc để cấu hình mô hình trước khi huấn luyện, khai báo bộ tối ưu (optimizer), hàm mất mát (loss) và các chỉ số (metrics); chưa compile thì không thể huấn luyện. Chỗ dễ tranh cãi là đề gộp cả hai bước compile và train mà chỉ cho chọn một, trong khi theo tài liệu Keras, "model.fit()" mới là hàm thực sự chạy vòng huấn luyện qua các epoch; đáp án vẫn là model.compile() vì câu hỏi nhấn vào bước khởi đầu bắt buộc của quy trình compile rồi train, và fit() chỉ chạy được sau khi compile đã xong. "model.train()" không phải phương thức của mô hình Keras, cách gọi này giống thói quen của PyTorch nơi train() chỉ bật chế độ huấn luyện. "model.compile_and_train()" cũng không tồn tại trong Keras, không có hàm nào gộp hai bước làm một.
ATo adjust the learning rate during training
BTo control the flow of information to the current output
CTo introduce non-linearity to the network
DNone of the above
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "To control the flow of information to the current output". Mỗi ô LSTM có ba cổng: cổng quên quyết định bỏ gì khỏi trạng thái ô, cổng vào quyết định thêm gì, còn cổng ra (output gate) dùng hàm sigmoid để chọn phần nào của trạng thái ô, sau khi qua tanh, được đưa ra làm trạng thái ẩn tại bước hiện tại. "To adjust the learning rate during training" sai vì tốc độ học do bộ tối ưu điều khiển, không phải cổng trong mạng. "To introduce non-linearity to the network" sai vì tính phi tuyến đến từ hàm kích hoạt; cổng ra có dùng sigmoid nhưng vai trò của nó là điều tiết thông tin. "None of the above" sai vì đã có một mô tả đúng chức năng cổng ra.
69A time series consists of:4 lựa chọn
AShort-term variations
BLong-term variations
CIrregular variations
DAll of the above
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "All of the above". Một chuỗi thời gian thường được phân rã thành nhiều thành phần chồng lên nhau, và cả ba loại biến động nêu ra đều có mặt. "Long-term variations" là xu hướng (trend) dài hạn, như giá một cổ phiếu tăng dần qua nhiều năm. "Short-term variations" gồm biến động mùa vụ (seasonal) lặp lại theo chu kỳ cố định như ngày trong tuần, tháng trong năm, và biến động chu kỳ (cyclical) gắn với chu kỳ kinh tế. "Irregular variations" là phần ngẫu nhiên, khó dự báo, do tin tức bất ngờ hay cú sốc thị trường gây ra, còn lại sau khi tách xu hướng và mùa vụ. Mô hình như ARIMA hay phép phân rã cộng, nhân đều xử lý đủ các thành phần này, nên chọn riêng một loại biến động là mô tả chưa đầy đủ cấu trúc của chuỗi thời gian.
AImage classification
BText generation
CReinforcement learning
DObject detection
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "Text generation". Mạng nơ-ron hồi quy (Recurrent Neural Network) xử lý dữ liệu tuần tự từng bước, giữ một trạng thái ẩn mang thông tin của các bước trước sang bước sau, nên hợp với dữ liệu có thứ tự như văn bản, giọng nói hay chuỗi thời gian giá. Sinh văn bản là ứng dụng tiêu biểu: mô hình đọc chuỗi ký tự hoặc từ đã có rồi dự đoán phần tử kế tiếp, lặp lại để tạo câu. "Image classification" là thế mạnh của mạng tích chập (CNN), vốn khai thác cấu trúc không gian của điểm ảnh chứ không phải thứ tự thời gian. "Reinforcement learning" là một mô thức học dựa trên phần thưởng, không phải mục đích của một kiến trúc mạng; RNN có thể làm bộ phận trong tác tử học tăng cường nhưng đó không phải vai trò chính. "Object detection" cũng thuộc thị giác máy tính, dùng các mô hình dựa trên CNN như YOLO hay Faster R-CNN.
AThe long side has a larger positive return than the short side.
BThe long side has a smaller positive return than the short side
CThe long side has a smaller negative return than the short side.
DThe long side has a larger negative return than the short side.
Lời giải
Mở trang câu hỏi này →Đáp án đúng gồm hai ý: "The long side has a larger positive return than the short side." và "The long side has a smaller negative return than the short side.". Với cặp mua một chân, bán khống chân kia cùng giá trị, lợi suất của cặp xấp xỉ bằng lợi suất chân mua trừ lợi suất chân bán, nên cặp có lãi khi chân mua làm tốt hơn chân bán. Ví dụ chân mua tăng 5% còn chân bán tăng 2% thì cặp lãi khoảng 3%; khi cả thị trường giảm, chân mua giảm 2% còn chân bán giảm 5% thì cặp vẫn lãi khoảng 3% vì khoản lãi từ bán khống bù hơn khoản lỗ của chân mua. "The long side has a smaller positive return than the short side" làm cặp lỗ, ví dụ mua tăng 2%, bán tăng 5% thì lỗ khoảng 3%. "The long side has a larger negative return than the short side." cũng lỗ, ví dụ mua giảm 5%, bán chỉ giảm 2% thì khoản lỗ chân mua lớn hơn khoản lãi bán khống.
AClassification
BRegression
CForecasting
DUnsupervised learning
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "Classification". Đầu ra cần dự đoán là "có giao dịch bán xảy ra hay không", tức một nhãn rời rạc hai lớp có/không, và mô hình học từ dữ liệu lịch sử đã biết kết quả, nên đây là bài toán phân loại (classification) có giám sát. "Regression" dùng khi đích là số liên tục như doanh số bao nhiêu. "Forecasting" ước lượng giá trị tương lai của một chuỗi thời gian theo thời gian, còn ở đây ta chỉ cần quyết định có hay không cho từng tình huống thị trường. "Unsupervised learning" sai vì dữ liệu lịch sử đã có nhãn kết quả bán hay không, trong khi học không giám sát làm việc với dữ liệu không nhãn, như phân cụm.
ATime lag
BSpatial resolution
CMoving average
DPrinciple components
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "Time lag". Mô hình tự hồi quy (Auto Regressive, AR) bậc p biểu diễn giá trị hiện tại như tổ hợp tuyến tính của p giá trị trước đó cộng nhiễu, tức x_t = c + phi_1 x_{t-1} + ... + phi_p x_{t-p} + e_t; xây mô hình AR chính là tìm số độ trễ thời gian (time lag) phù hợp, thường dựa vào hàm tự tương quan riêng phần PACF, rồi ước lượng hệ số cho từng độ trễ. "Spatial resolution" là độ phân giải không gian, khái niệm của ảnh và dữ liệu địa lý, không thuộc chuỗi thời gian. "Moving average" là thành phần MA của ARIMA, dùng các sai số dự báo quá khứ thay vì giá trị quá khứ, nên là quá trình khác với AR. "Principle components" là thành phần chính trong PCA, kỹ thuật giảm chiều dữ liệu theo phương sai, không phải thứ mà quá trình tự hồi quy cần tìm.
ATo classify customers into distinct categories
BTo estimate the relationship between variables
CTo visualize customer behavior
DTo reduce the dimensionality of the data
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "To estimate the relationship between variables". Giá trị vòng đời khách hàng (customer lifetime value) là tổng doanh thu hay lợi nhuận một khách hàng mang lại trong suốt thời gian gắn bó, một biến liên tục. Hồi quy ước lượng quan hệ giữa các biến đầu vào như tần suất mua, giá trị trung bình mỗi đơn, thời gian là khách với biến đầu ra là giá trị vòng đời, rồi dùng quan hệ đó dự báo cho khách mới. "To classify customers into distinct categories" là việc của mô hình phân loại hoặc phân cụm, cho ra nhãn nhóm chứ không phải một con số liên tục. "To visualize customer behavior" là trực quan hoá, công cụ mô tả dữ liệu chứ không phải mục đích của hồi quy. "To reduce the dimensionality of the data" là việc của các kỹ thuật như phân tích thành phần chính (PCA), giúp nén đặc trưng chứ không dự báo giá trị.
ATo outperform the market using fundamental analysis
BTo generate a positive return independent of market movements
CTo hold assets for the long term
DTo provide advisory services to asset managers
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "To generate a positive return independent of market movements". Các công ty giao dịch định lượng thường theo đuổi lợi nhuận tuyệt đối, tức alpha không phụ thuộc vào việc thị trường tăng hay giảm, bằng các chiến lược trung tính thị trường như giao dịch cặp, chênh lệch giá thống kê hay tạo lập thị trường, trong đó phơi nhiễm beta được phòng hộ để lợi nhuận đến từ chênh lệch tương đối chứ không từ xu hướng chung. "To outperform the market using fundamental analysis" là mục tiêu của quỹ đầu tư chủ động theo phân tích cơ bản, vừa dùng sai công cụ vừa đo theo chỉ số tham chiếu chứ không phải lợi nhuận độc lập thị trường. "To hold assets for the long term" là phong cách đầu tư mua và nắm giữ, trái với vòng quay vị thế ngắn của nhà giao dịch định lượng. "To provide advisory services to asset managers" là dịch vụ tư vấn, không phải hoạt động giao dịch tự doanh.
ASoftMax
BTanh
CReLU
DBinary step function
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "SoftMax". Hàm SoftMax biến vector điểm số thô (logits) thành phân phối xác suất bằng cách lấy mũ từng phần tử rồi chia cho tổng các mũ, nên mỗi đầu ra nằm trong khoảng 0 tới 1 và tổng đúng bằng 1; vì vậy nó là lựa chọn chuẩn cho lớp cuối của bài toán phân loại nhiều lớp. "Tanh" cho giá trị từ −1 tới 1, có thể âm nên không phải xác suất. "ReLU" cho giá trị từ 0 tới vô cùng, không bị chặn trên và không chuẩn hoá tổng. "Binary step function" chỉ cho ra 0 hoặc 1 cứng, không biểu diễn được mức độ chắc chắn và không có đạo hàm hữu ích để huấn luyện.
AEach term in the model is correlated to one output prior.
BOne error term is used to predict the output.
CIt's stationary.
DIt's not stationary.
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "Each term in the model is correlated to one output prior.". Trong ARIMA(p, d, q), p là bậc của phần tự hồi quy, tức số giá trị quá khứ của chuỗi được dùng làm biến giải thích; p=1 nghĩa là mỗi giá trị được hồi quy theo đúng một giá trị ngay trước nó, x_t phụ thuộc x_{t-1}, nên mỗi số hạng tương quan với một đầu ra trước đó. "One error term is used to predict the output." mô tả q=1, bậc của phần trung bình trượt (MA), nơi sai số dự báo trước đó được đưa vào mô hình, không phải p. "It's stationary." và "It's not stationary." đều không suy ra được từ p: tính dừng (stationarity) liên quan tới tham số d, số lần lấy sai phân cần để chuỗi dừng, và tới việc hệ số AR có nằm trong miền dừng hay không, chứ bản thân việc p=1 không nói chuỗi có dừng hay không.
AWe wanted to create a long-short pair of to stocks in the same industry sub-sector and equal loadings in PC1 indicate that the stocks are in the same sub-sector.
BWe wanted to create a long-short pair of to stocks with the same price/earnings ratio which is one way to measure the Value factor.
CWe wanted to create a long-short pair of stocks that were hedged in their main exposure to variations in the overall returns of the XLK portfolio of stocks.
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "We wanted to create a long-short pair of stocks that were hedged in their main exposure to variations in the overall returns of the XLK portfolio of stocks.". Trong phân tích thành phần chính (PCA) trên lợi suất, thành phần đầu tiên PC1 giải thích hơn một nửa biến động và mọi cổ phiếu đều có tải dương, nên PC1 chính là yếu tố chung kéo cả rổ XLK cùng lên xuống. Tải (loading) là độ nhạy của từng cổ phiếu với yếu tố đó; hai mã có tải PC1 bằng nhau thì khi mua một và bán khống một cùng giá trị, phơi nhiễm với PC1 triệt tiêu, lợi suất cặp chỉ còn phụ thuộc các thành phần sau và phần riêng của từng mã. Phương án "equal loadings in PC1 indicate that the stocks are in the same sub-sector" sai vì tải bằng nhau chỉ nói độ nhạy với yếu tố chung giống nhau; hai mã khác phân ngành con vẫn có thể có tải như nhau, còn khác biệt phân ngành thường hiện ở các thành phần sau. Phương án "same price/earnings ratio which is one way to measure the Value factor" sai vì PCA dựa trên hiệp phương sai lợi suất, không dùng tỉ số P/E, nên tải PC1 không đo yếu tố giá trị.
79What is meant by model generalization?3 lựa chọn
AHow well a model can make predictions on a wide variety of applications.
BHow well a model can make predictions on the same data it's trained on.
CA model's ability to correctly make predictions on data it hasn't been trained on.
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "A model's ability to correctly make predictions on data it hasn't been trained on.". Khả năng khái quát hoá (generalization) đo việc mô hình học được quy luật thật chứ không học thuộc mẫu, thể hiện qua sai số trên dữ liệu chưa từng thấy như tập kiểm định, tập kiểm tra hay dữ liệu thị trường tương lai; khoảng cách lớn giữa sai số huấn luyện và sai số trên dữ liệu mới chính là dấu hiệu khái quát kém, tức quá khớp. "How well a model can make predictions on a wide variety of applications." nói về tính linh hoạt dùng cho nhiều bài toán khác nhau, giống học chuyển giao, chứ không phải khái quát trong cùng một bài toán. "on the same data it's trained on" chỉ là độ khớp trong mẫu (training accuracy), thứ có thể rất cao ngay cả khi mô hình khái quát tệ.
AUse past data to predict future
BUse past data to explain the response
CUse variables to explain the response
DUse past to explain the response
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "Use variables to explain the response". Hồi quy (regression) mô hình hoá biến phụ thuộc, còn gọi là biến phản hồi (response), như một hàm của các biến giải thích, ví dụ lợi suất cổ phiếu theo tăng trưởng lợi nhuận và lãi suất; trọng tâm là lượng hoá quan hệ giữa các biến. "Use past data to predict future" là định nghĩa của dự báo chuỗi thời gian, dựa vào giá trị quá khứ của chính chuỗi. "Use past data to explain the response" trộn hai khái niệm: hồi quy không nhất thiết dùng dữ liệu quá khứ của chuỗi mà dùng các biến khác. "Use past to explain the response" cũng nhấn vào quá khứ thay vì các biến giải thích, nên không đúng bản chất của hồi quy.
ALabeled data
BUnlabelled data
CNone
DBoth
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "None". Học tăng cường không dựa trên một tập dữ liệu chuẩn bị trước: tác nhân tự sinh dữ liệu bằng cách tương tác với môi trường, quan sát trạng thái, chọn hành động và nhận phần thưởng, rồi học từ chính chuỗi trải nghiệm đó. Cần nói thẳng rằng nhiều người coi học tăng cường gần với "Unlabelled data", vì phần thưởng không phải nhãn đúng sai cho từng mẫu; tuy vậy nói chính xác hơn là nó không dùng loại dữ liệu nào trong hai kiểu cho sẵn, nên đáp án đã nêu vẫn đứng vững. "Labeled data" thuộc học có giám sát, nơi mỗi mẫu đi kèm câu trả lời đúng; học tăng cường không có ai chỉ ra hành động đúng, chỉ có tín hiệu phần thưởng thường đến trễ. "Unlabelled data" là đầu vào của học không giám sát như phân cụm, nơi mô hình tìm cấu trúc trong một tập dữ liệu tĩnh. "Both" sai vì học tăng cường không dựa trên tập dữ liệu nào, có nhãn hay không có nhãn.
ALarge amounts of data
BAvailable computational resources
CAvailable infrastructure
DAdvanced mathematics
Lời giải
Mở trang câu hỏi này →Đáp án đúng gồm ba ý: "Large amounts of data", "Available computational resources" và "Available infrastructure". Mạng nơ-ron sâu có rất nhiều tham số nên chỉ phát huy khi được huấn luyện trên lượng dữ liệu lớn; với dữ liệu ít, các phương pháp đơn giản thường ngang hoặc tốt hơn. Huấn luyện mô hình lớn cần sức tính toán mạnh, và chính GPU, TPU cùng điện toán đám mây đã làm việc đó khả thi. Hạ tầng sẵn có như thư viện TensorFlow, PyTorch, nền tảng đám mây, kho lưu trữ và đường ống dữ liệu giúp xây, huấn luyện và triển khai mô hình nhanh, rẻ hơn hẳn trước kia. "Advanced mathematics" không phải lý do vì nền tảng toán của mạng nơ-ron, gồm đại số tuyến tính, giải tích và lan truyền ngược, đã có từ nhiều thập kỷ trước; thứ thay đổi gần đây là dữ liệu, sức tính và hạ tầng, chứ không phải một bước nhảy toán học khiến mạng nơ-ron vượt các phương pháp khác.
83In the context of quantitative trading, what is the significance of volatility modeling?4 lựa chọn
AIt helps in predicting long-term market trends.
BIt is used to create pricing models for options and derivatives.
CIt has no relevance in quantitative trading strategies.
DIt is only important for risk management purposes.
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "It is used to create pricing models for options and derivatives.". Độ biến động là đầu vào trung tâm của định giá quyền chọn và phái sinh: trong mô hình Black-Scholes, giá quyền chọn phụ thuộc vào độ biến động dự kiến của tài sản cơ sở, nên mô hình hoá độ biến động bằng GARCH, độ biến động ngẫu nhiên hay bề mặt biến động hàm ý giúp định giá và phòng hộ các sản phẩm này. "It helps in predicting long-term market trends." sai vì độ biến động đo độ lớn dao động chứ không cho biết hướng xu hướng dài hạn. "It has no relevance in quantitative trading strategies." sai vì độ biến động có mặt trong định cỡ vị thế, tính tỉ số Sharpe và cả các chiến lược giao dịch độ biến động. "It is only important for risk management purposes." đúng một phần vì độ biến động có dùng trong quản trị rủi ro như VaR, nhưng chữ only loại bỏ vai trò định giá, nên phát biểu sai.
84Datasets only can be created from one format.2 lựa chọn
AFalse
BTrue
Lời giải
Mở trang câu hỏi này →Đáp án đúng: "False". Tập dữ liệu (dataset) có thể được tạo từ nhiều định dạng khác nhau: trong TensorFlow, tf.data đọc được tệp CSV, tệp văn bản, TFRecord, mảng NumPy hay tensor trong bộ nhớ; trên Google Cloud, dataset cho AutoML hay Vertex AI nhận tệp CSV, JSON Lines, ảnh trong Cloud Storage hoặc bảng BigQuery. Vì vậy phát biểu rằng dataset chỉ tạo được từ một định dạng là sai. Chọn "True" sẽ trái với thực tế các API nhập dữ liệu vốn được thiết kế để hỗ trợ nhiều nguồn và nhiều định dạng.