Câu hỏi: AIE301m Ứng dụng trí tuệ nhân tạo cho giao dịch – Bộ ôn tập cuối kỳ số 1

Đáp án đúng: "True". AutoML (học máy tự động) tự động hoá các khâu tốn công như chọn thuật toán, tạo đặc trưng, tìm kiến trúc và tinh chỉnh siêu tham số, nên người không chuyên vẫn huấn luyện được mô hình qua giao diện hoặc vài dòng cấu hình; nhờ thử hàng loạt cấu hình một cách có hệ thống trên hạ tầng đám mây như Vertex AI, nó thường cho ra mô hình nhanh hơn và nhiều khi chính xác hơn mô hình viết tay chưa được tinh chỉnh kỹ. Chữ "often" trong phát biểu quan trọng: AutoML không phải lúc nào cũng thắng chuyên gia, nhưng thường đạt kết quả tốt với ít công sức hơn, nên phát biểu được xem là đúng. "False" không đúng vì nó phủ nhận cả tính dễ dùng lẫn lợi thế về tốc độ, trong khi đây chính là lý do AutoML được đưa vào quy trình xây dựng mô hình dự báo tài chính.

Đáp án đúng: "A state is a situation returned by the environment after an agent takes an action.". Trong học tăng cường (reinforcement learning), tác tử (agent) quan sát trạng thái, chọn hành động, rồi môi trường trả về phần thưởng cùng trạng thái mới; trạng thái (state) vì vậy là mô tả tình huống hiện tại do môi trường cung cấp sau mỗi hành động, ví dụ trong bài toán giao dịch là giá, vị thế đang giữ và số dư tài khoản. "State is a situation in which an agent is present." nắm đúng trực giác rằng trạng thái là một tình huống, nhưng bỏ mất vòng tương tác cốt lõi: trạng thái do môi trường trả về sau hành động của tác tử, nên đây là định nghĩa kém đầy đủ. "A state is the simple value of reinforcement learning." sai vì giá trị (value) là khái niệm khác: hàm giá trị ước lượng tổng phần thưởng chiết khấu kỳ vọng khi xuất phát từ một trạng thái, chứ bản thân trạng thái không phải là một giá trị.

Đáp án đúng: "To handle sequential data". Mạng nơ-ron hồi quy (recurrent neural network, RNN) có trạng thái ẩn được truyền từ bước thời gian này sang bước kế tiếp, nên đầu ra tại mỗi bước phụ thuộc cả đầu vào hiện tại lẫn những gì mạng đã thấy trước đó; cơ chế này hợp với dữ liệu có thứ tự như chuỗi giá, văn bản hay âm thanh, và các biến thể LSTM, GRU được dùng nhiều để dự báo chuỗi thời gian tài chính. "To classify images" là thế mạnh của mạng tích chập CNN vốn khai thác cấu trúc không gian của điểm ảnh. "To perform dimensionality reduction" là việc của PCA hay autoencoder, không phải mục đích thiết kế của RNN. "To generate synthetic data" là việc của mô hình sinh như GAN hay VAE; RNN có thể sinh chuỗi nhưng đó là ứng dụng phụ, không phải mục đích cốt lõi.

Đáp án đúng: "Use past data to predict future". Dự báo chuỗi thời gian (time series forecast) dựa trên giả định rằng các mẫu hình trong quá khứ của chính chuỗi, như xu hướng, mùa vụ và tự tương quan, sẽ còn tiếp diễn, nên dùng giá trị quá khứ để ước lượng giá trị tương lai. "Use past data to explain the response" lẫn mục đích: dự báo hướng tới giá trị chưa xảy ra chứ không nhằm giải thích một biến phản hồi. "Use variables to explain the response" là mô tả của hồi quy, nơi các biến giải thích được dùng để lý giải biến phụ thuộc. "Use past to explain the response" cũng đặt trọng tâm vào việc giải thích thay vì dự đoán tương lai, nên không khớp với định nghĩa dự báo chuỗi thời gian.

Đáp án đúng: "All of the above". Mục đích cốt lõi của hàm kích hoạt là "It introduces non-linearity to the network": nếu không có nó, xếp chồng bao nhiêu tầng tuyến tính cũng chỉ tương đương một phép biến đổi tuyến tính, mạng không học được quan hệ phức tạp. Nhưng hai ý kia cũng đúng nên tổng hợp là lựa chọn đầy đủ nhất. "It determines the output of a neuron" đúng vì nơ-ron tính tổng có trọng số cộng bias rồi đưa qua hàm kích hoạt, kết quả chính là đầu ra của nơ-ron truyền sang tầng sau. "It helps in backpropagation" đúng vì khi lan truyền ngược, quy tắc dây chuyền nhân gradient với đạo hàm của hàm kích hoạt ở từng tầng; chọn hàm có đạo hàm thuận lợi như ReLU giúp giảm hiện tượng gradient biến mất so với sigmoid. Vì vậy chọn riêng một ý là chưa đủ, dù ý về tính phi tuyến là quan trọng nhất.

Đáp án đúng: "True". TensorFlow có nhánh TensorFlow Lite chuyên chạy suy luận (inference, tức dùng mô hình đã huấn luyện để dự đoán) ngay trên thiết bị như điện thoại Android, iOS, máy tính nhúng và cả vi điều khiển. Mô hình được chuyển sang định dạng gọn hơn, có thể lượng tử hoá để nhẹ và nhanh, rồi chạy cục bộ nên độ trễ thấp, không cần mạng và dữ liệu không phải gửi về máy chủ. Nhờ cơ chế delegate, cùng một mô hình có thể tận dụng nhiều loại phần cứng tăng tốc như CPU, GPU, bộ xử lý tín hiệu số hay Edge TPU, đúng với ý "available for a variety of hardware" trong phát biểu. "False" sai vì suy luận trên thiết bị di động và hỗ trợ đa phần cứng là tính năng chính thức của hệ sinh thái TensorFlow, không phải điều nó thiếu.

Đáp án đúng: "Classification using Logistic Regression". Việc người dùng có nhấp vào quảng cáo hay không là biến đích nhị phân (có hoặc không), tức bài toán phân loại; hồi quy logistic đưa tổ hợp tuyến tính của các đặc trưng qua hàm sigmoid để ra xác suất nhấp nằm trong khoảng 0 đến 1, rồi so với ngưỡng để quyết định, và đây là mô hình kinh điển cho dự đoán tỉ lệ nhấp (click-through rate). "Time Series Analysis" dùng để mô hình hoá và dự báo một đại lượng theo thời gian, không phải gán nhãn có hay không cho từng người dùng. "Linear Regression" dự đoán giá trị liên tục và có thể cho kết quả âm hay lớn hơn 1, không diễn giải được thành xác suất. "K-Means Clustering" là học không giám sát, chỉ gom nhóm người dùng giống nhau chứ không dùng nhãn nhấp để dự đoán.

Đáp án đúng: "True". Phân rã chuỗi thời gian (time series decomposition) coi một chuỗi là tổ hợp cộng hoặc nhân của các thành phần: xu hướng (trend) là hướng đi dài hạn, mùa vụ (seasonal) là dao động lặp theo chu kỳ cố định như theo tháng hay quý, chu kỳ (cyclical) là dao động dài và không cố định như chu kỳ kinh tế, và phần dư (residual) là nhiễu ngẫu nhiên còn lại. Hầu hết chuỗi thực tế, như giá cổ phiếu hay doanh số, chứa ít nhất một vài thành phần này, nên phát biểu là đúng. Chọn "False" sẽ phủ nhận cách tiếp cận phân rã vốn là nền tảng của các mô hình dự báo như ARIMA có mùa vụ hay làm trơn hàm mũ.

Đáp án đúng: "All of the above". Policy gradient là họ thuật toán học tăng cường tối ưu trực tiếp chính sách bằng gradient của phần thưởng kỳ vọng, và một hệ policy gradient hoàn chỉnh gồm đủ các thành phần được nêu. "Policy gradients - Network" là mạng chính sách nhận trạng thái và trả về xác suất của từng hành động. "Policy gradients - Loss" là hàm mất mát, thường là âm của log xác suất hành động đã chọn nhân với lợi tức (return) chiết khấu, để giảm mất mát tương đương tăng xác suất hành động mang lại phần thưởng cao. "Policy gradients - Memory" là bộ nhớ lưu trạng thái, hành động và phần thưởng của cả một tập (episode) để tính lợi tức sau khi tập kết thúc. "Policy gradients - Training" là vòng huấn luyện: chạy tập, tính lợi tức chiết khấu, tính mất mát rồi cập nhật trọng số mạng. Thiếu bất kỳ thành phần nào hệ cũng không vận hành, nên chọn riêng một thành phần là không đầy đủ.

Đáp án đúng: "False". AutoML (học máy tự động) là cách tự động hoá các khâu xây mô hình: chọn mô hình, tìm kiến trúc, tinh chỉnh siêu tham số và đánh giá, để người không chuyên vẫn có mô hình tốt. Với dữ liệu ảnh, văn bản, AutoML của Google dựa vào tìm kiếm kiến trúc mạng nơ-ron (neural architecture search) và học chuyển giao (transfer learning) để tìm kiến trúc mạng phù hợp với dữ liệu của người dùng, chứ không cố định vào kiến trúc dạng cây cho từng bài toán. Cây quyết định hay gradient boosting chỉ là một họ mô hình mà AutoML có thể thử với dữ liệu bảng, không phải cơ chế cốt lõi của nó. "True" sai vì phát biểu thu hẹp AutoML vào kiến trúc cây, trong khi bản chất của nó là tự động tìm kiến trúc và mô hình tốt nhất trong một không gian rộng hơn nhiều.

Đáp án đúng: "All of the above". Một mô hình giao dịch cơ bản phải quy định đủ vòng đời của lệnh: "Parameters" là các tham số như chu kỳ chỉ báo, ngưỡng, khối lượng mà ta tinh chỉnh khi backtest; "Entry signal" là tín hiệu vào lệnh, điều kiện để mở vị thế; "Profit exit" là mức chốt lời; "Stop-loss" là mức cắt lỗ giới hạn thua lỗ của mỗi lệnh; "Time-out" là thời hạn tối đa giữ lệnh, hết hạn thì đóng vị thế dù chưa chạm mức chốt lời hay cắt lỗ. Mỗi thành phần đều đúng nhưng chỉ là một mảnh, thiếu bất kỳ cái nào thì chiến lược không xác định được khi nào vào, khi nào ra hay ra theo điều kiện nào, nên chọn riêng lẻ một thành phần là chưa đầy đủ; phương án tổng hợp mới mô tả trọn mô hình.

Đáp án đúng: "It indicates which variable is dependent". Trong hồi quy, hướng (direction) của quan hệ cho biết biến nào là biến phụ thuộc được giải thích và biến nào là biến độc lập dùng để giải thích; hồi quy Y theo X cho đường khác hẳn hồi quy X theo Y, khác với tương quan vốn đối xứng. "It determines the strength of the correlation" sai vì độ mạnh của tương quan đo bằng hệ số tương quan, không đổi khi đảo vai hai biến. "It affects the number of data points used" sai vì số quan sát do dữ liệu quyết định, không phụ thuộc chiều hồi quy. "It has no significance" sai vì chọn sai chiều làm sai cách diễn giải hệ số và dự đoán.

Đáp án đúng: "All is correct". tf.data.Dataset là API của TensorFlow để dựng đường ống dữ liệu đầu vào, và cả ba khả năng nêu ra đều đúng. "Configure the way the data is fed into a model with a number of chaining methods" đúng vì Dataset cho nối chuỗi các phương thức như shuffle, batch, repeat, prefetch để quyết định dữ liệu được xáo, chia lô và đưa vào model.fit ra sao. "Preprocess data in parallel" đúng vì phương thức map nhận tham số num_parallel_calls (có thể đặt tf.data.AUTOTUNE) để chạy hàm tiền xử lý song song trên nhiều luồng, còn prefetch cho chuẩn bị lô kế tiếp trong lúc mô hình đang huấn luyện lô hiện tại. "Create data pipelines" đúng vì đó chính là mục đích của API: tạo nguồn từ tensor, tệp CSV hay TFRecord rồi ghép các bước biến đổi thành một đường ống hoàn chỉnh, đọc được cả dữ liệu lớn hơn bộ nhớ. Vì ba ý đều đúng, chọn riêng một ý là thiếu, nên đáp án tổng hợp là đầy đủ nhất.

Đáp án đúng gồm hai ý: "To scale the input data to a fixed range" và "To improve the convergence of the optimization algorithm". Chuẩn hoá dữ liệu (data normalization) đưa các đặc trưng về cùng thang đo, ví dụ min-max về khoảng 0 đến 1 hoặc chuẩn hoá z-score về trung bình 0, độ lệch chuẩn 1. Khi một đặc trưng là giá cổ phiếu hàng trăm đô la còn đặc trưng khác là lợi suất cỡ phần trăm, mặt hàm mất mát bị kéo dài lệch, gradient theo các hướng chênh nhau rất nhiều nên giảm gradient dao động và hội tụ chậm; đưa về cùng thang đo làm bước cập nhật cân đối và hội tụ nhanh, ổn định hơn. "To make the input data more interpretable" không đúng vì sau chuẩn hoá dữ liệu mất đơn vị gốc, con số 0,37 khó đọc hơn giá thật, nên diễn giải không phải mục đích. "To preprocess the data for visualization" không đúng vì vẽ biểu đồ đôi khi dùng thang chuẩn hoá nhưng đó là việc mô tả dữ liệu, không phải lý do chuẩn hoá trong huấn luyện học sâu.

Đáp án đúng: "True". Đồ thị tính toán (computation graph) của TensorFlow mô tả phép tính dưới dạng các nút toán tử và cạnh tensor, độc lập với ngôn ngữ và phần cứng, nên có thể lưu lại (ví dụ dạng SavedModel) rồi chạy trên CPU, GPU, TPU, máy chủ khác hay chuyển sang thiết bị di động qua TensorFlow Lite, trình duyệt qua TensorFlow.js mà không cần mã Python gốc; runtime sẽ đặt từng phép tính lên thiết bị phù hợp. Tính khả chuyển này là một trong những lý do chính để TensorFlow dùng đồ thị, bên cạnh khả năng tối ưu và song song hoá. "False" sai vì nó phủ nhận chính ưu điểm thiết kế đó: đồ thị không gắn cứng với thiết bị nơi nó được tạo ra.

Đáp án đúng: "True". Khi dữ liệu ít, tách riêng một tập kiểm tra (hold-out) sẽ làm tập huấn luyện càng nhỏ và kết quả đánh giá phụ thuộc mạnh vào cách chia ngẫu nhiên. Kiểm định chéo (cross-validation), ví dụ k-fold, chia dữ liệu thành k phần, lần lượt dùng mỗi phần làm tập kiểm tra và k − 1 phần còn lại để huấn luyện, rồi lấy trung bình điểm số; mọi điểm dữ liệu đều được dùng cho cả huấn luyện lẫn đánh giá, nên ước lượng hiệu năng ổn định hơn. Chọn "False" bỏ qua đúng lợi thế này; với dữ liệu lớn thì một tập kiểm tra cố định đã đủ, nhưng phát biểu nói về trường hợp ít dữ liệu.

Đáp án đúng: "Correlation between a variable and its lagged values". Tự tương quan (autocorrelation) đo mức tương quan của một chuỗi thời gian với chính nó ở các độ trễ (lag) khác nhau, ví dụ lợi suất hôm nay với lợi suất hôm qua là độ trễ 1; hàm ACF vẽ hệ số này theo từng độ trễ và là công cụ để nhận diện bậc của mô hình AR, MA trong ARIMA. "Correlation between two variables" là tương quan thông thường giữa hai biến khác nhau như giá dầu và giá cổ phiếu năng lượng, không có yếu tố chính chuỗi đó ở thời điểm trước. "Correlation between two different time series" là tương quan chéo (cross-correlation), dùng khi xét hai cổ phiếu trong một cặp giao dịch chẳng hạn, chứ không phải tự tương quan. "Correlation between two different populations" là so sánh giữa hai tổng thể, thuộc thống kê mô tả hoặc kiểm định, không liên quan tới cấu trúc theo thời gian của một chuỗi.

Đáp án đúng gồm năm ý: "The Google Cloud console", "The bq command-line tool", "The BigQuery REST API", "Integrated Colab Enterprise notebooks in BigQuery" và "External tools such as a Jupyter notebook or business intelligence platform". BigQuery ML cho phép tạo và dùng mô hình học máy bằng câu lệnh SQL như CREATE MODEL hay ML.PREDICT, nên bất kỳ kênh nào gửi được truy vấn tới BigQuery đều dùng được nó. Google Cloud console có trình soạn truy vấn để chạy câu lệnh ML ngay trên trình duyệt. Công cụ dòng lệnh bq chạy cùng câu lệnh đó từ terminal hay script. BigQuery REST API cho phép ứng dụng gửi truy vấn tạo và gọi mô hình bằng lập trình, các thư viện client đều đi qua lớp này. Colab Enterprise được tích hợp trong giao diện BigQuery để viết notebook Python và SQL ngay cạnh dữ liệu. Công cụ ngoài như Jupyter notebook hay nền tảng phân tích kinh doanh (business intelligence) kết nối qua thư viện client hoặc trình kết nối và cũng gửi được truy vấn ML. Vì cả năm kênh đều hợp lệ nên phải chọn đủ năm.

Đáp án đúng: "All of the above". Quy tắc giao dịch ngoại sinh (exogenous) dựa trên thông tin nằm ngoài chuỗi giá và khối lượng của chính tài sản đang giao dịch. "Monetary policy" thuộc nhóm này vì quyết định lãi suất, nới lỏng hay thắt chặt của ngân hàng trung ương là thông tin vĩ mô bên ngoài tác động lên giá. "Geopolitical factors" như xung đột, bầu cử, lệnh trừng phạt cũng là sự kiện bên ngoài thị trường của tài sản. "Derivatives markets" là nguồn ngoại sinh khi ta dùng dữ liệu quyền chọn, hợp đồng tương lai như biến động hàm ý hay cấu trúc kỳ hạn để ra quyết định trên thị trường cơ sở. Cả ba đều đúng nhưng mỗi cái chỉ là một ví dụ, nên phương án tổng hợp mới đầy đủ; ngược lại, quy tắc nội sinh chỉ dùng giá và khối lượng của chính tài sản.

Đáp án đúng gồm hai ý: "Asset and market prices tend to have momentum so that stocks whose prices are in an up trends tend to increase in value and those in a downtrend tend to decrease in value." và "Fundamental data such as historic earning and sales growth are already fully reflected in the current market price and so have no predictive power.". Quy tắc nội sinh (endogenous trading rule) chỉ dùng lịch sử giá và khối lượng, nên cần hai lý lẽ: giá có quán tính (momentum) nên xu hướng quá khứ có sức dự báo, và dữ liệu cơ bản đã nằm sẵn trong giá nên thêm nó vào cũng không có lợi. "Asset prices follow a random walk with equal probabilities of increasing and decreasing" sai vì nếu giá là bước ngẫu nhiên thì lịch sử giá không dự báo được gì, phủ nhận chính quy tắc nội sinh. "Markets are efficient and fully incorporate all available information (both public and private)." là dạng hiệu quả mạnh, khi đó mọi chiến lược, kể cả dựa trên giá quá khứ, đều không tạo được lợi nhuận vượt trội.