Câu hỏi: AIE301m Ứng dụng trí tuệ nhân tạo cho giao dịch – Bộ ôn tập cuối kỳ số 2

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.

Đáp án đúng: "abcefd". Phương thức replace của chuỗi Python thay mọi lần xuất hiện của chuỗi con 'cd' bằng '12'; lần theo chuỗi 'abcefd', các ký tự là a, b, c, e, f, d, sau c là e chứ không phải d, nên chuỗi con 'cd' không xuất hiện lần nào, replace trả về nguyên chuỗi ban đầu và print in ra abcefd. "ab12ef" là kết quả nếu chuỗi gốc là 'abcdef', tức nhầm thứ tự ký tự. "ab1ef2" giả định c và d được thay riêng lẻ ở hai vị trí khác nhau, trong khi replace chỉ khớp nguyên cụm liền nhau. "abf12" vừa làm mất ký tự e vừa đặt '12' ở cuối, không ứng với cách replace hoạt động.

Đáp án đúng: "To model and forecast future market behavior based on historical patterns". Phân tích chuỗi thời gian (time-series analysis) khai thác thứ tự thời gian của dữ liệu giá, lợi suất, khối lượng để nhận diện xu hướng, mùa vụ, tự tương quan, rồi dựng mô hình như ARIMA hay LSTM dự báo giá trị tương lai; dự báo đó là nền cho tín hiệu giao dịch. "To compress historical price datasets" sai vì nén dữ liệu là bài toán lưu trữ, không phải mục đích của phân tích chuỗi thời gian. "To generate synthetic trading portfolios" sai vì việc lập danh mục thuộc bài toán tối ưu danh mục; mô phỏng dữ liệu tổng hợp có thể dùng chuỗi thời gian nhưng không phải mục đích chính. "To visualize financial correlations" chỉ là một bước hỗ trợ: vẽ biểu đồ hay ma trận tương quan giúp khám phá dữ liệu, nhưng giá trị cốt lõi của phân tích chuỗi thời gian là mô hình hoá và dự báo.

Đáp án đúng: "10%". Lợi suất động lượng (momentum return) trong một giai đoạn nhìn lại (lookback period) là phần trăm thay đổi giá từ đầu đến cuối giai đoạn, tính bằng giá cuối trừ giá đầu rồi chia cho giá đầu. Ở đây là 110 trừ 100 bằng 10, chia 100 được 0,10, tức 10%; chiến lược động lượng dùng con số này để xếp hạng tài sản, mua mã tăng mạnh và tránh hoặc bán mã giảm mạnh. "8%" sai vì không khớp với phép tính nào từ dữ kiện, thấp hơn mức tăng thật. "9%" sai vì gần với lợi suất logarit ln(1,1) khoảng 9,5%, nhưng câu hỏi dùng lợi suất đơn theo giá. "12%" sai vì cao hơn mức tăng thực tế; muốn đạt 12% thì giá cuối phải là 112.

Đáp án đúng: "$127.2". Giá dự đoán bằng giá hiện tại nhân với một cộng tỉ lệ tăng: mức tăng là 120 × 6% = 120 × 0,06 = 7,2 USD, nên giá mới là 120 + 7,2 = 127,2 USD, cũng chính là 120 × 1,06. "$124" ứng với mức tăng 4 USD, tức chỉ khoảng 3,33%, có lẽ do cộng nhầm một con số tròn thay vì tính phần trăm. "$125" ứng với mức tăng 5 USD, khoảng 4,17%, không khớp với 6%. "$130" ứng với mức tăng 10 USD, khoảng 8,33%, vượt xa 6% đã cho. Câu này nhắc lại cách đổi lợi suất dự báo của mô hình thành mức giá mục tiêu: giá mục tiêu bằng giá hiện tại nhân (1 + lợi suất dự báo), một bước thường dùng khi đặt mức chốt lời từ dự báo.

Đáp án đúng: "$192". Giảm 4% trên giá 200 đô la tức mất 200 × 0,04 = 8 đô la, nên giá dự đoán là 200 − 8 = 192 đô la, hay tính gọn 200 × 0,96 = 192. "$190" ứng với mức giảm 5%, lớn hơn dự báo. "$194" ứng với mức giảm 3%. "$196" ứng với mức giảm 2%, hoặc là kết quả khi nhầm lấy 4 đô la thay vì 4% của 200. Chỉ có phép nhân với 0,96 cho đúng giá trị mô hình TensorFlow dự đoán. Trong thực tế mô hình thường xuất ra lợi suất dự báo, ở đây là −4%, và hệ thống giao dịch phải đổi lợi suất đó thành mức giá bằng cách nhân giá hiện tại với một cộng lợi suất.

Đáp án đúng gồm ba ý: "Historical price data to compute asset returns", "Ranking assets based on past performance" và "Portfolio construction based on momentum scores". Chiến lược theo đà (momentum) dựa trên giả định tài sản tăng mạnh gần đây sẽ tiếp tục tăng, nên cần đủ ba khâu: dữ liệu giá lịch sử để tính lợi suất trong cửa sổ quá khứ như 3 hoặc 12 tháng; xếp hạng tài sản theo hiệu suất đó thành điểm đà; rồi lập danh mục mua nhóm đứng đầu, có thể bán nhóm đứng cuối, và tái cân bằng định kỳ. "Automatic stock exchange regulation enforcement" sai vì thực thi quy định của sàn là việc của sàn và cơ quan quản lý, không phải thành phần mà nhà giao dịch xây trong hệ thống của mình. "Brokerage tax reporting automation" sai vì báo cáo thuế là nghiệp vụ hành chính sau giao dịch, không ảnh hưởng tới việc tạo tín hiệu hay lập danh mục theo đà.

Đáp án đúng: "Scalable data processing and model training". Điện toán đám mây cho phép thuê tài nguyên tính toán và lưu trữ theo nhu cầu, tăng thêm máy, GPU hay TPU khi cần xử lý lượng lớn dữ liệu thị trường hoặc huấn luyện mô hình lớn, rồi thu nhỏ khi không dùng; các dịch vụ như BigQuery hay Vertex AI giúp xử lý dữ liệu và huấn luyện mô hình ở quy mô lớn mà không phải tự dựng hạ tầng. "Eliminating financial risks" sai vì hạ tầng tính toán không loại bỏ được rủi ro thị trường hay rủi ro mô hình. "Removing need for datasets" sai vì mô hình học máy vẫn cần dữ liệu để huấn luyện; đám mây chỉ giúp lưu và xử lý dữ liệu dễ hơn. "Guaranteeing profits" sai vì không công nghệ nào bảo đảm lợi nhuận, kết quả vẫn phụ thuộc chất lượng chiến lược và diễn biến thị trường.

Đáp án đúng: "All of the above". AutoML, học máy tự động, là cách tự động hoá các bước vốn làm tay khi xây mô hình như tiền xử lý, chọn đặc trưng, chọn thuật toán, tinh chỉnh siêu tham số và đánh giá, ví dụ Vertex AI AutoML hay các thư viện như AutoKeras. "A process that automates the process of building machine learning models" đúng vì đó là định nghĩa cốt lõi. "applying machine learning models to real-world problems using automation" cũng đúng vì AutoML hướng tới đưa học máy vào bài toán thực tế từ đầu đến cuối bằng tự động hoá. "A method to make machine learning available for non-machine learning experts" đúng vì một mục tiêu lớn của AutoML là để người không chuyên vẫn tạo được mô hình tốt. Ba ý mô tả cùng một khái niệm từ ba góc là quy trình, ứng dụng và đối tượng người dùng, nên chọn riêng một ý là chưa đầy đủ, phương án tổng hợp mới đúng.

Đáp án đúng gồm bốn ý: "Data pipeline", "Predictive model", "Execution strategy" và "Portfolio management". Một hệ thống giao dịch dựa trên học máy đi theo chuỗi: đường ống dữ liệu (data pipeline) thu thập, làm sạch và tạo đặc trưng từ giá, khối lượng; mô hình dự đoán (predictive model) sinh tín hiệu; quản lý danh mục (portfolio management) quyết định phân bổ vốn và kiểm soát rủi ro từ các tín hiệu đó; chiến lược thực thi (execution strategy) đặt lệnh lên sàn sao cho chi phí và trượt giá thấp nhất. "Processing pipeline" không phải một thành phần riêng: việc xử lý, biến đổi dữ liệu đã nằm trong đường ống dữ liệu, nên tách nó ra chỉ là gọi lại cùng một khâu bằng tên khác.