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

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

Đáp án đúng: "All of the above". Lan truyền ngược (backpropagation) là thuật toán dùng quy tắc chuỗi để tính đạo hàm của hàm mất mát theo từng trọng số, đi lùi từ lớp đầu ra về lớp đầu vào; cả ba mô tả đều đúng cùng lúc nên phải chọn phương án gộp. "To calculate the gradients for updating the network's parameters" đúng vì sản phẩm của lan truyền ngược chính là gradient để bộ tối ưu như SGD hay Adam cập nhật tham số. "To propagate errors from the output layer to the input layer" đúng vì tín hiệu sai số ở đầu ra được truyền ngược qua từng lớp, mỗi lớp nhận phần sai số thuộc về các trọng số của mình. "To train a neural network" đúng vì lan truyền ngược kết hợp với giảm gradient là cơ chế huấn luyện chuẩn của mạng nơ-ron. Chọn riêng một ý thì bỏ sót hai mặt kia của cùng một quá trình, nên không ý đơn lẻ nào đủ bằng phương án gộp.

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.

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.

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.

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.

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.

Đáp án đúng: "True". Lớp Dataset của tf.data không chỉ để nạp (ingest) dữ liệu vào bộ nhớ; giá trị thật của nó là dựng cả đường ống biến đổi: map để tiền xử lý từng mẫu, có thể chạy song song, filter để lọc, shuffle để xáo trộn, batch để chia lô, window để tạo cửa sổ trượt cho chuỗi thời gian giá, cache để giữ dữ liệu đã xử lý và prefetch để chuẩn bị lô kế tiếp trong lúc mô hình đang huấn luyện. Các bước này nối chuỗi với nhau và đưa thẳng vào model.fit, giúp xử lý được cả dữ liệu lớn hơn bộ nhớ mà vẫn giữ GPU bận rộn. "False" không đúng vì nó coi Dataset chỉ là công cụ đọc dữ liệu, bỏ qua toàn bộ khả năng biến đổi, tối ưu hiệu năng và ghép đường ống vốn là lý do chính để dùng tf.data thay cho việc nạp mảng NumPy thủ công.

Đáp án đúng: "True". Lựa chọn đặc trưng (feature selection) là chọn những biến đầu vào thực sự mang thông tin cho mục tiêu dự báo và bỏ những biến nhiễu hay trùng lặp. Trong thực hành, nhất là với dữ liệu tài chính tín hiệu yếu, nhiễu cao, chất lượng đặc trưng quyết định phần lớn hiệu năng: đổi từ hồi quy logistic sang rừng ngẫu nhiên thường chỉ cải thiện chút ít, trong khi thêm một đặc trưng có thông tin thật hoặc bỏ đặc trưng gây rò rỉ dữ liệu có thể thay đổi kết quả hẳn. Đặc trưng tốt còn giảm quá khớp và giúp mô hình đơn giản, dễ giải thích. Nguyên tắc dữ liệu vào kém thì kết quả ra kém cũng nói lên điều này. "False" sai vì dù không có quy luật tuyệt đối cho mọi bài toán, kinh nghiệm chung của học máy ứng dụng là đặc trưng quan trọng hơn mô hình.

Đáp án đúng: "Technical analysts". Quy tắc giao dịch nội sinh (endogenous) được suy ra từ chính dữ liệu của thị trường đang giao dịch, chủ yếu là giá và khối lượng, ví dụ đường trung bình động cắt nhau, RSI hay mức hỗ trợ kháng cự, và đó đúng là công cụ đặc trưng của nhà phân tích kỹ thuật; ngược lại, quy tắc ngoại sinh dựa vào dữ liệu bên ngoài như cơ bản doanh nghiệp hay vĩ mô. "Quantitative trading groups" là lựa chọn dễ gây tranh cãi vì nhóm định lượng cũng xây quy tắc từ giá, nhưng họ dùng cả quy tắc nội sinh lẫn ngoại sinh nên không phải nguồn đặc trưng của riêng quy tắc nội sinh. "Statistical arbitrage traders" tập trung vào quan hệ thống kê giữa nhiều tài sản và thường kết hợp cả dữ liệu ngoài, không gắn riêng với quy tắc nội sinh. "Strategists" là chiến lược gia thường dựa trên phân tích vĩ mô và cơ bản, tức thông tin ngoại sinh.

Đáp án đúng: "Execution strategies". Bên bán (sell-side) như ngân hàng đầu tư và công ty môi giới phục vụ khách hàng bằng cách khớp lệnh cho họ, nên chiến lược chủ đạo là chiến lược thực thi (execution strategies) như VWAP, TWAP hay giảm tác động thị trường khi chia nhỏ lệnh lớn. "Statistical arbitrage" là chiến lược tìm lợi nhuận từ sai lệch giá tạm thời, đặc trưng của bên mua (buy-side) như quỹ phòng hộ. "Machine learning models" là công cụ mà cả hai bên đều dùng, không phải một chiến lược riêng của bên bán. "Long-term asset holding" là cách đầu tư của quỹ hưu trí, quỹ tương hỗ thuộc bên mua.