Ứng dụng Toán – Biết rồi còn nói mãi!!!

Ứng dụng Toán – Biết rồi còn nói mãi!!!

(Nguồn: http://www.vietsam.org.vn)

1. Toán thật lãng phí?

Lâu nay không ít người cảm thấy thất vọng vì đã  “uổng công” học Toán. Nghe người ta nói thì  Toán học là “chìa khóa” cho mọi vấn đề, nhưng trên thực tế thì học sinh sau khi tốt nghiệp lại chẳng biết dùng kiến thức Toán đã học được trong nhà trường vào việc gì trong cuộc sống. Toán học đã bị biến thành một “công cụ đánh đố”, thay vì một bộ môn khoa học mang đầy chất thực tiễn. Đã có những ý kiến nói về sự lãng phí của nguồn nhân lực đang làm Toán hiện nay và không ít người cũng đã tưởng là thật…

Thực ra Toán học đứng ở ngay đằng sau những gì  đang diễn ra hàng ngày, ở chính những nơi được xem là “điểm chốt” của cuộc cách mạng công nghệ hiện nay. Sở dĩ ở nước ta mọi người không nhìn thấy là vì chúng ta chưa “vào cuộc”.

2. Ứng dụng toán là dễ hay khó?

Có một thời người ta tưởng rằng làm Toán ứng dụng dễ hơn làm Toán lý thuyết, vì làm lý  thuyết phải nghĩ ra cái mới còn làm ứng dụng chỉ cần biết “tiêu hóa” những điều  đã biết. Trên thực tế, những người đã có ít nhiều kinh nghiệm đều biết rằng đây là lĩnh vực “nói thì dễ mà làm thì khó”. Ở nước ta thì phần “nói” thì đã được triển khai từ lâu rồi, còn phần “làm” thì hầu như “còn nguyên”! Vì sao?

Toán ngày nay không “đi trực tiếp”  được vào thực tiễn

Đã qua rồi thời kỳ của những ứng dụng toán học tuần túy, theo kiểu chỉ cần biết đến toán là xong… Toán học ngày nay không mấy khi “đi thẳng” được vào thực tiễn, mà thường phải “ăn theo” một số công nghệ khác, cho nên người làm ứng dụng toán phải có khả năng tiếp cận các công nghệ mới (công nghệ phần mềm, công nghệ tính toán hiệu năng cao, điện tử, tự động hóa, số hóa,…). Thêm nữa, muốn ứng dụng toán học vào lĩnh vực nào thì phải có hiểu biết đủ tốt về lĩnh vực đó (xử lý hình ảnh, âm thanh, môi trường, sinh thái…) và cũng có nghĩa là phải học thêm một ngành mới ngoài toán. Đây chính là những điều mà phần lớn những người làm toán ngại nhất.

Từ  “Toán lý thuyết” đến “Toán ứng dụng được” là một quãng đường dài

Phần lớn những người làm toán lý thuyết chưa nhìn thấy những khó khăn đặc thù của công tác ứng dụng. Ví dụ, không ít người tưởng rằng đó chỉ đơn thuần là việc áp dụng những kết quả có sẵn trong lý thuyết vào việc giải quyết một vấn đề gì đó đặt ra trong thực tiễn, mà không biết rằng cái kết quả lý thuyết ấy chỉ là cái “phần nổi của tảng băng chìm”. Hãy lấy hệ mật mã RSA làm ví dụ. Không ít người cho rằng chỉ cần biết về tính “bất khả ngược” của phép nhân hai số nguyên tố lớn là đủ để thiết lập được hệ mã RSA. Tuy nhiên, nếu là người “trong nghề” làm mật mã thì biết rằng có bao nhiêu cạm bẫy giăng ra xung quanh hệ mã đó và chỉ cần một chút sơ suất nhỏ là đủ dẫn đến thiệt hại vô cùng lớn (Điều này đã được nhiều nhà mật mã trên thế giới nói đến). Đây là nguyên nhân khiến cho việc mã hóa theo sơ đồ lý thuyết chỉ mang tính hình thức, còn để triển khai vào thực tiễn người ta phải dày công nghiên cứu ra những lược đồ khác hẳn. Ta hiểu vì sao chính những nhà toán học được xem là “chuyên gia lão luyện” về Toán trong mật mã (như Koblitz, Menezes…) đã dùng thuật ngữ “lược đồ sách vở” (text book scheme) để chỉ những lược đồ mã hóa trong sách giáo khoa. Như vậy, ở đây ta cũng gặp tình huống giống như trong nhiều lĩnh vực khác, như Giải tích Fourier hay Đại số tuyến tính: Cơ sở lý thuyết của Giải tích Fourier có thể được trình bày trong khuôn khổ một chương của giáo trình Giải tích Toán học, nhưng để ứng dụng được thì người ta cần tới phép Biến đổi Fourier nhanh mà việc trình bày có thể cần cả một cuốn sách dày hơn cả giáo trình Giải tích Toán học. Tương tự như vậy, giáo trình Đại số tuyến tính (bậc đại học) có thể dễ dàng “nuốt trôi” trong một học kỳ, nhưng khi vào thực tế thì sẽ thấy rằng chỉ riêng một góc “phương trình tuyến tính cỡ lớn” cũng đủ để mà “vật lộn” cả năm trời không hết. Tóm lại, từ cái Toán “lý thuyết” trong sách giáo khoa đến cái Toán “dùng được” trong thực tiễn là còn cả một con đường dài.

Toán  ứng dụng mang tính “liên ngành”

Để làm lý thuyết, thông thường người ta chỉ cần biết về chuyên ngành hẹp mà mình nghiên cứu, còn để làm ứng dụng thì phải có tầm hiểu biết đủ sâu về chuyên ngành rộng. Điều này cũng được thể hiện rất rõ trong lĩnh vực mật mã. Ít khi người làm về lý thuyết số và hình học đại số  phải đọc để biết về hàm Bull, về xác suất thống kê… Nhưng muốn ứng dụng được các thành tựu của lý thuyết số và hình học đại số vào lý thuyết mật mã phi đối xứng thì không thể không biết các lĩnh vực này. Có thể nói rằng, cái khó trong việc nắm bắt cho đủ kiến thực để làm ứng dụng không hề thua kém cái khó trong việc tìm ra cái mới (có ý nghĩa thực sự) đối với người làm lý thuyết.

Làm ứng dụng toán cần có “vốn thực tiễn”

Muốn  ứng dụng Toán vào lĩnh vực nào thì phải có “vốn sống” về lĩnh vực đó (Tốn công vô kể!). Ví dụ:

Để làm các ứng dụng về Máy chấm thi trắc nghiệm phải “nghiền” cho hết các quy định của Bộ GD-DDT về công tác khảo thí và kiểm định chất lượng, không thua kém các chuyên viên về “khảo thí” của Bộ;

Để làm ra các sản phẩm về an toàn thông tin phải đọc hàng ngàn trang về các loại Tiêu chuẩn về mã hóa thông tin (CA, Tem thời gian, các giao thức mật mã, các kỹ thuật thám mã…) của cả ta lẫn Tây;

Để tiếp cận với các giải pháp bảo mật thông tin trong hệ thống Thu phí điện tử thì phải bỏ ra nhiều tháng trời để mà “đánh vật” với hàng ngàn trang tài liệu về các loại “chuẩn mực” trong hệ thống Giao thông thông minh (ITS).

3. Những quan niệm còn “vênh” thực tế

Triển khai ứng dụng có gì  là “mới”?

Trong mấy năm gần đây người ta mắc bệnh hô hào đi tìm “cái mới” (bằng mọi giá!), khiến cho “lực lượng chủ lực” của ta không quan tâm đúng mức đến vấn đề nghiên cứu triển khai (vì còn phải lo sao tìm cho ra “cái mới”, cho dù chả mấy khi biết dùng để làm gì). Điều này lý giải vì sao lực lượng của ta thì “ngày càng mạnh”, mà khả năng đóng góp cho cho cuộc sống hiện tại của đất nước vẫn cứ “ngày ngày khiêm tốn”!

Những người làm thực tiễn thì biết rằng công tác nghiên cứu triển khai luôn được xem là “vấn đề mở” (vì các giải pháp triển khai cụ thể không mấy khi được công bố). Cho nên, bản thân khái niệm “nghiên cứu triển khai” tự nó đã bao hàm tính “mới”, vì chẳng có hai phương án triển khai nào giống nhau (không nên lẫn lộn giữa triển khai và sao chép!). Điều này thấy rõ không chỉ qua việc làm tàu bay, tên lửa của Nga, Mỹ, Trung Quốc,… mà ngay cả trong việc canh tác của bác nông dân, khi mỗi năm lại phải đương đầu với một hoàn cảnh éo le mới. Tiếc thay, tính “mới” của công tác triển khai ở ta vẫn chưa được đánh giá ở mức xứng tầm. Cho nên, lực lượng chủ lực của ta mới chỉ là “lực lượng sản xuất” trên giấy!

Ai làm lý thuyết? Ai làm ứng dụng?

Ở bên Tây, một học sinh sau khi tốt nghiệp đại học thì thường nghĩ ngay đến việc phải kiếm một việc làm, còn ai chưa kiếm được việc thì tính chuyện đi học thêm một ít nữa. Ở nước ta thì ngược lại, một học sinh sau khi tốt nghiệp thường lo ngay chuyên học tiếp lên nữa, còn ai không có điều kiện học tiếp lên nữa thì mới lo kiếm việc làm. Thực tế cho thấy, những thanh niên bên Tây không hề bị “lùn” kiến thức nếu như họ đi làm ngay sau khi tốt nghiệp, mà ngược lại công việc sẽ giúp cho họ có điều kiện mở rộng hơn tầm hiểu biết của mình. Trong khi đó, ở nước ta những người có điều kiện học lên cao hơn (sau đại học) cũng thường là “lóng ngóng” hơn khi tiếp cận với công việc trong thực tế. Điều khôi hài là hiện nay (ở nước ta) những người “học nhiều mà ngọng việc” lại luôn được đánh giá cao hơn những người ‘học ít nhưng thạo việc”, chỉ vì họ có bằng cấp cao hơn. Điều nghịch lý này rất giống với những gì đang xảy ra trong “làng Toán” nước nhà, với quan niệm cho rằng một khi không thể làm toán lý thuyết thì nên chuyển sang làm ứng dụng. Những phân tích ở trên cho thấy điều này chỉ là “ảo tưởng”. Một cách nghĩ “thực tế” thì có lẽ phải là thế này: Nếu như ai thấy ngại làm ứng dụng Toán thì hãy đi làm Toán lý thuyết.

Làm  ứng dụng Toán sẽ phải chấp nhận sự thua thiệt về nhiều mặt, kể cả tiền tài lẫn danh vị. Một cộng sự của tôi vì mải mê với công việc nên không có lúc nào để mà hoàn tất các thủ tục làm một ông Tiến sĩ. Tôi dám chắc rằng về nghiệp vụ chuyên môn anh ta hơn hẳn các ông Tiến sĩ, nhưng tôi không thể bổ nhiệm anh ta làm Trưởng phòng nghiên cứu triển khai (chỉ vì anh ta chưa có bằng Tiến sĩ!).

4. Làm ứng dụng cần một  “phong cách” riêng

Có  nhất thiết phải “hướng ngoại”  một cách toàn diện

Vì  bản chất của Toán học là “không biên giới”, cho nên những người làm Toán lý thuyết ở ta xem việc “hướng ngoại toàn diện” là điều hiển nhiên. Khỏi phải bàn về tác dụng tích cực của trào lưu này đối với nền toán học nước ta trong những năm vừa qua. Với người làm ứng dụng thì việc “hướng ngoại” để học theo cũng là việc không có gì lạ. Tuy nhiên, điều đáng nói là không ít người (thuộc lớp “cây đa cây đề” trong làng Toán) lại có cái ảo tưởng rằng chỉ cần sang Tây mà học làm ứng dụng là xong, và vì thế chỉ lo “tâm huyết” với cái việc tìm cách cho người sang Tây học, mà xem thường công tác đào tạo, huấn luyện ở trong nước. Thực tế cho đến nay, đã qua hơn chục năm có lẻ, những người đi theo trào lưu “hướng ngoại” học làm ứng dụng thì hoặc là ở lại làm việc cho Tây, hoặc là về nước “làm ứng dụng một cách lý thuyết”, tức là vẫn “học, học nữa, học mãi…” mà chưa thấy làm. Thực ra, với người làm ứng dụng thì việc “học để biết” mới chỉ là một phần nhỏ, còn yếu tố quyết định là phải khả năng “nhúng mình” vào thực tế. Mà thực tế của Tây thường chẳng giống ở ta!

Những “hạt sạn” trong các công trình ứng dụng

Tình trạng phổ biến hiện nay là bài vở của những người làm ứng dụng thường không tránh được những “hạt sạn”, khiến cho chúng không được “trơn tru” như các công trình lý thuyết thuần túy. Những người làm Toán già dặn vốn thích sự “hoàn mỹ” và thường cảm thấy gai mắt khi bắt gặp những lỗi này. Nhưng xét cho kỹ thì thấy rằng đây một “đặc thù nghề nghiệp”, khó tránh khỏi ngay cả với những bậc thiên tài (hãy nhớ lại Newton đã từng bị Berkely chỉ trích như thế nào về tính thiếu “chặt chẽ Toán học” khi cho ra khái niệm “vô cùng bé”, còn Bernoullis J. đã phải tốn bao công sức để hiểu và trình bày lại các ý tưởng của Leibnitz về phép tính tích phân). Nói như vậy không có nghĩa rằng người làm ứng dụng không quan tâm đến tính chỉnh chu, chặt chẽ của một công trình khoa học, mà chỉ có nghĩa rằng đây là một nét “đặc thù nghệ nghiệp” cần được hoàn thiện về lâu dài. Thiết nghĩ, một người làm toán lý thuyết có kinh nghiệm thì không nên tìm cách “bắt bẻ” những sai sót nho nhỏ này, mà nên kiên nhẫn để hiểu ra “cái đúng về bản chất” đứng đằng sau cái “sai sót về hình thức trình bày” và giúp đỡ để làm cho nó trở nên sáng tỏ (như Berkely và Bernoullis đã từng làm đối với Newton và Leibnitz).

Những “bất đồng ngôn ngữ” giữa  ứng dụng và lý thuyết

Những người làm lý thuyết luôn đề cao sự “trong sáng” và “nhất quán” của các khái niệm. Đấy là một điều hay. Nhưng một khi “tuyệt đối hóa” chúng một cách thái quá, đến mức muốn áp đặt người khác cũng phải hiểu theo cách của mình thì lại là điều không cần thiết. Xin đơn cử một vài ví dụ đã xảy ra trong thực tế.

Người làm thực tế vẫn thường dùng thuật ngữ “một chiều” để chỉ những “mô hình” diễn ra trong không gian (hay mặt phẳng) nhưng chỉ biến thiên theo một tọa độ (theo các hướng còn lại là không thay đổi). Nhưng người làm lý thuyết thì khi nghe tới chữ “một chiều” thì đã vội nghĩ ngay đến cái đường thẳng thực, và không chịu nghe tiếp những gì không đi theo quan niệm này.

Cùng nghiên cứu về chuyển động của chất lỏng, nhưng người làm cơ học (hay là toán ứng dụng) thì xem những điểm xoáy giữa dòng nước là “điểm trong” (vì nó ở bên trong lòng chất lỏng theo ngôn ngữ đời thường), còn người làm toán lý thuyết thì xem là “điểm biên” (vì tại đó hàm không xác định, cho nên nó phải là điểm biên của tập xác đinh, theo nghĩa tô pô). Sự bất đồng tưởng như “cỏn con” này cũng cần đến mấy buổi thảo luận mới có thể “hòa giải” được.

Không ít người làm lý thuyết xem các “định lý”, “mệnh đề”,… như là những linh hồn của một công trình Toán học. Bởi vậy, không ít “giáo sư có hạng” khi ngó vào một công trình làm ứng dụng, nơi mà kết quả thể hiện thường không gói gọn trong các định lý, mệnh đề,… mà là những giải pháp, thuật toán,… thì họ “phán xét” rằng là “chẳng có kết quả gì”. Cũng may mà cụ Euclid không sinh ra ở thời nay, nếu không thì cái thuật toán thuộc hàng “hay nhất mọi thời đại” của cụ về tìm ước chung lớn nhất sẽ bị các giáo sư này xem chẳng ra cái gì.

Sự  “bất đồng ngôn ngữ” là một điều hết sức bình thường trong cuộc sống, và cần giải quyết bằng việc tìm hiểu cho “ra nghĩa”, và sau đó là sự tôn trọng “ngôn từ” của nhau. Không nên áp đặt, và càng không nên “chụp” cho cái mũ “sai về cơ bản!”, nhất là đối với những nghiên cứu sinh còn “ngây thơ” trong nghề nghiệp, để tránh làm “chột” những cái “mầm thực tiễn” đang hình thành le lói.

5. Bài toán “đầu tiên” của người làm ứng dụng Toán

Có  một điều khác biệt cơ bản giữa người làm Toán lý thuyết và người làm Toán ứng dụng nước ta hiện nay là ở chỗ tìm kiếm nguồn kinh phí cho sự tồn tại của mình. Người làm Toán lý thuyết thì tìm kiếm các nguồn tài trợ ở nước ngoài, còn người làm Toán ứng dụng thì tìm ở trong thực tiễn công việc ngay trong nước. Với người chuyên tâm làm lý thuyết thì người ta có thể khuyên rằng, trong hoàn cảnh hiện nay, cứ chịu khó học hành và nghiên cứu trong vài năm, làm ra vài ba bài báo thì cầm chắc sẽ kiếm được chuyến đi làm việc ở nước ngoài, và sẽ dành được một ít tiền để tiếp tục làm việc. Với việc làm Toán ứng dụng thì không ít người sẽ tưởng rằng làm toán ứng dụng để ra tiền lo cho cuộc sống trước mắt. Nhưng thực tế lại không như vậy. Để trau dồi được vốn kiến thức “hành nghề” trong lĩnh vực Toán ứng dụng thì một cán bộ trẻ phải tốn khoảng 4-5 năm lao động miệt mài. Trong khoảng thời gian ấy họ lấy tiền đâu mà sống? Với những người may mắn được làm công chức nhà nước thì lương của họ cũng chỉ đủ trang trải cho khoảng 1/3 nhu cầu tối thiểu tiêu dùng hàng ngày, liệu họ có đủ kiên tâm nhịn đói để mà trau dồi cho đủ kiến thức?

Trong hoàn cảnh hiện nay, một người biết làm toán ở mức khả dĩ nếu muốn có cái để “ăn ngay” thì nên đi làm Toán lý thuyết. Nhìn ra thế giới, có khá nhiều nước mà nền Toán học lý thuyết vượt xa chúng ta, nhưng mãi vẫn không phát triển được ứng dụng Toán học sao cho xứng tầm, chỉ vì nó không mang lại lợi nhuận tức thì. Chỉ cần xem người Nga, người Mỹ,… đầu tư nhân lực và tiền của cho lĩnh vực này như thế nào thì biết ngay rằng làm Toán ứng dụng là không thể tính đến chuyện “ăn sổi”.

Tóm lại, làm Toán ứng dụng cũng là một cái “nghiệp”, những ai đã vướng vào thì gắng mà làm vậy. Đấy là những người không hy vọng kiếm ra tiền từ việc làm Toán ứng dụng, mà đang nuôi hy vọng kiếm được tiền để mà làm Toán ứng dụng! Như vậy, bài toán đầu tiên của người làm ứng dụng Toán vẫn là “tiền đâu?”, tức là phải tìm ra nguồn kinh phí để mà làm Toán ứng dụng.

6. “Bao giờ cho đến công bằng?”

Thoạt  đầu người ta tưởng rằng cái khó nhất đối với làm ứng dụng là ở chỗ kinh tế  thị trường nghiệt ngã đòi hỏi các sản phẩm  ứng dụng phải “chạy thực”, mang lại hiệu quả kinh tế rõ rệt rồi mới có tiền. Khi “nhúng” vào thực tế thì mới biết rằng đây không phải là vấn đề khó nhất. Nên nhớ rằng với “thị trường có định hướng” thì còn một vấn đề nữa cần phải giải quyết là phải xác định rõ mục tiêu mang lại hiệu quả cho đối tượng nào? (chứ không chỉ đơn thuần là hiệu quả về phương diện sản xuất nói chung, kiểu như năng suất tăng, chi phí thấp, giá thành sản phẩm hạ,v.v…). Chả thế mà có những sản phẩm có thể thay thế được hàng nhập ngoại, với tính năng tốt hơn và giá thành thấp hơn (nhiều lần), nhưng vẫn không sao “chen” được vào thực tiễn…

Cái khó khăn lớn nhất của những người ôm mộng làm ra những sản phẩm “thay thế hạng nhập ngoại”  không phải là việc làm các sản phẩm đó, mà  là phải “vật nhau” với các hãng nước ngoài đang kinh doanh những mặt hàng đó. Đây là  một cuộc chiến không cân sức, đặc biệt là với những người làm toán, khi một bên là những chàng “châu chấu” vốn “èo ợt” về tiềm lực kinh tế, còn một bên là con “voi” về tiền bạc với các chiêu “vận động hành lang” rất “chuyên nghiệp”. Ấy là chưa nói đến những con “khủng long” đang nắm trong tay những khoản tiền cho vay ODA mà các quan chức tài chính nước nhà cũng phải “ngả mũ”.

Nói chung, những bài toán lớn thường liên quan đến những vấn đề mang tính “vĩ mô”, và lợi  ích mà nó mang lại là thường là cho cộng đồng, cho Nhà nước. Tiếc thay, khái niệm “lợi ích cộng đồng” hay “lợi ích Quốc gia” chẳng mấy khi được “interpreted” một cách đúng đắn trong các “hàm mục tiêu” của những bài toán thực tiễn. Bởi vậy mới hay phát sinh “nghịch lý”. Nổi bật là:
Sản phẩm ngoại: giá cao đến mấy vẫn được xem là sự “đương nhiên”!
Sản phẩm nội: giá thấp  đến mấy vẫn bị xem là  cao (vì bị “căn” theo mức lương chết đói).
Giải pháp thiết lập máy chấm thi trắc nghiệm bằng PC và  máy quét.Công nghệ mới + Giá thành hạ“THUA”Công nghệ lỗi thời + Giá thành cao
Giải pháp điều hành Hệ  thống Giao thông thông minh và Thu phí điện tử (ETC) .

7. Cần một sự định hướng phù hợp của Nhà nước

Phát triển “cân đối” giữa lý thuyết và ứng dụng. 

Không nên nghĩ đến việc vận động những người đang làm Toán lý thuyết hôm nay quay sang với ứng dụng.
Ai cũng biết rằng muốn có ứng dụng thì phải có lý thuyết, vì lý thuyết có thể xem như động lực của ứng dụng. Điều mong đợi của chúng ta là lý thuyết và ứng dụng cần phải đi gần nhau để mà bổ trợ cho nhau, như hai chân cùng bước trên con đường dài.
Một khi lý thuyết đã tiến lên một bước thì hãy làm trụ cho ứng dụng dựa vào để làm bước tiếp theo. Đến lượt mình, Toán ứng dụng sẽ lại góp phần tạo đà cho bước tiến mới của Toán lý thuyết, như ta đã nhiều lần chứng kiến trong lịch sử phát triển của Toán học. Để cho lực lượng làm ứng dụng tiến kịp lực lượng làm lý thuyết hiện nay cần có một cơ chế và chính sách thích hợp.


Phát triển ứng dụng có  trọng tâmTrong một thời gian tương đối ngắn, muốn cho lực lượng ứng dụng Toán ở nước ta có thể tiến kịp đội ngũ Toán lý thuyết ngày hôm nay thì không có cách nào khác là phải có được sự quan tâm thực sự của Nhà nước, thông qua các chính sách và cơ chế phù hợp.
Trong khi chưa thể có được giải pháp thúc đẩy phát triển ứng dụng một cách toàn diện, nên chăng nghĩ đến một giải pháp cục bộ đối với một số lĩnh vực đặc biệt, nơi mà nhu cầu thực tiễn và tiềm lực cán bộ của ta đã khá rõ ràng. Nếu có những đề tài trọng điểm về Ứng dụng Toán thu hút được sự quan tâm của các nhà toán học hàng đầu trong nước về lĩnh vực này, để họ không phải lo đi tìm các nguồn tài trợ đâu đó bên ngoài nước, thì chắc chắn chúng ta sẽ có những bước tiến ngoạn mục với các ứng dụng thiết thực vào thực tiễn của đất nước.
Một “bài học cũ” lại vừa mới diễn ra hôm nay với “bài toán vân tay”. Nếu như cách đây vài năm chúng ta chịu đầu tư cho việc phát triển công nghệ này một cách nghiêm túc (với chi phí chắc chỉ khoảng vài trăm ngàn đô la Mỹ) thì bây giờ, khi tiến hành làm chứng minh thư mới, chúng ta đã không phải chịu cảnh dương mắt ngồi nhìn các doanh nghiệp trong nước “chạy đôn chạy đáo” đi tìm các giải pháp từ nước ngoài, với chi phí lên tới nhiều triệu đô la Mỹ.

Cần một cơ chế đánh giá  phù hợp cho các công trình triển khai ứng dụngChính tiêu chí lấy “đầu bài đăng” để đánh giá kết quả hoạt động đã đem lại hậu quả tất yếu là những công trình “SPAM” thì ngày càng nhiều, mà người dám dấn thân vào ứng dụng thì ngày càng ít. Cái “thước đo hình thức” trong việc phong chức danh khoa học hiện nay là không phù hợp với những người chuyên tâm làm ứng dụng, vì họ không “chạy theo bài báo” đăng trên tạp chí, mà “chạy theo sản phẩm” dùng được vào thực tiễn. Bởi vậy, việc chấp nhận đi vào con đường triển khai ứng dụng cũng là đồng nghĩa với việc chấp nhận đứng ngoài sự vinh danh (hay công nhận) của Nhà nước.
Có  lẽ đã đến lúc phải nhận thấy rằng một công trình nghiên cứu triển khai mà được ứng dụng vào thực tiễn thì không thể bị đánh giá thấp hơn một công trình lý thuyết đăng trên báo. Hơn thế,  một giải pháp đơn giản về Toán học mà mang lại hiệu quả lớn trong thực tế thì cũng cần được đánh giá như việc giải quyết một vấn đề khó trong lý thuyết.

Tóm lại, để có thể khuyến khích người ta mạnh dạn dấn thân vào con đường nghiên cứu triển khai ứng dụng, cần có một “thước đo” riêng cho họ, mà không nên áp dụng một cách khiên cưỡng các chuẩn mực của những người làm lý thuyết.
Cần có giải pháp thực tế trong việc xây dựng lực lượngSự  “vô dụng” của Toán (ở ta) hôm nay phản ánh một sự thật là chúng ta chưa biết cách đem nó vào cuộc sống. Có lẽ còn xa mới đến ngày các trường ở ta (cả phổ thông lẫn đại học) mới biết cách dạy Toán theo phong cách gắn Toán học với thực tiễn. Một giải pháp khắc phục tình trạng này là đào tạo bổ sung các kiến thức về ứng dụng thực tiễn cho các cử nhân Toán. Hãy cứ để cho các sinh viên yêu Toán đến với nghề làm Toán ngay sau khi tốt nghiệp (họ sẽ đến với các viện nghiên cứu, các trường đại học,…).
Tuy nhiên, con số này chẳng đáng là bao, số còn lại đang vất vưởng với các ngành nghề “tay trái”, hoặc thậm tệ hơn là chẳng biết làm gì. Đây chính là đối tượng mà Nhà nước cần quan tâm để tận dụng cái tiềm năng kiến thức Toán học của họ.
Trong khi mải hô hào, khuyến khích dạy nghề cho những người “thất học” và luôn mồm kêu ca về trình độ lao động thấp, thì người ta đã quên bẵng đi một lực lượng sản xuất đầy tiềm năng sinh lợi lớn, đó là những sinh viên ngành Toán chưa có việc làm. Như đã nói, Toán không thể trực tiếp đi thẳng vào thực tiễn, cho nên cần phải tạo cho họ một cơ hội tiếp cận với thực tiễn qua một năm học nghề (hay nói cho ‘hoa mỹ” hơn thì gọi là học “văn bằng hai”). Tại đây họ sẽ được đào tạo về Toán trong Kinh tế, Tài chính, Công ghiệp, Xử lý thông tin,v.v… nơi đang “khát” nguồn nhân lực như họ.

Mở  đường vào thực tiễn bằng việc trả lại công bằng cho “sản phẩm nội”

Ngoài việc hỗ trợ cho nghiên cứu ứng dụng, Nhà  nước còn cần phải quan tâm đến việc “mở  đường” cho các ứng dụng này đến với thực tiễn.
Như  đã thấy, khó khăn lớn nhất hiện nay không xuất phát từ chỗ lực lượng ta còn yếu, hay tiền ta không đủ cho đầu tư ban đầu, mà là ở chỗ không có được sự bảo đảm để cho việc đầu tư này không bị “nghiền nát” trong bối cảnh một nền kinh tế vẫn còn những mảng “không chịu tuân theo quy luật thị trường” (như đã nêu ở phần trên), đặc biệt là trước sự cạnh tranh không công bằng với các công ty nước ngoài với bộ máy “vận động hành lang” hùng hậu cùng các nguồn tài chính khổng lồ với các “điều kiện cho vay” mang tính áp đặt.Vì  vậy, người làm Toán ứng dụng hôm nay cần trước hết là sự  công bằng!


  • Kết luận và đề xuất

 

Việc nêu ra những nét đặc thù của công tác nghiên cứu triển khai ứng dụng không nhằm đối lập toán ứng dụng và toán lý thuyết, vì ranh giới giữa chúng quả thực rất mong manh. Chỉ trong sự thống nhất của chúng thì chúng ta mới hy vọng có được những ứng dụng với hàm lượng toán học cao hơn, và mặt khác làm cho các ứng dụng toán trở nên phong phú hơn. Điều cần thiết trong lúc này là những người làm toán lý thuyết cần nhận rõ nét đặc thù của công tác triển khai ứng dụng để có thể hỗ trợ và giúp đỡ cho nó tiến kịp với trình độ chung của Toán học nước nhà.

Do lực lượng của chúng ta còn mỏng, công việc triển khai ứng dụng sắp tới cần tránh dàn trải và nên tập trung vào một số vấn đề trọng điểm của tính toán khoa học (như dự báo thiên tai khí tượng, nghiên cứu hiện tượng biến đổi khí hậu,…), tính toán khai thác hợp lý tài nguyên thiên nhiên (nước, dầu hoả, khí đốt, vv…), tính toán lan truyền ô nhiễm (dầu tràn, chất thải công nghiệp, rò rỉ hạt nhân,vv…), tính toán mô phỏng vật liệu mới và hoàn thiện những vật liệu đã biết, tính toán dự báo nhu cầu thị trường cho các sản phẩm xuất khẩu chủ lực của nước nhà (trong nông nghiệp, lâm nghiệp, ngư nghiệp,vv…), nghiên cứu các giải pháp xử lý thông tin, các hệ thống nhúng, các hệ thống điều khiển, và đưa ra các giải pháp công nghệ mới thay thế hàng nhập ngoại, nhằm hạn chế nhập siêu và đặc biệt là tránh nguy cơ trở thành “bãi thải” các công nghệ lỗi thời,…

Để làm được điều đó phải tổ chức ngay những seminar học thuật và phân công anh em, một mặt đọc tài liệu và thuyết trình những vấn đề liên quan được thế giới quan tâm và nghiên cứu, và mặt khác tiếp cận với thực tiễn trong nước để nắm bắt nhu cầu và môi trường triển khai của nước mình. Người làm ứng dụng phải được trang bị nhiều kiến thức hơn để giải những bài toán mới mà xã hội cần, chứ không phải đi tìm những bài toán giải được bằng những kiến thức đã có của mình.
———————————————————

PHẠM HUY ĐIỂN
Viện Khoa học và Công nghệ  Việt Nam
PHẠM KỲ ANH
Đại học Quốc gia Hà Nội
————&&&————

Ứng dụng toán học cho đời sống

Ứng dụng toán học cho đời sống

(Nguồn: http://vietbao.vn)

Sự thần diệu của toán

Người ta hay chia toán học thành hai nhánh lớn: toán thuần tuý và toán ứng dụng. Nói gọn, toán thuần tuý gồm những nghiên cứu được thúc đẩy bởi, hay gợi cảm hứng từ những yêu cầu nội tại hay vẻ đẹp của ngành, không quan tâm tới những ứng dụng của nó. Chẳng hạn như các vấn đề thuộc logic học, nhiều bài toán số học, đại số học hay hình học… Khác với hình học, nghiên cứu những đường cong, hình thể cụ thể, môn tôpô học nghiên cứu những tính chất bất biến của các hình thể đó khi ta làm biến dạng chúng một cách liên tục (như khi co kéo một mảnh cao su nhưng không bứt nó thành hai mảnh). Đó là những nghiên cứu có thể coi là thuộc về toán thuần tuý.
Song, điều không còn làm các nhà khoa học bất ngờ là những nghiên cứu toán thuần tuý rất nhiều khi có ứng dụng trong các ngành khoa học khác và trong công nghệ. Tôpô học góp phần tìm hiểu hình thể của vũ trụ, và cũng được sử dụng trong các nghiên cứu về cơ học chất lỏng, về các dòng chảy của khí chung quanh máy bay đang bay hay xe hơi đang chạy… Bài viết nổi tiếng của nhà vật lý học Eugène Wigner (giải Nobel năm 1963) mang nhan đề The unreasonable effectiveness of mathematics in the natural sciences (Tính hiệu quả phi lý của toán học trong các khoa học tự nhiên), đăng trên tạp chí Communications in pure and applied mathematics năm 1960, đưa ra nhiều ví dụ minh chứng cho sự thần diệu ấy.
Chào mừng Ngô Bảo Châu được giải Fields, giáo sư Peter Constantin, trưởng phòng toán của đại học Chicago, cũng đánh giá: “Đây là toán học sâu sắc, thuần tuý và có quan hệ tới thế giới, như các ngành vật lý năng lượng cao, khoa học máy tính và khoa học về mật mã”…
Khiêm tốn hơn, bài này điểm sơ một vài ví dụ về sự hiện diện của toán học trong công nghệ và đời sống hiện đại.

Mô phỏng và tính toán

Hãy mổ xẻ một chiếc xe hơi. Ta có thể thấy những bộ phận cơ bản sau: khung gầm, thùng xe, máy, bánh. Khung gầm đặt trên bộ bánh xe, rồi thùng xe úp lên đó, chia thành hai khoang, một để máy và một để chở người hay hàng hoá. Khung gầm gồm những xà và thanh ngang bằng thép, gắn với nhau bằng đinh ốc hoặc hàn, còn thùng xe thì thường bằng các tấm tôn kim loại hỗn hợp. Ngày nay, khuynh hướng chung là thiết kế khung gầm và thùng chung một lượt, tạm gọi là sườn xe, trên đó sẽ gắn các thành phần khác như máy, bộ phận truyền động, bánh, hệ thống treo, ghế ngồi… Người thiết kế phải phân tích những chức năng chính của chiếc sườn (chịu các phản lực vào xe khi xe chạy, lực cơ học truyền từ đường lên xe thông qua bánh và bộ phận treo, lực khí động học của không khí, sốc khi phải thắng gấp, khi xảy ra tai nạn v.v.), và những ràng buộc về tính ổn định và bám đường của xe, về hiệu năng của xe (yêu cầu tiết kiệm năng lượng ngày càng nghiêm ngặt), về độ an toàn và yên lặng cho khách, về vẻ dáng. Rồi phải phân bố như thế nào chỗ đặt máy, chỗ ngồi và các tiện ích khác…
Để đáp ứng những chức năng và thoả mãn các ràng buộc đó, nhà thiết kế mô phỏng đối tượng với những định luật vật lý, thể hiện qua những phương trình đạo hàm riêng phức tạp với những điều kiện hình học phức tạp không kém, được giải trên máy tính lớn, bằng những phương pháp tính toán thâm sâu…
Đó là chỉ bàn tới chiếc sườn xe, còn máy, còn bánh, toàn những sản phẩm công nghệ cao với những vật liệu hỗn hợp tinh vi, gồm nhiều bộ phận cấu thành, có nhiều chức năng và ràng buộc đòi hỏi nghiên cứu khoa học – công nghệ ở mức tiên tiến, trong đó toán giữ vị trí cốt yếu. Nói gọn một cách hình tượng: “Hai Lúa” có thể lắp ghép một chiếc xe hơi (chưa nói máy bay) chạy được từ những vật liệu thô sơ, chiếc máy nổ cũ, nhưng sẽ không thể làm thành một sản phẩm của thị trường ngày nay!
Ở Việt Nam, theo thiển ý, chưa phải đã có quá nhiều người làm toán, nhưng chưa thúc đẩy và phát huy được khả năng đóng góp của họ vào những ứng dụng của toán, một phần là vì chưa chú trọng phát triển các công nghiệp có hàm lượng tri thức cao, thay cho phát triển theo chiều rộng như hiện nay.
Sơ đồ “mô phỏng và tính toán” này cũng được gặp trong nhiều ngành khoa học và công nghệ khác, đặc biệt là khoa học vật liệu…

Toán trong công nghệ thông tin

Bạn lấy một tờ giấy kẻ thành ô nhỏ, tô trên mỗi ô một màu, và một độ đậm nhất định: bạn có một tấm hình. Nếu ô càng nhỏ, tấm hình càng có thể giống như vẽ tự do. Đó là nguyên tắc biểu hiện hình ảnh trong máy tính hay máy ảnh số. Mỗi ô là một pixel, chứa các thông tin về màu và độ đậm, có thể mã hoá bằng một bit. Máy ảnh số bây giờ cho ra những tấm ảnh hàng triệu bit. Chiếu trên màn hình 24 tấm ảnh liên tục mỗi giây, thành phim nhìn như không có gián đoạn. Làm sao chuyển trong không gian xy-be khối lượng khổng lồ những thông tin của một phim video? Phải có những chương trình nén, rồi giải nén. Máy tính không tự nhiên làm được những việc đó đâu. Toán đấy. Biến đổi Fourier, wavelet…, những phương pháp toán cao cấp cho phép xử lý hình ảnh, lọc ra những thông tin cốt lõi từ một tấm hình, tách chúng rời ra để có thể chuyển đi, rồi lắp ghép lại (nên nhớ, đây là những thông tin hai, ba chiều)… Trong hội nghị toán quốc tế vừa rồi, ngoài bốn giải Fields, có ba giải thưởng lớn nữa, trong đó giải Gauss được trao cho nhà toán học Pháp Yves Meyer – Giải Abel năm 2017, chuyên gia hàng đầu về lý thuyết wavelet(*) (mà một ứng dụng nổi tiếng là cho phép FBI mã hoá bộ ảnh dấu vân tay, từ đó có thể lưu trữ trong máy tính, dễ dàng tìm kiếm khi cần!)

Một ví dụ nổi tiếng khác: việc mật mã hoá các thông tin nhạy cảm bằng những khoá công khai (nhưng khoá giải mật thì chỉ người nhận tin có), cho phép thương mại điện tử bùng nổ từ mấy năm nay. Đây là một ứng dụng bất ngờ của số học, một ngành toán tưởng như hoàn toàn “thuần tuý”.

*

Bài viết ngắn này không thể đề cập tới vô vàn ứng dụng khác của toán học. Thống kê học chẳng hạn, đang trở thành một công cụ thiết yếu trong các nghiên cứu về bộ gene, AND…, chưa kể kinh tế. Ở Việt Nam, theo thiển ý, chưa phải đã có quá nhiều người làm toán, nhưng chưa thúc đẩy và phát huy được khả năng đóng góp của họ vào những ứng dụng của toán, một phần là vì chưa chú trọng phát triển các công nghiệp có hàm lượng tri thức cao, thay cho phát triển theo chiều rộng như hiện nay.

Việt Báo (Theo SGTT)


Ứng dụng của Phân tích wavelet trong kinh tế – tài chính:

Wavelets in Economics and Finance: Past and Future

Wavelet-based option pricing: An empirical study

Wavelet-based Value At Risk Estimation

A wavelet-based copula approach for modeling market risk in agricultural commodity markets

Estimating and forecasting portfolio’s Value-at-Risk with wavelet-based extreme value theory: Evidence from crude oil prices and US exchange rates

——————&&&—————-

Machine Learning 4 Trading [Talks]

Ứng dụng tốt (và không thật tốt) của Học máy trong kinh doanh và tài chính.

(Nguồn: https://chatwithtraders.com)

Học máy (Machine learning) là một chủ đề nóng hiện nay,  rất nhiều người tự hỏi làm thế nào nó có thể được sử dụng trong tài chính và kinh doanh. Nếu sử dụng ML một cách “ngây thơ”, nó có thể dẫn tới rất nhiều rủi ro. Chúng tôi sẽ thảo luận về lý do tại sao rủi ro có thể xảy ra và một số cách tốt để sử dụng ML một cách cẩn thận.

Chủ đề của cuộc thảo luận:

  • Máy học (Machine learning) là gì và làm thế nào nó được sử dụng trong cuộc sống hàng ngày?
  • Học có giám sát vs Học không có giám sát, và khi nào thì sử dụng chúng.
  • Liệu Học máy có cung cấp bất cứ điều gì nhiều hơn các phương pháp thống kê truyền thống.
  • Ứng dụng tốt (và không thật tốt) của máy học trong kinh doanh và tài chính.
  • Sự cân bằng giữa đơn giản và phức tạp.

Machine learning for algorithmic trading

(Nguồn: https://chatwithtraders.com)

  • Bert’s takeaway from reading a ton of trading books, and why there’s “no such thing as a bad book” – because you can always learn something (even if it’s doing the opposite).
  • In it’s purest form, Bert explains the purpose of machine learning, and gives an example of how it’s used in everyday technology.
  • How Bert uses machine learning to discover and create effective trading algorithms, from starting point through to live trading. And the information which is “nice to incorporate” outside of price.
  • The ways in which machine learning techniques differ from more common ways of developing algorithms, and how it removes further bias from your models.
  • Bert shares his opinion about whether a strategy should make sense logically, or if a statistical edge is the only evidence you need.
  • How Bert  thinks about diversification, and why he prefers to allocate additional capital to new markets, instead of adding to the markets he’s already actively trading.
  • The affects of machines becoming more and more prominent in the trading landscape; positive or negative?
  • Bert speaks about his attitude to always be learning and striving for continual progression. As well as his mindset of setting goals that are just out of reach, to really push yourself.
  • And much, much more…

Machine Learning With Kris Longmore

(Nguồn: http://bettersystemtrader.com)

Machine learning has seen a huge amount of growth over recent years with the increase in available data and processing power.

It’s an incredibly powerful toolset for uncovering patterns and relationships in data, however, these tools can be challenging to learn, apply correctly and are also open to abuse.

  • How Machine Learning can be used to analyse huge amounts of data, uncover patterns and relationships, and define a trading edge,
  • How Machine Learning tools can be abused and the common mistakes that traders make with Machine Learning,
  • Strategy validation techniques that best suit market data and 1 popular technique that shouldn’t be used,
  • How to approach the vast libraries of algorithms available today,
  • Why delaying the trading process can lead to opportunity cost and how to know when a model is ready for trading.

A Guided Tour of Machine Learning for Traders – Dr. Tucker Balch

(Nguồn: https://blog.quantopian.com)

Which algorithms really matter for investing? In his presentation, Professor Balch helps declutter the Machine Learning jungle. He introduces a few of the most important ML algorithms and shows how they can be applied to the challenges of trading.

Talk Overview 

  • Machine Learning: Big Picture
  • Decision Trees: Classification
  • Decision Trees: Regression
  • Decision Trees Example: Sentiment-based strategy
  • kNN: Classification
  • kNN: Regression • Reinforcement Learning

Slide: link


Market Timing, Big Data, and Machine Learning – Dr. Xiao Qiao

(Nguồn: https://blog.quantopian.com)

Return predictability has been a controversial topic in finance for a long time. We show there is substantial predictive power in combining forecasting variables. We apply correlation screening to combine twenty variables that have been proposed in the return predictability literature, and demonstrate forecasting power at a six-month horizon. We illustrate the economic significance of return predictability through a simulation which takes positions in SPY proportional to the model forecast.

The simulated strategy yields annual returns more than twice that of the buy-and-hold strategy, with a Sharpe ratio four times as large. This application of big data ideas to return predictability serves to shift the sentiment associated with market timing.

Slide: link

———–&&&———–

Coursera MOOC-Practical Machine Learning; Johns Hopkins University

Coursera MOOC-Practical Machine Learning; Johns Hopkins University

Johns Hopkins University

About this course: One of the most common tasks performed by data scientists and data analysts are prediction and machine learning. This course will cover the basic components of building and applying prediction functions with an emphasis on practical applications. The course will provide basic grounding in concepts such as training and tests sets, overfitting, and error rates. The course will also introduce a range of model based and algorithmic machine learning methods including regression, classification trees, Naive Bayes, and random forests. The course will cover the complete process of building prediction functions including data collection, feature creation, algorithms, and evaluation.

Syllabus

Week 1: Prediction, Errors, and Cross Validation
This week will cover prediction, relative importance of steps, errors, and cross validation.

Week 2: The Caret Package
This week will introduce the caret package, tools for creating features and preprocessing.

Week 3: Predicting with trees, Random Forests, & Model Based Predictions
This week we introduce a number of machine learning algorithms you can use to complete your course project.

Week 4: Regularized Regression and Combining Predictors
This week, we will cover regularized regression and combining predictors.

*********************

Đăng kí (free): link

————–&&&————-

Lagunita MOOC-Statistical Learning; Stanford University

Lagunita MOOC-Statistical Learning; Stanford University

ABOUT THIS COURSE

This is an introductory-level course in supervised learning, with a focus on regression and classification methods. The syllabus includes:

  • linear and polynomial regression, logistic regression and linear discriminant analysis;
  • cross-validation and the bootstrap, model selection and regularization methods (ridge and lasso);
  • nonlinear models, splines and generalized additive models;
  • tree-based methods, random forests and boosting;
  • support-vector machines.

Some unsupervised learning methods are discussed:

  • principal components and clustering (k-means and hierarchical).

This is not a math-heavy class, so we try and describe the methods without heavy reliance on formulas and complex mathematics. We focus on what we consider to be the important elements of modern data analysis. Computing is done in R. There are lectures devoted to R, giving tutorials from the ground up, and progressing with more detailed sessions that implement the techniques in each chapter.

The lectures cover all the material in An Introduction to Statistical Learning, with Applications in R by James, Witten, Hastie and Tibshirani (Springer, 2013). The pdf for this book is available for free on the book website.

*************

Đăng kí (free): link


Statistical Learning versus Machine Learning

• Machine learning arose as a subfield of Artificial Intelligence.

• Statistical learning arose as a subfield of Statistics.

• There is much overlap — both fields focus on supervised and unsupervised problems:

  1. Machine learning has a greater emphasis on large scale applications and prediction accuracy.
  2. Statistical learning emphasizes models and their interpretability, and precision and uncertainty.

• But the distinction has become more and more blurred, and there is a great deal of “cross-fertilization”.

• Machine learning has the upper hand in Marketing!


Comparison of methods in Machine Learning

Machine Learning


Unsupervised vs Supervised Learning

Supervised learning methods such as regression and classification. In that setting we observe both a set of features X1, X2, . . . , Xp for each object, as well as a response or outcome variable Y . The goal is then to predict Y using X1, X2, . . . , Xp.

Unsupervised learning, we where observe only the features X1, X2, . . . , Xp. We are not interested in prediction, because we do not have an associated response variable Y. The goal is to discover interesting things about the measurements: is there an informative way to visualize the data? Can we discover subgroups among the variables or among the observations? We discuss two methods: principal components analysis & clustering.

———–&&&———-

Đánh giá xếp hạng ngân hàng thương mại Việt Nam dựa vào các chỉ tiêu tài chính

Đánh giá xếp hạng ngân hàng thương mại Việt Nam dựa vào các chỉ tiêu tài chính

(Tác giả: Nguyễn Chí Đức – Nguồn: http://tapchitaichinh.vn)

Bằng phương pháp phân tích thành phần chính và thứ bậc thực hiện xếp hạng 23 ngân hàng thương mại Việt Nam trong năm 2015 trên cơ sở số liệu báo cáo tài chính của các ngân hàng từ năm 2012-2015, bài viết đánh giá quy trình xếp hạng ngân hàng thương mại Việt Nam dựa vào các chỉ số tài chính. Tuy nhiên, vấn đề xếp hạng ngân hàng có nhiều phương pháp khác nhau, cần có thêm các nghiên cứu về vấn đề này để các cơ quan quản lý ngành Ngân hàng có thêm căn cứ để tham khảo so sánh và lựa chọn cho phù hợp với điều kiện Việt Nam.
Hiện nay, các nghiên cứu về đánh giá, xếp hạng tín nhiệm ngân hàng thương mại Việt Nam còn tương đối ít và chưa được các cơ quan quản lý nhà nước sử dụng. Nguồn: Internet.Hiện nay, các nghiên cứu về đánh giá, xếp hạng tín nhiệm ngân hàng thương mại Việt Nam còn tương đối ít và chưa được các cơ quan quản lý nhà nước sử dụng. Nguồn: Internet.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết

Trên thực tế, các tổ chức đánh giá, xếp hạng tín nhiệm có uy tín như: Fitch, Moody’s và Standard&Poor’s đã thực hiện xếp hạng tín nhiệm đối với nhiều ngân hàng. Nhìn chung, các kết quả đánh giá xếp hạng tín nhiệm ngân hàng từ các tổ chức này là một nguồn thông tin tham khảo đáng tin cậy trong việc ra quyết định tài chính liên quan đến lĩnh vực ngân hàng.

Bên cạnh các báo cáo đánh giá, xếp hạng tín nhiệm ngân hàng của một số tổ chức lớn trên thế giới, các bài nghiên cứu học thuật chuyên sâu về lĩnh vực này cũng tương đối đa dạng. Cụ thể, Peresetsky và Karminsky (2008) đánh giá xếp hạng 380 ngân hàng thuộc 42 nước trên thế giới giai đoạn 2003-2006 (bao gồm cả các nước phát triển và đang phát triển), để có thể kết luận rằng nhóm các ngân hàng thương mại (NHTM) từ các nước đang phát triển xếp hạng tín nhiệm thấp hơn so với nhóm ngân hàng từ các nước phát triển.

Trong lĩnh vực sử dụng các chỉ tiêu tài chính đánh giá ngân hàng, Podviezko và Ginevičius (2010) đã thực hiện nghiên cứu về tác động của các chỉ tiêu tài chính trong đánh giá tình hình tài chính và đo lường độ ổn định của ngân hàng. Nhóm tác giả đã sử dụng 10 chỉ số tài chính theo hệ thống phân tích CAMELS để đánh giá các ngân hàng tại Lithuania.


Mabwe và Robert (2010) tiến hành nghiên cứu thực nghiệm về hoạt động của ngân hàng trước và sau khủng hoảng giai đoạn 2005-2009 tại Nam Phi. Các ngân hàng lớn được đánh giá về lợi nhuận, thanh khoản và chất lượng tín dụng thông qua 7 yếu tố tài chính. Gupta và Aggarwal (2012) đã dùng 12 chỉ tiêu tài chính nhằm đánh giá hoạt động của các ngân hàng tại Ấn Độ trước và sau khi gia nhập Tổ chức Thương mại thế giới (WTO), đặc biệt thời điểm Ấn Độ mở cửa ngành Ngân hàng từ năm 2005. Sử dụng phương pháp phân tích thành phần chính để tính điểm xếp hạng các ngân hàng có Chen Jia Li và Li Xue Jian (2011), các tác giả này đã sử dụng 24 chỉ tiêu tài chính, phân thành 5 nhóm nhân tố để xếp hạng các NHTM Trung Quốc.

Hiện nay, các nghiên cứu về đánh giá, xếp hạng tín nhiệm NHTM Việt Nam còn tương đối ít và chưa được các cơ quan quản lý nhà nước sử dụng. Gần đây nhất là đợt phân loại NHTM để cấp tăng trưởng tín dụng do Trung tâm Thông tin tín dụng (CIC) trực thuộc Ngân hàng Nhà nước (NHNN) triển khai thực hiện vào năm 2011, tiếp đến là bảng xếp hạng 32 NHTM Việt Nam năm 2012 do Công ty xếp hạng tín nhiệm doanh nghiệp Việt Nam công bố.

Nếu xét về lĩnh vực nghiên cứu học thuật liên quan đến đề tài, Võ Hồng Đức và Nguyễn Đình Thiên (2013) là một trong số ít những tác giả đã có những phân tích, đánh giá chuyên sâu về việc xếp hạng tín nhiệm NHTM tại Việt Nam. Nhóm tác giả đã tiến hành thu thập, phân tích dữ liệu từ 34 NHTM Việt Nam trong các năm 2010, 2011, kết quả xếp hạng NHTM dựa trên nền tảng lý thuyết mở và so sánh các kết quả xếp hạng này với những kết quả phân loại được NHNN công bố. Nhóm tác giả cũng sử dụng các bộ chỉ tiêu đánh giá của Moody’s như hiệu suất sinh lời, hiệu quả quản lý, thanh khoản, cơ cấu và an toàn tài chính, chất lượng tín dụng/tài sản.

Sau 30 năm đổi mới, hệ thống NHTM Việt Nam đã có những thay đổi, phát triển và biến động gắn liền với những diễn biến của nền kinh tế. Đặc biệt, sau khi thực hiện Đề án cơ cấu lại hệ thống các tổ chức tín dụng giai đoạn 2011 – 2015, kết quả là tình trạng tài chính của các ngân hàng đã được cải thiện, trật tự, kỷ cương và nguyên tắc thị trường trong hoạt động ngân hàng đã được thiết lập lại.

Tuy nhiên, để hệ thống ngân hàng hoạt động bền vững, hiệu quả trong bối cảnh hội nhập kinh tế ngày càng sâu rộng khi tham gia vào Cộng đồng Kinh tế ASEAN (AEC) và Hiệp định Thương mại tự do thế hệ mới, hệ thống ngân hàng không chỉ nâng cao năng lực từ tăng vốn, quản trị mà chính việc xếp hạng tín nhiệm các ngân hàng cũng cần phải được quan tâm. Vì vậy, cần có thêm các công trình nghiên cứu đánh giá xếp hạn NHTM Việt Nam dựa vào các chỉ tiêu tài chính trong giai đoạn cơ cấu lại hệ thống các tổ chức tín dụng giai đoạn 2011-2015.

Phương pháp nghiên cứu

Bài viết sử dụng các phương pháp phân tích thành phần chính và phân tích thứ bậc theo mô hình của Chen Jia Li và Li Xue Jian (2011). Theo đó, các phương pháp này thực hiện xếp hạng ngân hàng trên cơ sở số liệu kinh doanh của 23 NHTM Việt Nam giai đoạn 2012-2015 làm căn cứ xếp hạng NHTM. Đây là phương pháp nghiên cứu xếp hạng các NHTM dựa vào các chỉ tiêu tài chính trong từng thời kỳ (tùy từng thời kỳ khác nhau thì các biến được sử dụng khác nhau cho phù hợp).

Các bước nghiên cứu chủ yếu:

Bước 1: Phân tích thành phần chính để lựa chọn biến và nhân tố phù hợp trong giai đoạn 2012-2015.

Bước 2: Phân tích thành phần chính của phần mềm SPSS, lần lượt tính toán điểm của các chỉ tiêu cấp 1 của 23 NHTM qua từng năm.

Bước 3: Sử dụng các điểm của các nhân tố chỉ tiêu cấp 1 của các NHTM, xác định thứ tự đơn lẻ các NHTM.

Bước 4: Thông qua mức độ quan trọng đóng góp của các chỉ tiêu tài chính cấp 1 để xác định thứ tự tổng thể.

Dữ liệu nghiên cứu

– Chuyển trị số của các chỉ tiêu tài chính thành giá trị chuẩn từ 0 đến 1: Do các trị số của các chỉ tiêu tài chính có chiều hướng khác nhau, có chỉ tiêu càng lớn càng tốt và có chỉ tiêu càng nhỏ càng tốt nên cần phải được chuyển đổi về dạng chuẩn từ 0 đến 1 và cùng chiều thuận, trong đó giá trị xấu nhất sẽ là 0 và giá trị tốt nhất sẽ là 1. Công thức như sau:

Đối với chỉ tiêu thuận càng lớn càng tốt thì công thức chuyển đổi là:

Đối với chỉ tiêu nghịch càng nhỏ càng tốt thì công thức chuyển đổi:

Trong đó:

yij: các giá trị chuẩn theo thang đo từ 0 đến 1 của ngân hàng i ở chỉ tiêu tài chính j

xij: các trị số nhân tố theo đơn vị đo lường độ lệch chuẩn của ngân hàng i ở chỉ tiêu tài chính j

m: số lượng ngân hàng được xếp hạng

n: số lượng các chỉ tiêu tài chính


Bài viết lựa chọn dựa trên tình hình thực tế về số liệu để gom thành 5 nhân tố có mức độ hội tụ và độ phân biệt tốt, cụ thể gồm 13 chỉ tiêu tài chính được nhóm lại thành 5 nhân tố sau:Nhóm 1 (F1): Năng lực sinh lời được đo lường bằng 4 chỉ tiêu gồm: Tỷ suất sinh lời trên tài sản bình quân (ROA) = Lợi nhuận ròng/Tài sản bình quân (X1); Tỷ suất sinh lời trên vốn chủ sở hữu bình quân (ROE) =  Lợi nhuận ròng/Vốn chủ sở hữu bình quân (X2);  Tỷ lệ ngoài lãi cận biên = thu nhập ngoài lãi thuần/Tài sản sinh lời bình quân (X3); Thu nhập trên cổ phiếu (EPS) = Lợi nhuận ròng/số cổ phiếu (X4).

Nhóm 2 (F2): Năng lực tăng trưởng được đo lường bằng 3 chỉ tiêu gồm: Tỷ lệ tăng trưởng tài sản (X5); Tỷ lệ tăng trưởng tín dụng (X6); Tỷ lệ tăng trưởng huy động vốn (X7).

Nhóm 3 (F3): Năng lực quản lý rủi ro được đo lường bằng 2 chỉ tiêu gồm: Vốn điều lệ/Tổng tài sản sinh lời (X8); Nợ phải trả/Tổng tài sản (X9).

Nhóm 4 (F4): Năng lực quản lý thanh khoản được đo lường bằng 2 chỉ tiêu gồm: Tính thanh khoản tiền VND = Tài sản có tính thanh khoản/Nợ phải trả (X10); Tỷ lệ dư nợ cho vay/ dư nợ tiền gửi (X11).

Nhóm 5 (F5): Năng lực quản lý chất lượng tín dụng được đo lường bằng 2 chỉ tiêu gồm: Tỷ lệ nợ xấu (X12); Tỷ lệ dự phòng rủi ro tín dụng = Dự trữ  rủi ro tín dụng/dư nợ cho vay (X13).

5 nhân tố trên rút trích được 78,9% tổng biến thiên của 13 biến đo lường, vai trò của từng nhân tố thể hiện qua phần trăm phương sai trích được, phần trăm này được sử dụng làm trọng số để tính chỉ tiêu xếp hạng cuối cùng.

Nghiên cứu thực chứng

Sau khi tiến hành xử lý số liệu và phân tích thành phần chính, nhìn vào Bảng 2, bao gồm các trị số nhân tố đã chuẩn hóa và thứ bậc các NHTM năm 2015 theo các trị số nhân tố này (xếp hạng các NHTM theo từng khía cạnh).

Chuyển dữ liệu về thang đo chuẩn:

Do các trị số nhân tố dưới dạng chuẩn hóa (đơn vị đo lường độ lệch chuẩn) bao gồm các trị số âm (dưới trung bình) và trị số dương (trên trung bình). Để thuận tiện cho việc tính toán và xếp hạng, tiến hành chuyển các trị số này về thang đo chuẩn 0 và 1, trong đó giá trị thấp nhất sẽ là 0 và giá trị lớn nhất sẽ là 1. Công thức như sau:

yij: các giá trị chuẩn theo thang đo từ 0 đến 1 của ngân hàng i ở điểm thành phần nhân tố j.

xij: các trị số nhân tố theo đơn vị đo lường độ lệch chuẩn của ngân hàng i ở điểm thành phần nhân tố j

m: số lượng ngân hàng được xếp hạng

n: số lượng nhân tố thành phần

Phân tầng các ngân hàng theo điểm của từng nhân tố

Từ các trị số nhân tố đã chuyển đổi về các giá trị chuẩn trong khoảng từ 0 đến 1, tiếp theo là phân tầng các trị số này thành dữ liệu thành thang đo thứ bậc theo quy ước sau:

•        0 -> 0,099: Thứ bậc 1

•        0,1-> 0,199: Thứ bậc 2

•        0,2 -> 0,299: Thứ bậc 3

•        ….

•        0,9 ->1,0: Thứ bậc 10

Với dữ liệu thứ bậc này thì bậc càng lớn càng tốt, bậc càng nhỏ càng xấu, do đó, để xếp hạng từ tốt nhất đến xấu nhất cần tiến hành nghịch đảo các dữ liệu thứ bậc thành dữ liệu xếp hạng theo từng nhân tố. Sau đó dùng dữ liệu xếp hạng theo từng nhân tố gia trọng với các trọng số (tầm quan trọng của từng nhân tố thành phần thể hiện bằng % phương sai trích được) để tính ra dữ liệu xếp hạng chung của từng ngân hàng.

Kết luận

Trên cơ sở nghiên cứu xếp hạng của các NHTM, Ngâ hàng Nhà nước cần thiết lập một hệ thống chỉ số đánh giá khoa học theo phương pháp nghiên cứu định lượng, sử dụng phương pháp nghiên cứu phù hợp để có kết quả xếp hạng ngân hàng chính xác, khách quan.

Nghiên cứu này được tài trợ bởi Quỹ phát triển khoa học và công nghệ NTTU trong đề tài mã số 2016.01.02.

Tài liệu tham khảo:

1. Chen Jia Li và Li Xue Jian (2011) “A Study on Assessment for Bank Performance via PCA and AHP” Journal of Systems Science, vol.19 No.1 Feb, 2011;

2. Gupta, V., K. and Aggarwal, M. (2012), “Performance Analysis of Banks in India – Pre and  Post  World  Trade  Organization  (General  Agreement  on  Trade  in  Services)”. European Journal of Business and Management, Vol 4, No.3, 2012;

3. Mabwe,  K.  and  Robert,  W.  (2010),  “A  financial  Ratio  Analysis  of  Commercial  Bank Performance in  South  Africa”. African Review of Economics and  Finance, Vol.2, No.1, 2010;

4. Võ Hồng Đức và Nguyễn Đình Thiên (2013) “Cách tiếp cận mới về xếp hạng tín nhiệm các NHTM Việt Nam”. Trung tâm nghiên cứu phát triển, Đại học Mở TP. Hồ Chí Minh. http://www.ou.edu.vn/ncktxh/Documents/Seminars/Duc_Thien_%20Xep%20Hang%20Tin%20Nhiem%20NHTM.pdf.

Bài đăng trên Tạp chí Tài chính kỳ 2, số tháng 2/2017

————–&&&————-

5 Cách Để Đánh Giá Hiệu Quả Quản Lý Danh Mục Đầu Tư

 5 Cách Để Đánh Giá Hiệu Quả Quản Lý Danh Mục Đầu Tư

(Nguồn: http://www.saga.vn)

Hiệu suất tổng thể của danh mục đầu tư là thước đo cơ bản cho sự thành công của người quản lý danh mục đầu tư. Tuy nhiên, lợi suất tổng thể có thể không hoàn toàn là tiêu chí chuẩn xác khi đánh giá việc người được bổ nhiệm quản lý tiền của bạn có đang làm việc hiệu quả hay không. 

 

Ví dụ, bạn đầu bạn có thể cho rằng lợi suất tổng thể hàng năm của danh mục đầu tư ở mức 2% chỉ là một con số nhỏ. Tuy nhiên, nếu cũng trong khoảng thời gian tương tự, thị trường chỉ tăng 1% thì kết quả như vậy là tốt hơn so với vô vàn các loại chứng khoán hiện có. Mặt khác, nếu danh mục đầu tư này hoàn toàn tập trung vào các cổ phiếu vốn hóa siêu nhỏ và vô cùng rủi ro thì 1% lợi nhuận bổ sung trên thị trường không thể bù đắp rủi ro cho các nhà đầu tư. Dựa trên sự cần thiết phải đo đạc hiệu suất một cách chính xác, rất nhiều tỷ lệ khác nhau đã được sử dụng để xác định lợi suất đã điều chỉnh rủi ro (risk-adjusted return) của một danh mục đầu tư. Chúng ta sẽ xem xét 5 chỉ số phổ biến sau đây.

TỶ SỐ SHARPE (SHARPE RATIO)

Tỷ số Sharpe, còn được gọi là tỷ số lợi nhuận trên biến động, có lẽ là thước đo quản lý danh mục đầu tư phổ biến nhất. Mức chênh lệch cao hơn của danh mục đầu tư so với lãi suất phi rủi ro được tiêu chuẩn hóa bởi độ lệch chuẩn của phần lợi suất danh mục lớn hơn. Theo giả thuyết, các nhà đầu tư luôn có thể đầu tư vào trái phiếu chính phủ và thu về được phần lợi nhuận từ lãi suất phi rủi ro. Tỷ số Sharpe xác định rằng số lợi nhuận dự kiến trên số lợi nhuận tối thiểu đó. Trong khung lý thuyết rủi ro/lợi nhuận của lý thuyết danh mục đầu tư, khoản đầu tư rủi ro cao hơn thường sẽ đem lại lợi nhuận cao. Kết quả là, tỷ số Sharpe cao cho thấy mức tỷ suất sinh lời đã điều chỉnh rủi ro tốt hơn.

Trong số các thước đo dưới đây, có nhiều thước đo tương tự như tỷ số Sharpe. Theo đó, việc đo lường lợi nhuận dựa trên một mức chuẩn được chuẩn hóa cho các rủi ro vốn có của danh mục đầu tư, nhưng giữa các loại tỉ số đó cũng có điểm hơi khác nhau, tùy thuộc vào tình hình mà nhà đầu tư chọn lựa ra loại tỷ số phù hợp nhất cho mình.

TỶ SỐ ROY’S SAFETY-FIRST (ROY’S SAFETY-FIRST RATIO)

Tỷ số Roy’s Safety-First cũng tương tự như Sharpe, nhưng có một chút điều chỉnh. Thay vì so sánh lợi suất danh mục đầu tư với lãi suất phi rủi ro, lợi suất danh mục đầu tư được so sánh với lợi suất mục tiêu.

Nhà đầu tư thường sẽ xác định lợi suất mục tiêu dựa trên các yêu cầu tài chính để đảm bảo duy trì mức sống bình thường của mình, hoặc lợi suất mục tiêu có thể dựa theo một chuẩn đánh giá khác. Trong trường hợp một, nhà đầu tư có thể cần 50.000 USD/năm để chi tiêu; khi đó lợi suất mục tiêu đối với một danh mục đầu tư trị giá 1 triệu USD sẽ là 5%. Trong trường hợp thứ hai, lợi suất mục tiêu có thể lấy là bất cứ lợi suất nào từ chỉ số S&P500 cho đến lợi suất hàng năm của vàng. Các nhà đầu tư sẽ phải xác định được mục tiêu này trong bản nguyên tắc đầu tư (investment policy statement)

Tỷ số Roy’s Safety-First được dựa trên quy tắc an toàn là ưu tiên số một (safety-first-rule), trong đó nói rằng danh mục đầu tư nào cũng phải có một mức lợi suất tối thiểu, và rằng người quản lý danh mục đầu tư phải làm tất cả mọi thứ có thể để đảm bảo yêu cầu này.

TỶ SỐ SORTINO

Tỷ số Sortino tương tự như tỷ số Roy’s safety-first nhưng khác biệt ở chỗ thay vì là tiêu chuẩn hóa lợi suất cao hơn so với độ lệch chuẩn, chỉ có biến động xuống được sử dụng để tính toán. Hai tỷ số trước tính đến cả biến động lên và biến động xuống nên nếu một danh mục đầu tư tạo ra lợi suất hàng năm là +15%, +80% và +10 %, sẽ được coi là khá rủi ro, vì thể tỷ số Sharpe và Roy’s safety-first sẽ được điều chỉnh xuống.

Mặt khác thì tỷ số Sortino chỉ bao gồm các biến động xuống. Điều này có nghĩa là chỉ sự biến động làm lợi suất xuống dưới mức chuẩn mới được tính đến. Về cơ bản, chỉ có phía bên trái của đường cong phân bố chuẩn (normal distribution curve) được coi là một chỉ số đo lường rủi ro, do đó sự biến động của lợi suất vượt mức chuẩn sẽ không được tính. Có nghĩa là, điểm số dành cho người quản lý danh mục đầu tư không bị ảnh hưởng xấu bởi việc lợi suất vượt mức mong đợi.

TỶ SỐ TREYNOR

Tỷ số Treynor cũng tính toán lợi suất gia tăng của danh mục đầu tư so với lãi suất phi rủi ro. Tuy nhiên, hệ số beta được sử dụng như một thước đo rủi ro để chuẩn hóa hiệu suất thay vì độ lệch chuẩn. Vì thế, kết quả của tỷ số Treynor phản ánh phần lợi suất vượt mức đạt được bằng một chiến lược trên mỗi đơn vị rủi ro hệ thống. Sau khi Jack L. Treynor lần đầu tiên giới thiệu thước đo này, nó nhanh chóng bị vùi dập bởi khi đó chỉ số Sharpe đang rất được ưa chuộng. Tuy nhiên, Treynor chắc chắn sẽ không bị lãng quên. Ông đã theo học chuyên gia kinh tế Ý Franco Modigliani và là một trong những nhà nghiên cứu mở đường cho mô hình định giá tài sản vốn (capital asset pricing model).

Vì tỷ số Treynor dựa trên hiệu số giữa lợi suất của danh mục và rủi ro thị trường, chứ không phải rủi ro đặc thù của danh mục đầu tư cho nên nó thường được kết hợp với tỷ số khác để đưa ra cái nhìn toàn diện hơn về hiệu quả của danh mục.

TỶ SỐ THÔNG TIN (INFORMATION RATIO)

Tỷ số thông tin có hơi phức tạp hơn so với các chỉ số ở trên, nhưng nó cung cấp lượng thông tin lớn hơn về năng lực lựa chọn cổ phiếu của nhà quản lý danh mục đầu tư. Ngược lại với việc quản lý đầu tư thụ động, quản lý chủ động đòi hỏi việc giao dịch thường xuyên để làm tốt hơn mức chuẩn đề ra. Trong khi người quản lý chỉ có thể đầu tư vào công ty S&P500, người này có thể cố gắng tận dụng các cơ hội đến từ việc định giá chứng khoán sai có tính nhất thời. Phần lợi suất trên mức tiêu chuẩn được gọi là lợi suất chủ động, con số này chính là tử số trong công thức ở trên.

Trái ngược với Sharpe, Sortino và Roy’s safety-first, tỷ số thông tin sử dụng độ lệch chuẩn của lợi suất chủ động như một phép đo rủi ro thay vì độ lệch chuẩn của danh mục đầu tư. Do người quản lý danh mục đầu tư cố gắng để đạt kết quả trên mức tiêu chuẩn nên đôi khi lợi suất sẽ vượt quá hoặc giảm dưới mức chuẩn. Độ lệch danh mục đầu tư trên mức tiêu chuẩn là thước đo rủi ro được sử dụng để tiêu chuẩn hóa lợi suất chủ động.

Xem định nghĩa tổng quát của tỷ số thông tin, còn gọi là Luật cơ bản của Grinold (Grinold’s Fundamental Law): https://www.youtube.com/watch?v=yNeatdTJgQk

LỜI KẾT

Những tỷ số ở trên về cơ bản thực hiện nhiệm vụ tương tự nhau: Chúng giúp các nhà đầu tư tính toán lợi suất vượt mức trên một đơn vị rủi ro. Sự khác biệt phát sinh khi các công thức được điều chỉnh để bao hàm các loại rủi ro và lợi suất khác nhau. Ví dụ, hệ số beta rất khác rủi ro sai biệt so với chỉ số tham chiếu (tracking-error risk). Chuẩn hóa lợi suất trên cơ sở đã điều chỉnh rủi ro sẽ giúp các nhà đầu tư đánh giá nhà quản lý danh mục đầu tư và hiểu rằng những người chạy theo chiến lược mạo hiểm chẳng tài cán gì hơn so với nhà quản lý có độ rủi ro thấp, mà đơn giản chỉ là họ đi theo các chiến lược khác nhau.

Một điều cần lưu ý liên quan đến các thước đo này là chúng chỉ có thể được so sánh trực tiếp với nhau. Nói cách khác, tỷ số Sortino của một người quản lý danh mục đầu tư chỉ có thể được so sánh với tỷ số Sortino của người quản lý khác. Tỷ số Sortino của một người quản lý không thể so sánh với tỷ số thông tin của người khác. May mắn thay, năm tỉ số trên đều được diễn giải giống nhau: Tỉ số càng cao thì mức tỷ suất sinh lời đã điều chỉnh rủi ro càng tốt.

————&&&————