Ngoài các huyễn tưởng, thì những vấn đề cụ thể mà trí tuệ nhân tạo đặt ra là gì?

Ngoài các huyễn tưởng, thì những vấn đề cụ thể mà trí tuệ nhân tạo đặt ra là gì?

(Nguồn: http://www.phantichkinhte123.com)

Những tiến bộ mới của các công nghệ này, ngay từ bây giờ, đặt ra những câu hỏi ít gây ấn tượng mạnh, nhưng lại mang tính khá cụ thể.
Nếu cuộc tranh luận đã làm cộng đồng Internet bình luận nhiều ngày hôm đó, thì đặc biệt đó là dấu hiệu tiết lộ một lĩnh vực mà đại chúng ít được biết đến, trong đó tồn tại sự lẫn lộn giữa những huyễn tưởng của khoa học viễn tưởng, thực tế khoa học, những thông báo khoa trương và những thông tin bị bóp méo đang lưu hành liên quan đến trí tuệ nhân tạo – tương tự như cuộc luận chiến theo đó các kỹ sư của Facebook đã gỡ bỏ khẩn cấp các chương trình từng phát minh ra ngôn ngữ riêng của chúng. Tuy nhiên, nếu sự bi quan mà Elon Musk phơi bày, tạo ra được tiếng vang với một trí tưởng tượng tập thể nhất định, thì theo ý kiến của cộng đồng khoa học, có vẻ, điều này là cực kỳ phóng đại, nhưng trí tuệ nhân tạo cũng làm dấy lên những vấn đề khác, cụ thể hơn và cấp bách hơn.

Mối quan ngại đối với việc làm

Liệu, một ngày nào đó, có khả năng tồn tại một luật sư có trí tuệ nhân tạo không? MANON LOUVARD/LE MONDE
Một trong những quan ngại thường được nêu lên nhiều nhất về những tiến bộ gần đây của trí tuệ nhân tạo và công nghệ robot là tác động của chúng lên việc làm. Liệu các công nghệ này có làm cho con người trở nên lỗi thời đối với một số ngành nghề mà cho đến nay chưa bị sự cơ giới hóa và số hóa đụng tới? Không có gì là chắc chắn cả. Nhiều nghiên cứu nghiêm túc đã được công bố về đề tài này, và có xu hướng… mâu thuẫn nhau. Các nhà nghiên cứu của Đại học Oxford, ví dụ, trong một nghiên cứu được công bố vào năm 2013, cho rằng 47% việc làm ở Mỹ đang bị đe dọa. Ba năm sau, Tổ chức Hợp tác và Phát triển kinh tế (OECD), về phần mình, khẳng định rằng chỉ có 9% việc làm bị đe dọa trong 21 quốc gia thành viên của họ.
Marie-Claire Carrère-Gée
Các nghiên cứu chỉ quan tâm đến hiện tượng hủy diệt gộp của việc làm”, theo lời nhấn mạnh của Marie-Claire Carrère-Gée, chủ tịch Hội đồng định hướng đối với việc làm, tại một buổi điều trần trước Thượng viện vào ngày 19 tháng 1. “Nhưng các nghiên cứu đó không quan tâm đến việc tạo ra việc làm, cũng không quan tâm đến việc chuyển đổi những việc làm hiện hữu mà các công nghệ này có thể sinh ra, bà nói tiếp. “Với mỗi làn sóng đổi mới công nghệ lớn, thì có lo ngại về tình trạng thất nghiệp đại trà. Tuy nhiên, lịch sử đã chỉ ra rằng tiến bộ công nghệ luôn tạo ra việc làm, kể cả trong những năm gần đây.”
Vì vậy, chúng ta không thể dự đoán một cách chắc chắn về tác động của trí tuệ nhân tạo lên việc làm trong những năm tới, cho dù đó là sự hủy diệt hay sự chuyển đổi việc làm.
Các chương trình vừa phân biệt chủng tộc vừa phân biệt giới tính không kém gì con người
Các cơ sở dữ liệu khổng lồ mà nhờ đó một số công nghệ về trí tuệ nhân tạo được “đào tạo” thường mang tính thiên vị. QUENTIN HUGON/LE MONDE
Một số lớn các công nghệ về trí tuệ nhân tạo “học hỏi” từ các cơ sở dữ liệu khổng lồ được con người tạo ra, và dựa vào đó để đưa ra những kết luận. Tuy nhiên, các tập hợp dữ liệu này thường mang tính thiên vị. Kết quả: nhiều chương trình đã cho thấy chúng tái tạo sự phân biệt chủng tộc hoặc phân biệt giới tính của con người. Ví dụ, khi một chương trình của trí tuệ nhân tạo trở thành ban giám khảo của một cuộc thi hoa hậu vào năm 2016, thì nó loại bỏ hầu hết các ứng viên da đen. Một công nghệ khác, nhằm tạo lập các mối liên kết giữa các từ ngữ, đã tái tạo một số điều rập khuôn nhất định, ví dụ, khi kết hợp phụ nữ với công việc nội trợ và nam giới với các ngành nghề khoa học…
Emmanuel Mogenet (1967-)
Vì vậy, trí tuệ nhân tạo học hỏi từ những thành kiến của chính chúng ta để tái tạo tốt hơn. Làm thế nào để cải thiện tình hình? Nếu các cơ sở dữ liệu mang tính thiên vị, thì theo Emmanuel Mogenet, giám đốc Nghiên cứu châu Âu của Google, đó cũng là vì chúng thường không đầy đủ, và không đại diện đủ mức cho các dân tộc thiểu số. “Chúng ta cần phải tìm những nơi mà chúng ta chưa thu thập được nhiều dữ liệu, ông giải thích cho LeMonde vào tháng 4. Đây là một vấn đề mà chúng tôi đã thấy, và quan tâm rất lớn, bởi vì chúng tôi muốn có những mô hình có cả những cộng đồng thiểu số. Công việc đang phát triển.”
Hack [thâm nhập] trí tuệ con người – và nền dân chủ
Bằng cách khai thác các dữ liệu cá nhân của chúng ta, các chương trình của trí tuệ nhân tạo có thể giúp gây ảnh hưởng đến cách thức chúng ta suy nghĩ. QUENTIN HUGON/LE MONDE
Eric Horvitz phát biểu thẳng thừng: ông lo ngại “các cuộc tấn công của trí tuệ nhân tạo lên trí tuệ con người.” Chuyên gia nổi tiếng về trí tuệ nhân tạo này, giám đốc Research Labs của Microsoft, đã liệt kê, tại đại hội liên hoan SXSW, được tổ chức vào tháng 3 tại Austin (Texas), những mối nguy tiềm tàng của trí tuệ nhân tạo mà, theo ông, chúng ta nên suy nghĩ ngay từ hôm nay. Điều ông nói qua chữ “tấn công” không liên quan gì với game cyberpunk hoang tưởng về việc cấy ghép các công nghệ vào não. Mối nguy là rất cụ thể – và theo ông, đã tồn tại rồi.
Eric Horvitz (1958-)
Eric Horvitz gợi lên, ví dụ, các chương trình của trí tuệ nhân tạo có khả năng soạn thảo một dòng tweet “được thiết kế đặc biệt” cho một người. “Người ấy tweet về những gì? Khi nào thì người ấy đáp lại? Người ấy tham gia những sự kiện nào? Những thông tin này có thể được sử dụng để thiết kế một dòng tweet, mà người ấy gần như không thể không nhấp chuột.”
Một giai đoạn mới đối với việc quảng cáo có mục tiêu, nhưng đó không phải là điều duy nhất. “Các doanh nghiệp sử dụng các dữ liệu này không chỉ để cá nhân hóa các thông điệp, mà còn gây ảnh hưởng đến cách thức mà người dân sẽ đi bỏ phiếu, như trang tweet Cambridge Analytica.” Eric Horvitz cũng gợi lên nguy cơ của các “tin giả”, những thông tin sai được dựng lên từ đầu đến cuối, những thông tin có thể được hưởng lợi từ các công nghệ này: ngày nay, các chương trình, ví dụ, có khả năng làm cho trên video Barack Obama hay Vladimir Putin nói những gì mà người ta muốn họ nói. Một vấn đề không mang tính đặc thù đối với trí tuệ nhân tạo, nhưng các công nghệ này có khả năng tự động hóa và đơn giản hóa các phương tiện gây ảnh hưởng này.
Bóng ma của các loại vũ khí tự điều khiển
Cho đến bây giờ, các nước đều khẳng định rằng các robot [người máy] được sử dụng trong quân đội vẫn được con người điều khiển từ xa. QUENTIN HUGON/LE MONDE
Căn cứ vào trình độ của các công nghệ về trí tuệ nhân tạo và robot, không có gì ngăn cản, về mặt kỹ thuật, việc chế tạo các loại vũ khí giết người tự điều khiển. Ngày nay, các quân đội khẳng định rằng những cỗ máy mà họ đang sử dụng vẫn được con người điều khiển từ xa, chẳng hạn như những chiếc máy bay không người lái của quân đội Mỹ, và chưa có chiếc máy bay không người lái nào được quyền ra quyết định khai hỏa. Nhưng hiện nay, chưa có một quy định quốc tế nào ngăn cấm việc sử dụng các loại vũ khí giết người tự điều khiển, đang là chủ đề các cuộc thảo luận tại Liên Hợp Quốc.
Elon Musk (1971-)
Stephen Hawking (1942-)
Trong năm 2015, hơn một nghìn người, trong đó có nhiều nhà nghiên cứu về trí tuệ nhân tạo, và cả những nhân vật quan trọng như Elon Musk hoặc nhà vật lý thiên văn học Stephen Hawking, đã ký tên kêu gọi ngăn cấm việc sử dụng các loại vũ khí này. “Trí tuệ nhân tạo đã đạt đến một điểm mà việc triển khai các hệ thống như trên – về mặt vật chất, nếu không muốn nói về mặt pháp lý – sẽ là điều khả dĩ từ nay đến một vài năm nữa, chứ không phải là nhiều thập kỷ nữa, và thách thức được mất là rất quan trọng: các loại vũ khí tự điều khiển đã được mô tả như là cuộc cách mạng thứ ba trong các kỹ thuật chiến tranh, sau thuốc súng và vũ khí hạt nhân, đó là điều mà người ta có thể đọc được trong lời kêu gọi.
Một giai đoạn giám sát mới
Các công nghệ hình ảnh bằng máy vi tính đã tiến bộ một cách đáng kể trong những năm gần đây. Le Monde.fr
Các công nghệ hình ảnh bằng máy tính đã tiến bộ một cách đáng kể trong những năm gần đây nhờ vào các tiến bộ của mô hình học sâu [apprentissage automatique (machine learning – học máy) et apprentissage profond (deep learning – học sâu) – ND]. Từ nay, các chương trình có khả năng nhận diện các khuôn mặt, phân biệt con mèo với con chó và mô tả các hình ảnh. Các sáng kiến này ngày càng được áp dụng nhiều cho video, và đặc biệt cho việc giám sát bằng video. Công ty đường sắt quốc gia của Pháp (SNCF), ví dụ, đã công bố ngay sau các vụ tấn công khủng bố vào tháng 11 năm 2015 tại các vùng của Paris, rằng họ đã thử nghiệm các công nghệ phát hiện những hành vi đáng ngờ từ các máy camera giám sát, dựa trên các tiêu chí như “sự thay đổi thân nhiệt, hiện tượng cao giọng hoặc cử chỉ trúc trắc bất thường, những thứ có thể cho thấy một mức độ lo lắng nào đó.
Cùng với các công nghệ nhận diện khuôn mặt, dạng hệ thống này có thể, ví dụ, giúp phát hiện ngay một người được liệt kê trong danh sách S (danh sách này “được dùng để theo dõi những ai, tuy không bị kết án hình sự, nhưng bằng hành động của họ, lúc này hay lúc khác, có thể là một nguy cơ gây rối loạn trật tự công cộng hay an ninh quốc gia” – ND) bỏ rơi một gói hàng khả nghi. Mà còn phát hiện một nhà hoạt động nhân quyền trong một chế độ độc tài hay một người đồng tính trong một quốc gia nơi mà vấn đề đó bị lên án. Các hệ thống này vẫn còn lâu mơi hoạt động một cách hoàn hảo, và nguy cơ trở thành một “mục tiêu giả” vẫn còn rất cao.
Các hệ thống bí hiểm
Hàng triệu phép toán được thực hiện bởi các mạng thần kinh nhân tạo rất khó để tách biệt và phân tích. QUENTIN HUGON/LE MONDE
Nhờ vào các công nghệ về trí tuệ nhân tạo, chúng ta có khả năng tạo ra những chương trình cho phép chọn lọc các hồ sơ lý lịch, để đề xuất các chẩn đoán về y tế hoặc phê duyệt một đơn xin vay tiền. Thế nhưng, một phần lớn các quyết định được các chương trình này đưa ra… đều không thể giải thích được. Cụ thể, các kỹ sư không biết làm thế nào để truy lại vô số các phép toán đã được cỗ máy thực hiện để đi đến kết luận của nó.
David Sadek
Rõ ràng, điều này có nghĩa là nếu đơn xin vay tiền của bạn bị từ chối, hoặc nếu hồ sơ lý lịch của bạn bị đánh trượt, thì sẽ không có lời giải thích nào được đưa ra. Một nhận xét phiền hà lý giải vì sao trong số các công nghệ của ngày nay thì các công nghệ về trí tuệ nhân tạo thường được sử dụng để đề xuất các giải pháp, rồi được con người hợp thức hoá lại sau đó.
Việc giải thích sự vận hành của các công nghệ này, dựa trên các mạng thần kinh nhân tạo, là một trong những thách thức lớn của các nhà nghiên cứu về trí tuệ nhân tạo, đang nghiên cứu về vấn đề này. “Lời giải thích cho hành vi là điều rất quan trọng, đây là những gì xác định sự chấp nhận của xã hội đối với các hệ thống này, theo lời giải thích của David Sadek, Giám đốc nghiên cứu tại Mines Telecom, trước Thượng viện, vào ngày 19 tháng 1.
Trong những tháng gần đây, các cuộc tranh luận xung quanh thuật toán APB, làm trọng tài cho các định hướng lựa chọn nghề nghiệp của các học sinh tốt nghiệp phổ thông – không phải là một chương trình về trí tuệ nhân tạo, nhưng mà mã của nó từ lâu vẫn hoàn toàn bí mật – đã cho thấy sự bí hiểm của các hệ thống tự động này đã đặt ra những vấn đề quan trọng.
Những vấn đề pháp lý quan trọng cần giải quyết
Nếu robot dẫn đến việc chiếm nhiều chỗ hơn trong cuộc sống của con người, thì pháp luật sẽ phải thích nghi. QUENTIN HUGON/LE MONDE
Jean-Yves Le Déaut (1945-)
Nếu robot được phát triển, thì ai sẽ chịu trách nhiệm? Rồi vấn đề bồi thường trong trường hợp có thiệt hại sẽ được đặt ra, theo lời của Jean-Yves Le Déaut, lúc đó là dân biểu, nhân một buổi điều trần tại Thượng viện vào ngày 19 tháng 1. Đây là một vấn đề cần quan tâm, ngay cả khi luật pháp, ở Pháp cũng như ở các nước khác, dường như chưa sẵn sàng thay đổi. “Các hệ thống tự động ngày càng dẫn đến việc đưa ra các quyết định trong những tình huống mà các kỹ sư không thể tiên đoán được,” theo giải thích của Derek Jink, giáo sư luật tại Khoa Luật của Đại học Texas, nhân đại hội liên hoan SXSW vào tháng 3.
Ai, ví dụ, sẽ chịu trách nhiệm về các hành vi của những chiếc ô-tô tự lái? Câu hỏi thường được đặt ra, và đã ám ảnh các công ty bảo hiểm: nếu một chiếc xe tự hành gây một tai nạn chết người, thì chịu trách nhiệm sẽ thuộc người chế tạo ra chiếc xe ô-tô, người kỹ sư đã phát triển ra trí tuệ nhân tạo, người chủ sở hữu chiếc xe hoặc người ngồi ở vị trí cầm lái chiếc xe? Những vấn đề cấp bách, trong khi những chiếc xe thực nghiệm tự lái đã lưu thông hàng triệu cây số trên những con đường thực, tại Hoa Kỳ.
Nhưng đối với nhân vật Terminator [Kẻ hủy diệt], bạn có thể vượt qua
Một cảnh trong bộ phim Mỹ của Alan Taylor, “Terminator: Genisys [Kẻ hủy diệt: Thời đại Genisys],” được công chiếu vào năm 2015. PARAMOUNT PICTURES/MELINDA SUE GORDON
Tính độc đáo, nó làm phiền tôi. Tháng Tư, Jean Ponce, nhà nghiên cứu về hình ảnh nhân tạo tại trường École Normale Supérieure (ENS), đã chỉ trích những người ủng hộ khái niệm này, đề cập đến thời điểm giả định khi mà trí tuệ nhân tạo sẽ vượt qua trí tuệ con người. “Cá nhân tôi không thấy có dấu hiệu gì cho thấy cỗ máy thông minh, ngày nay, gần gũi hơn với chúng ta so với trước đây,” ông giải thích tại một hội nghị do Google tổ chức tại Paris.
Jean Ponce
Trong trí tưởng tượng tập thể, trí tuệ nhân tạo không ngừng gợi lên hình ảnh của các bộ phim Terminator [Kẻ hủy diệt], trong đó các cỗ máy thông minh đã tuyên chiến với con người. Tuy nhiên, trong thực tế, đại đa số các nhà nghiên cứu về trí tuệ nhân tạo đều khẳng định không có một ý tưởng nào về cách thức có thể tạo ra được một cỗ máy thông minh hơn con người, có khả năng giao tiếp một cách tự nhiên, ý thức được lí lẽ thông thường, có tính hóm hỉnh, có khả năng hiểu được môi trường xung quanh… và càng ít hơn nữa là có hình thức của một robot người.
Ý tưởng về một trí tuệ nhân tạo thoát khỏi sự kiểm soát của người chế tạo ra nó cũng gây ra những cái cười nhếch mép trong cộng đồng, những người khó mà hiểu được tại sao lại có một số người lo ngại về một chương trình được thiết kế để chơi cờ vây lại có thể đột ngột muốn tấn công loài người.
Thật không thể tin nỗi khi nhận thấy lợi ích mà điều đó gợi lên ở con người, theo lời của Eric Horvitz, giám đốc Research Labs của Microsoft, tại đại hội liên hoan SXSW. Giới nhà báo có xu hướng truyền bá một quan điểm cực đoan, trong khi thực tế thì mang nhiều sắc thái hơn thế.” Đối với ông, “vẫn còn nhiều câu hỏi rất thú vị, (…) cần phải quan tâm, và không nên chế giễu khi cho rằng người ta là người điên. Nhưng, ông cũng nhấn mạnh rằng, “đây là những vấn đề đặt ra cho tương lai rất xa, và chúng ta phải suy nghĩ đến những vấn đề liên quan trực tiếp đến chúng ta, ngay lúc này.
Morgane Tual
Nhà báo của mục Pixels
Huỳnh Thiện Quốc Việt dịch
————————-&&&———————

Ngân hàng cho vay mà không cần nhân viên tín dụng

Ngân hàng cho vay mà không cần nhân viên tín dụng

(Nguồn: http://theleader.vn)

Ứng dụng chatbot của Ngân hàng OCBC đã giúp ký kết hơn 70 triệu đô la Singapore cho vay mua nhà kể từ đầu năm đến nay, ngân hàng cho biết vào thứ Ba (7/11).

Với tên gọi “Emma”, ứng dụng chatbot về tư vấn cho vay mua nhà được hỗ trợ bởi trí thông minh nhân tạo.

Phải mất ba tháng để “Emma” được đào tạo đầy đủ để giải quyết tất cả các câu hỏi mà người tiêu dùng đặt ra về các điều khoản vay mua nhà. Chatbot này sử dụng hệ thống tính tỷ lệ hoàn trả nợ để giải quyết các truy vấn.

“Emma” được đào tạo để xác định và kết hợp với tất cả các thuật ngữ được sử dụng trong quá trình xin hoặc tái cấp vốn vay mua nhà.

Khi các quy định hoặc sửa đổi mới được đưa ra, “Emma” có thể được cập nhật để trả lời các câu hỏi mới, ngân hàng cho biết.

“Emma”, ứng dụng có sẵn trên máy tính để bàn, máy tính xách tay và các thiết bị di động thông minh, được phát triển bởi bộ phận cho vay mua nhà của ngân hàng OCBC và CogniCor, một trong những công ty mới thành lập từ The Open Vault tại OCBC.

The Open Vault là một chương trình đẩy mạnh phát triển fintech của ngân hàng OCBC.

Giao diện ứng dụng Emma

Giao dịch thuật toán/định lượng cơ bản

Giao dịch thuật toán/định lượng cơ bản

(Nguồn: http://scue.vn)

[Algorithmic trading (algo trading)/ Quantitative trading/ Automated trading/ Robot trading/ Electronic trading/ Dark pool trading]

Giao dịch định lượng cơ bản (P1)

Bài viết này sẽ cung cấp một số khái niệm cơ bản về hệ thống giao dịch định lượng (quantitative trading system). Đối tượng của bài viết này bao gồm hai nhóm. Trước tiên sẽ là những ai đang có mục tiêu trở thành một chuyên viên giao dịch định lượng trong các quỹ đầu tư. Thứ hai là những người muốn cố gắn thiết kế thuật toán giao dịch cho công việc kinh doanh cá nhân.

Giao dịch định lượng (giao dịch bằng thuật toán) là một lĩnh vực cực kỳ tinh vi, phức tạp của tài chính định lượng. Nghiên cứu nó có thể cần một khoảng thời gian lớn để nắm bắt những kiến thức cần thiết nhằm vượt qua một cuộc phỏng vấn nghề nghiệp hay xây dựng một chiến lược giao dịch riêng cho bản thân. Không chỉ vậy nó còn đòi hỏi kỹ năng lập trình trên nhiều ngôn ngữ như MATLAB, R hay Python. Khi mà chiến thuật giao dịch tần số cao đang gia tăng thì công nghệ càng ngày quan trọng và có liên quan mật thiết. Do đó việc nắm vững và sử dụng các ngôn ngữ lập trình, đặc biệt là C/C++ là một điều tối quan trọng.

Một hệ thống giao dịch định lượng bao gồm 4 thành phần chính như sau:

1. Xác định chiến lược (Strategy Identification): Tìm một chiến lược, khai thác lợi thế đó và quyết định tần suất giao dịch

2. Kiểm định lại chiến lược (Strategy Backtesting): Khai thác dữ liệu, phân tích hiệu quả của chiến lược và loại bỏ những sai lệch.

3. Thực thi hệ thống (Execution System): Tạo một liên kết tới khu môi giới (broker), tự động hóa các giao dịch và giảm thiểu chi phí giao dịch.

4. Quản trị rủi ro (Risk Management): Phân bổ nguồn vốn tối ưu nhằm giảm thiểu rủi ro.

Xác định chiến lược (Strategy Identification)

Tất cả tiến trình giao dịch định lượng đều bắt đầu với vấn đề nghiên cứu. Quá trình nghiên cứu này bao gồm việc tìm kiếm một chiến lược, xem thử chiến lược có phù hợp với danh mục đầu tư của các chiến lược khác đang thực hiện, thu thập các dữ liệu cần thiết để kiểm tra chiến lược và thử tìm cách tối ưu hóa chiến lược để đạt được lợi nhuận cao hơn và/hoặc rủi ro thấp hơn. Chúng ta sẽ cần tính đến lượng vốn cần thiết nếu thực hiện nếu là một nhà giao dịch cá nhân và sự ảnh hưởng của chi phí giao dịch đến chiến lược.

Trái ngược với quan niệm phổ biến cho rằng sẽ khá dễ để tìm một chiến lược có lợi nhuận qua nhiều nguồn tài nguyên công cộng, việc tìm kiếm một chiến lược khả thi và tin cậy đòi hỏi công sức và nền tảng kiến thức lý thuyết cũng như thực tế để phát triển thuật toán cho chính mình. Các nhà nghiên cứu thường công bố những kết quả giao dịch theo lý thuyết trong khi các blog về tài chính định lượng sẽ thảo luận các chiến lược một cách chi tiết còn các tạp chí giao dịch sẽ tổng hợp các chiến lược được sử dụng của những quỹ đầu tư. Bạn có thể đặt câu hỏi tại sao các cá nhân và tổ chức lại sẵn sàng thảo luận về những chiến lược liên quan đến lợi nhuận của họ, đặc biệt là họ lại biết rất rõ đám đông nhà đầu tư còn lại có thể áp dụng chiến thuật này và làm nó trở nên mất hiệu lực trong dài hạn. Lý do nằm ở chỗ ho sẽ không nói về những thông số và phương pháp điều chỉnh mà họ đã thực hiện. Những tham số được tối ưu hóa mới chính là chìa khóa để biến một chiến lược tầm thường thành một chiến lược có lợi nhuận cao. Do đó trong thực tế một trong những cách tốt nhất để tạo ra một chiến lược độc đáo có lợi nhuận là dựa trên các phương pháp tương tự và sau đó tiến hành các thủ thuật để tối ưu hóa theo cách riêng của mình.

Một số website có thể dùng để tìm kiếm chiến lược giao dịch:

·         Social Science Research Network – www.ssrn.com

·         arXiv Quantitative Finance – arxiv.org/archive/q-fin

·         Seeking Alpha – www.seekingalpha.com

·         Elite Trader – www.elitetrader.com

·         Nuclear Phynance – www.nuclearphynance.com

·         Quantivity – quantivity.wordpress.com

Nhiều chiến lược khi bạn xem xét thường rơi vào các nhóm mean-reversion và trend-following/momentum. Chiến lược mean-reverting cố gắng để khai thác vấn đề trung bình trong dài hạn của một chuỗi giá (price series) và những sai lệch trong ngắn hạn này sẽ được điều chỉnh về quy luật của nó trong dài hạn. Chiến lược momentum lại cố gắng khai thác cả tâm lý nhà đầu tư và chiến lược của các quỹ lớn để đi theo xu hướng bằng cách tìm kiếm các đà tăng/giảm của thị trường cho đến khi nó bị đảo ngược.

Một khía cạnh rất quan trọng khác của giao dịch định lượng là tần số của chiến lược giao dịch. Giao dịch tần suất thấp (Low frequency trading – LFT ) thường được dùng để đề cập đến chiến lược nào giữ các tài sản dài hơn một ngày giao dịch. Tương ứng thì giao dịch tần suất cao (High frequency trading – HFT) dùng để đề cập đến các chiến lược chỉ giữ tài sản trong ngày giao dịch và giao dịch tần suất siêu cao (Ultra-high frequency trading – UHFT) là giữ tài sản chỉ trong vài giây hoặc mili giây. Do tính chất rất phức tạp của HFT và UHFT nên bài viết này sẽ không nghiên cứu 2 loại chiến lược này chi tiết.


Giao dịch định lượng cơ bản (P2)

Kiểm định lại chiến lược (Strategy Backtesting)

Mục tiêu của việc kiểm định lại chiến lược là tìm các bằng chứng xác thực khả năng sinh lời của một chiến lược khi ứng dụng vào dữ liệu lịch sử (historical data) và dữ liệu ngoài mẫu(*) (out-of-sample data). Bước kiểm định này dễ tạo ra kỳ vọng rằng sẽ có các chiến lược tạo ra lợi nhuận tốt trên thị trường thực. Tuy nhiên thực sự khâu kiểm định không đảm bảo cho sự thành công vì nhiều lý do. Đây chính là phần nhạy cảm nhất của giao dịch định lượng khi mà nó đòi hỏi phải vô số các sai lệch (bias) phải được xem xét cẩn thận và loại bỏ càng nhiều càng tốt. Chúng ta sẽ bàn đến một số loại sai lệch thông thường bao gồm look-ahead bias, survivorship bias và optimisation bias (hay còn gọi là data-snooping bias). Một số vấn đề quan trọng khác ảnh hưởng đến mô hình là tính khả dụng và độ “trong sạch” của dữ liệu, phân tích các chi phí giao dịch trong thực tế cũng như việc đưa ra quyết định dựa trên nền tảng vững chắc của khâu kiểm định. Chúng ta sẽ nói thêm về chi phí giao dịch trong phần thực thi hệ thống bên dưới.

(*Out-of-sample data: Ví dụ một mô hình được xây dựng dựa trên dữ liệu từ 1970-1979, sau đó người ta thử nghiệm mô hình này với dữ liệu từ 1980-1989 thì dữ liệu này gọi là out-of-sample).

Một khi chiến lược đã được xác định thì phải tiến hành thu thập dữ liệu lịch sử rồi tiến hành thử nghiệm và cải tiến mô hình. Có rất nhiều nhà cung cấp dữ liệu cần thiết cho tất cả các loại tài sản, thông thường chi phí họ yêu cầu tỉ lệ với chất lượng, độ sâu và độ lâu dài của dữ liệu. Cách truyền thống để trở thành một chuyên viên giao dịch quant (ít nhất ở vị trí sales) là sử dụng các bộ dữ liệu miễn phí trên Yahoo Finance.

Những vấn đề chính cần phải quan tâm đối với dữ liệu lịch sử (historical data) bao gồm tính chính xác/trong sạch, survivorship bias và điều chỉnh số liệu lại do những hoạt động của công ty như chia cổ tức và tách cổ phiếu:

  • Tính chính xác (Accuracy) gắn liền với chất lượng tổng thể của dữ liệu. Một vài lỗi có thể dễ dàng tìm thấy bằng cách sử dụng các bộ lọc các điểm bất thường (spike filter), bộ lọc này sẽ tìm ra các điểm bất thường này trong chuỗi dữ liệu thời gian và chỉnh sửa lại cho phù hợp. Tuy nhiên sẽ có những lỗi rất khó phát hiện, vì vậy cần thiết phải có hai hay nhiều nguồn cung cấp dữ liệu trở lên để kiểm tra lẫn nhau.
  • Survivorship bias thường là đặc điểm của dữ liệu rẻ hoặc miễn phí. Bộ dữ liệu có survivorship bias nghĩa là nó không có hoặc thiếu dữ liệu về những tài sản đã không còn được giao dịch. Một ví dụ trường hợp loại tài sản vốn như cổ phiếu bị hủy niêm yết, vỡ nợ. Thiên kiến sai lệch này cho thấy bất kỳ chiến lược giao dịch của phiếu kiểm định trên bộ dữ liệu này dễ dẫn đến có kết quả tốt hơn so với kết quả thực giống như người chiến thắng đã được lịch sử lựa chọn trước.
  • Các hoạt động của công ty (Coporate actions) những hoạt động có tác động đến dữ liệu như giá cổ phiếu cần phải được điều chỉnh cho phù hợp, trường hợp điển hình là điều chỉnh cho việc chia cổ tức và tách cổ phiếu. Quá trình thực hiện các công việc điều chỉnh này gọi là quá trình điều chỉnh (back adjustment process). Một lưu ý khá quan trọng là cần phải phân biệt rõ ràng giữa việc chia tách cổ phiếu và điều chỉnh lại lợi nhuận cho phù hợp vì nhiều giao dịch viên thường không phân biệt rõ ràng sự khác biệt giữa hai khái niệm này.

Để thực hiện thủ tục kiểm định lại này cần phải sử dụng một phần mềm làm nền tảng. Có thể thực hiện kiểm định bằng phần mềm kiểm định chuyên dụng như Tradestation, phần mềm chuyên tính toán như Excel, MATLAB hoặc sử dụng ngôn ngữ lập trình để tự tạo ra một công cụ kiểm định riêng cho mình ví dụ như Python hay C++. Chúng ta sẽ không quan tâm nhiều đến phương pháp sử dụng các phần mềm có sẵn để kiểm định, thay vào đó là xây dựng các công cụ bằng cách tự lập trình. Một trong những lợi ích của cách làm này là chúng ta có thể tích hợp (liên kết) phần mềm kiểm định và hệ thống thực thi, điều này cho phép tính toán các phép tính thống kê phức tạp hơn trên hệ thống ngay cả khi hệ thống đang giao dịch, đặc biệt đối với các chiến lược HFT.

Công việc kiểm định phải định lượng được hiệu suất của hệ thống tốt đến mức nào. Các tiêu chuẩn để định lượng các chiến lược là maximum drawdown và Sharpe ratio. Maximum drawdown là chỉ số đặc trưng cho mức giảm lớn nhất (từ đỉnh đến đáy) của đường cong tài khoản vốn (account equity curve) trong một khoảng thời gian (thường là một năm). Chỉ số này thường được thể hiện ở tỉ số phần trăm, thông thường chiến lược LFT sẽ có maximum drawdown lớn hơn so với HFT do một số yếu tố khi thống kê. Kiểm định lại lịch sử giao dịch sẽ cho thấy maximum drawdown lớn nhất trong quá khứ từ đó có thể định hướng và kiểm soát các chiến lược có drawdown phù hợp. Chỉ số thứ hai cần phải quan tâm là Sharpe ratio, chỉ số này là trung bình của tỉ suất sinh lợi vượt trội chia cho độ lệch chuẩn của các tỉ suất sinh lợi vượt trội đó. Tỉ suất sinh lợi vượt trội là phần chên lệch giữa lợi nhuận chiến lược tạo ra và một tỉ suất sinh lợi tiêu chuẩn như chỉ số S&P 500 hay trái phiếu kho bạc T-bill kỳ hạn 3 tháng. Một vấn đề nữa là không nên sử dụng lợi nhuận hàng năm để làm thước đo tính hiệu quả của chiến lược hiện tại vì chiến lược có thể được điều chỉnh qua thời gian.

 

Backtesting bằng cách sử dụng phần mềm MATLAB

Một khi chiến lược đã được kiểm định và nó hạn chế được các sai lệch càng nhiều càng tốt đồng thời được thử nghiệm và có chỉ số Sharpe tốt cũng như các drawdown nhỏ sẽ được tiến hành bước tiếp theo – xây dựng hệ thống thực thi.

Thực thi hệ thống (Execution Systems)

Thực thi hệ thống là danh sách các lệnh được tạo ra bởi chiến lược sẽ được gửi đến và thực hiện bởi broker. Các hệ thống giao dịch của sàn giao dịch thế hệ mới có thể bán tự động hoặc hoàn toàn tự động và cơ chế thực hiện của hệ thống của chúng ta xây dựng có thể bằng tay, bán tự động (qua 1 click chuột) hay tự động hoàn toàn. Đối với chiến lược LFT thường sử dụng kỹ thuật bằng tay và bán tự động trong khi chiến lược HFT cần phải tạo ra một cơ chế giao dịch tự động hoàn toàn.

Những vấn đề quan trọng khi tạo ra một hệ thống thực thi là quá trình tương tác với broker, tối thiểu hóa chi phí giao dịch (bao gồm hoa hồng, sự trượt giá…) và sự khác biệt của hiệu năng thực tế với hiệu năng trong khâu kiểm định.

Có nhiều cách để tương tác với broker. Từ việc đơn giản như gọi điện trực tiếp đến các broker qua điện thoại tới sử dụng các chương trình ứng dụng tương tác (API – Application Programming Interface) hoàn toàn tự động. Lý tưởng nhất chính là tự động hóa các công việc điều hành giao dịch càng nhiều càng tốt. Điều này sẽ giải phóng chúng ta khỏi các tác vụ này và tập trung sâu hơn vào khâu nghiên cứu cũng như thử nghiệm nhiều chiến lược giao dịch khác nhau cùng lúc, thậm chí là chiến lược tần suất cao HFT (trong thực tế, chiến lược HFT không thể thực hiện mà không sử dụng phương pháp tự động). Các phần mềm kiểm định đã được nói ở trên như MATLAB, Excel và Tradestation thì phù hợp với các chiến lược đơn giản, tần suất thấp. Tuy nhiên, cần thiết phải xây dựng một hệt thống thực thi được viết trên một ngôn ngữ lập trình có hiệu năng cao như C++ nhằm thực thi những chiến lược HFT bởi vì các ngôn ngữ mạnh như C/C++ cho phép chúng ta xử lý dữ liệu với tần suất là phút, giây hay tới mili giây và micro giây – một đặc tính lý tưởng với HFT.

Các quỹ lớn thông thường không phải là nơi phù hợp với những chuyên gia giao dịch định lượng để tối ưu hóa các hoạt động đầu tư của họ. Tuy nhiên trong những quỹ nhỏ hơn hay các công ty HFT, các chuyên gia giao dịch cũng là những nhà điều hành do đó cần thiết kỹ năng chuyên môn rộng hơn. Nếu bạn vẫn muốn làm cho một quỹ đầu tư lớn, kỹ năng lập trình vẫn quan trọng không kém kỹ năng về thống kê và kinh tế lượng.

Một vấn đề chính trong khâu thực thi là giảm thiểu chi phí giao dịch. Thông thường có ba loại chi phí giao dịch: hoa hồng (hoặc thuế) được trả cho các broker hay chi phí giao dịch cho SEC (Ủy ban chứng khoán Hoa Kỳ) hoặc cơ quan đại diện tương đương; sự trượt giá là sự thay đổi giữa giá được đặt mua và giá thực sự mua được; sự chênh lệch (spread) về giá bid/ask (mua/bán) của cổ phiếu được giao dịch. Sự chênh lệch về giá mua/bán không cố định và phụ thuộc vào tính thanh khoản hiện tại trên thị trường.

Các chi phí giao dịch có thể tạo ra sự khác biệt giữa một chiến lược cực kỳ lợi nhuận với tỉ số Sharpe tốt và một chiến lược không có lợi nhuận với tỉ số Sharpe không tốt. Tuy nhiên dự đoán chi phí giao dịch chính xác ở khâu kiểm định chiến lược là một điều khá khó khăn. Dựa vào tần suất của chiến lược, chúng ta cần tiếp cận với các dữ liệu giao dịch trong quá khứ bao gồm cả dữ liệu của giá bid/ask.

Vấn đề chính cuối cùng đối với hệ thống thực thi là sự khác biệt giữa hiệu năng chiến lược trên thực tế với hiệu năng ở khâu kiểm định, điều này xảy ra do nhiều nguyên nhân đã được nói đến ở trên như các sai lệch (look-ahead bias, optimisatoin bias) khi xem xét ở khâu kiểm định. Tuy nhiên vẫn có một số chiến lược không dễ kiểm tra những sai lệch này trước khi triển khai thực hiện. Điều này thường xảy ra đối với các chiến lược HFT, UHFT như có thể xuất hiện các lỗi trong hệ thống thực thi cũng như lỗi trong chiến lược giao dịch mà không xuất hiện khi kiểm định mà chỉ xuất hiện khi giao dịch thực tế. Ngoài ra, thị trường hoàn toàn có thể thay đổi sau khi triển khai các chiến lược giao dịch như môi trường pháp lý thay đổi, tâm lý nhà đầu tư thay đổi và các hiện tượng kinh tế vĩ mô dẫn đến thị trường sẽ có những hành vi khác dự tính ảnh hưởng đến lợi nhuận của chiến lược.


Giao dịch định lượng cơ bản (P3-phần cuối)

Quản trị rủi ro (Risk management)

Công việc cuối cùng phải làm đối với hệ thống giao dịch là tiến trình quản trị rủi ro. Rủi ro ở đây bao gồm tất cả những lệch lạc mà chúng ta đã nói đến các phần trước. Nó bao gồm rủi ro về công nghệ ví dụ như các hệ thống máy chủ (server) ở sàn giao dịch đột nhiên xuất hiện lỗi đĩa cứng; rủi ro về broker như broker bị phá sản (bankrupt)…Tóm lại, những rủi ro này bao gồm gần như tất cả mọi thứ có thể gây trở ngại đến việc thực thi giao dịch của hệ thống và mỗi rủi ro là lại có thể có nhiều nguyên nhân gây ra nó. Hầu hết tất cả các quyển sách nói về chiến lược giao dịch đều đề cập đến quản trị rủi ro một cách chi tiết và đầy đủ, do đó trong phạm vi tính chất bài viết này sẽ không đề cập đầy đủ tất cả những nguyên nhân gây ra rủi ro với hệ thống.

Quản trị rủi ro cũng bao hàm cả khái niệm phân bổ nguồn vốn tối ưu (optimal capital allocation) là một nhánh của lý thuyết danh mục đầu tư. Khái niệm này có nghĩa là bao nhiêu vốn sẽ được phân phối tương ứng cho các chiến lược khác nhau và cho những giao dịch trong những chiến lược đó. Đây là một lĩnh vực phức tạp và nó dựa rất nhiều vào các kỹ thuật toán học để tính toán. Trong thực tế tiêu chuẩn được sử dụng trong việc phân bổ nguồn vốn tối ưu và tỉ lệ đòn bẩy của các chiến lược có liên quan đến khái niệm Tiêu chuẩn Kelly (Kelly criterion). Do bài viết này chỉ mang tính chất giới thiệu nên chúng tôi sẽ không đề cập sâu đến các vấn đề tính toán.

Công thức tiêu chuẩn Kelly: Kelly% = W – [(1-W)/R]

Có hai thành tố chính trong công thức này cần tính toán khi áp dụng vào việc giao dịch: W: xác suất xảy ra lợi nhuận dương của một giao dịch và R (win/loss): tỉ lệ giữa tổng những giao dịch lời và tổng những giao dịch lỗ.

Thành phần quan trọng khác của quản trị rủi ro là đối mặt với vấn đề tâm lý của bản thân mình. Có nhiều lệch lạc do nhận thức cảm tính của chuyên viên giao dịch, thiết kế hệ thống có thể đan xen vào công việc giao dịch. Có thể thừa nhận rằng các vấn đề về tâm lý sẽ được loại bỏ nếu như các chuyên viên giao dịch để hệ thống tự động thực thi mà không can thiệp. Một lệch lạc thông thường là “cảm giác mất mát” khi mà bạn đang bị thua lỗ nhưng không muốn đóng giao dịch đó lại vì điều đó đồng nghĩa với việc thừa nhận thua lỗ đó. Tương tự như vậy, trong trường hợp có lời thì giao dịch thường sẽ bị đóng quá sớm vì sợ mất lợi nhuận đã đạt được một cách tuyệt vời. Một lệch lạc khác thường được nhắc đến là lệch lạc gần đây (recency bias) có nghĩa là nhà đầu tư đặt quá nhiều trọng tâm vào các giao dịch/sự kiện xảy ra trong thời gian gần đây và không lâu dài, ví dụ như các chuyên viên giao dịch tính toán mức độ sinh lời của chiến lược dựa trên những kết quả giao dịch gần đây mà không phải trong một khoảng thời gian đủ dài, điều đó sẽ dẫn đến đánh giá không chính xác hiệu năng của chiến lược. Và tất nhiên không thể không nhắc đến một cặp lệch lạc cảm xúc truyền thống chính là sợ hãi và tham lam. 2 lệch lạc này thường dẫn đến việc sử dụng đòn bẩy quá thấp hoặc quá cao dẫn đến tình trạng blow-up (tài khoản vốn bị thua lỗ về 0 hoặc tình trạng xấu hơn) hay làm giảm lợi nhuận.

Tổng kết

Có thể thấy rằng giao dịch định lượng cực kỳ phức tạp mặc dù rất thú vị và cũng là một nhánh của tài chính định lượng. Bài viết trên chỉ đề cập đến những khía cạnh bề ngoài của giao dịch định lượng mọt cách đơn giản nhất, có rất nhiều quyển sách, bài nghiên cứu đã được viết ra chỉ dành riêng cho một chủ đề nhỏ đã nhắc đến ở trên. Do đó, bất kỳ ai muốn làm việc cho các quỹ ở vị trí giao dịch thì cần phải sẵn sàng học và nghiên cứu một khối lượng kiến thức lớn. Ít nhất thì các chuyên viên này phải có nền tảng vững ở lĩnh vực thống kê và kinh tế lượng với kinh nghiệm trong việc áp dụng chúng bằng các phần mềm như MATLAB, Python hay R. Đối với các chiến lược tinh vi, phức tạp hơn như giao dịch tần suất cao thì cần thêm các kỹ năng bao gồm lập trình nhân của Linux (Linux kernel), lập trình C/C++ và assembly, tối ưu hóa mạng lưới độ trễ.

Nếu bạn đang muốn thử tạo ra một chiến lược giao dịch cho bản thân, lời khuyên chúng tôi đưa ra là phải có kỹ năng lập trình tốt trước tiên. Tự xây dựng các chương trình thu thập dữ liệu, kiểm định lại chiến lược và hệ thống điều hành cho bản thân càng nhiều càng tốt. Nếu như vốn của bạn đang được giao dịch trên hệ thống, ít nhất bạn có thể ngủ ngon khi biết rằng hệ thống đã được kiểm tra đầy đủ và những rủi ro đã được tính toán trước. Sử dụng phần mềm được gia công bởi các nhà cung cấp khác có thể giúp tiết kiệm thời gian trong ngắn hạn, tuy nhiên trong dài hạn lại có thể rất tốn kém vì khó điều chỉnh lại hệ thống theo mục tiêu của mình cũng như tối ưu hóa các vấn đề khác.


Algorithmic, or quantitative, trading: https://www.quantstart.com/articles/Beginners-Guide-to-Quantitative-Trading

———————-&&&———————

Giới thiệu ngành tài chính định lượng

Giới thiệu ngành tài chính định lượng

(Nguồn: http://scue.vn)

Giới thiệu ngành tài chính định lượng P1

I. Tài chính định lượng là gì?

Tài chính định lượng (Quantitative Finance hay Mathematical Finance) là một mảng của toán học ứng dụng vào thị trường tài chính, ứng dụng các mô hình toán học nhằm dự báo, định giá giá trị chứng khoán; quản lý danh mục đầu tư; quản trị rủi ro tài chính hay giao dịch tự động.

Cần phân biệt rõ ràng giữa tài chính định lượng với một ngành khác dễ gây nhầm lẫn là kinh tế tài chính (financial economics). Sự khác biệt cơ bản thể hiện qua ví dụ so sánh:

Các nhà kinh tế tài chính nghiên cứu các lý do tại sao giá cổ phiếu của công ty lại biến động do các yếu tố khác.

Các nhà tài chính định lượng lại tìm cách định giá hay dự báo giá trị cổ phiếu công ty trong tương lai bằng các mô hình và công cụ toán học hiện đại.

II. Lịch sử của tài chính định lượng

Lịch sử của tài chính định lượng gắn liền với sự phát triển của các ngành khoa học tự nhiên: toán học, vật lý học, tin học.

Những ứng dụng đầu tiên của toán học là lý thuyết tối ưu hóa danh mục của Harry Markowitz. Sử dụng ước tính trung bình phương sai của các danh mục để đánh giá chiến lược đầu tư làm thay đổi hoàn toàn cách làm trước đó là cố gắng tìm kiếm một cổ phiếu riêng lẻ tốt nhất để đầu tư. Hay sử dụng hồi quy tuyến tính để hiểu rõ và định lượng rủi ro (như phương sai) và lợi nhuận (như giá trị trung bình) của toàn bộ cổ phiếu và trái phiếu, chiến lược tối ưu hóa đã được sử dụng để chọn danh mục đầu tư với lợi nhuận trung bình lớn nhất với mức độ rủi ro (phương sai) chấp nhận được. Đồng thời, William Sharpe đã phát triển công cụ toán học xác định mối quan hệ giữa mỗi cổ phiếu và thị trường cùng với các đồng sự. Do đó năm 1990, Markowitz, Sharpe cùng với Merton Miller đã được trao giải nobel kinh tế. Trong thời gian này toán học trở nên tinh vi và phức tạp hơn. Nhờ những cống hiến của Robert Merton và Paul Samuelson những mô hình một thời điểm đã được thay thế bởi các mô hình thời gian liên tục, mô hình chuyển động Brown.

Cuộc cách mạng quan trọng tiếp theo trong ngành tài chính định lượng là công trình mô hình hóa thị trường tài chính của Fischer Black và Myron Scholes cùng với những đóng góp nền tảng của Robert C.Merton. Scholes và Merton đã được trao giải nobel kinh tế năm 1997.

Các mô hình toán học tinh vi, phức tạp và chiến lược định giá sản phẩm phái sinh đã được phát triển liên tục nhưng tính đảm bảo an toàn đã bị phá hủy bởi cuộc khủng hoảng tài chính 2007-2010. Tuy nhiên, nhiều tổ chức trong lĩnh vực tài chính vẫn đang tiếp tục tìm kiếm các phương pháp và lý thuyết hiệu quả hơn.

Trong lĩnh vực vật lý, Bachelier là người đầu tiên tìm cách “định lượng” chuyển động Brown (chuyển động của hạt nhỏ li ti trong nước hay của các phân tử chất khí trong không khí) vào năm 1900 và được coi là cha đẻ của ngành toán tài chính hiện đại. Ông đã phát triển lý thuyết toán để nghiên cứu các quá trình ngẫu nhiên, lý thuyết mà sau này được tái khám phá bởi Einstein. Ngày nay mô hình chuyển động Brown dựa trên lý thuyết xác suất thống kê chính là mô hình chuẩn và nền tảng trong việc dự báo giá chứng khoán, lãi suất trái phiếu, rủi ro đầu tư trong tài chính hiện đại.

Sự bùng nổ mạnh mẽ ở lĩnh vực công nghệ thông tin và khoa học máy tính cuối thế kỷ 20 làm nền tảng quan trọng nhất cho sự phát triển ngành tài chính định lượng. Các máy tính với tốc độ xử lí tăng theo định luật Moore(*) là công cụ mạnh mẽ và không thể thay thế để thực thi các mô hình, các dự báo tài chính. Ngoài ra nhiều máy tính, hệ thống quản lí điện tử đã được đưa vào ứng dụng ở các sở giao dịch chứng khoán như NYSE (New York Stock Exchange) những năm 1970 và từ năm 1980 xuất hiện hình thức giao dịch tự động (algorithmic trading hay automated trading), đặc biệt là giao dịch tần số cao HFT (high- frequency trading). Hệ thống giao dịch tự động sử dụng các thuật toán (algorithm) do các nhà tài chính định lượng viết ra cho các máy tính tự động giao dịch liên tục nhằm tối ưu hóa lợi nhuận bằng chênh lệch giá.

Tiếp tục đọc

The life and times of genius problem solver, Claude Shannon w/ Jimmy Soni [Talk]

The life and times of genius problem solver, Claude Shannon w/ Jimmy Soni

(Nguồn: https://chatwithtraders.com)

Shannon was born in 1916 and became one of the foremost intellects of the twentieth century, before passing away in 2001. He was a mathematician, a scientist, an inventor and also, a stock market investor…

Although he’s widely unknown by the general public, Shannon is responsible for Information Theory—a revolutionary method of measuring information which stands behind much of the technology we use all day everyday.

Shannon’s other achievements, discoveries and inventions range from artificial intelligence to cryptography and fire breathing trumpets to chess playing machines and the world’s first wearable computer, and that’s not all!

  • What compelled Jimmy and Rod to write Claude Shannon’s biography, the numerous challenges, and why Shannon shied away from the public spotlight.
  • About Shannon’s life growing up in a small town, whether he was a brilliant mind from the outset, and one of the great lessons we can adapt from his character.
  • Information Theory; the breakthrough discovery of Shannon’s career, what it means in layman’s terms and how it’s responsible for much of today’s technology.
  • How the Shannon’s approached the stock market—without doing anything overly complex, the performance of their portfolio and their best investments.

———————-&&&———————-

Bảy sai lầm chết người khi hiểu sai về thống kê và cách tránh chúng

Bảy sai lầm chết người khi hiểu sai về thống kê và cách tránh chúng

(Nguồn: http://vienthongke.vn)

Thống kê là một công cụ hữu ích để tìm hiểu về các mô hình trong thế giới xung quanh chúng ta. Nhưng sự hiểu biết bằng trực giác thường khiến chúng ta dễ dãi hơn khi giải thích những mô hình đó. Trong bài viết này, chúng tôi sẽ chỉ ra một số sai lầm phổ biến thường mắc phải và cách tránh chúng khi đề cập đến số liệu thống kê, xác suất và rủi ro.

1. Giả sử những khác biệt nhỏ là có ý nghĩa

Các biến động hàng ngày trên thị trường chứng khoán biểu thị cho cơ hội, may rủi hơn là một điều gì đó có ý nghĩa. Sự khác biệt trong các cuộc thăm dò ý kiến khi một bên (mã cổ phiếu) vượt lên một hoặc hai điểm thường chỉ là thông tin nhiễu trong thống kê.

Bạn có thể tránh đưa ra các kết luận sai lầm về nguyên nhân của các biến động, bằng cách yêu cầu được xem “phạm vi sai số” liên quan đến các số liệu.

Nếu những khác biệt nhỏ hơn phạm vi sai số, đó là sự khác biệt không có ý nghĩa, và sự biến thiên có thể chỉ là các biến động ngẫu nhiên.

2. Ý nghĩa thống kê tương đương với ý nghĩa thực tế

Chúng ta thường khái quát hóa về sự khác biệt giữa hai nhóm như thế nào, chẳng hạn như thể lực phụ nữ thường yếu hơn so với nam giới.

Những khác biệt này thường dựa trên những định kiến và kinh nghiệm dân gian, nhưng lại bỏ qua sự tương đồng của những người giữa hai nhóm, và những khác biệt của những người trong cùng một nhóm.

Nếu bạn chọn ngẫu nhiên hai người đàn ông, có thể có khá nhiều khác sự biệt giữa họ về mặt thể lực. Nếu bạn chọn một người đàn ông và một phụ nữ, có thể hai người được nuôi dưỡng tương tự nhau, hoặc có thể người đàn ông được nuôi dưỡng tốt hơn người phụ nữ.

Hình 1: Các biểu đồ sai số minh họa mức độ không chắc chắn trong một điểm. Khi phạm vi sai số trùng nhau, sự khác biệt có thể là do thông tin nhiễu trong thống kê.

Bạn có thể tránh được lỗi này bằng cách hỏi về “hệ số ảnh hưởng” của những sự khác biệt giữa các nhóm. Đây là công cụ đo lường sự khác nhau về mức độ trung bình giữa hai nhóm.

Nếu hệ số ảnh hưởng nhỏ, thì có thể đưa ra kết luận là hai nhóm khá tương đồng. Ngay cả khi hệ số ảnh hưởng lớn, vẫn có nhiều cá thể tương đồng giữa hai nhóm, không phải tất cả thành viên của nhóm này đều sẽ khác biệt với tất cả thành viên của nhóm khác.

3. Không chú ý đến các điểm cực trị

Mặt khác, hệ số ảnh hưởng có liên quan khi bạn tập trung vào “phân phối chuẩn” (còn được gọi là “đường cong hình chuông”). Đây là vùng mà hầu hết mọi giá trị đều ở gần điểm trung bình và chỉ có một nhóm nhỏ nằm ở trên hoặc dưới mức trung bình.

Khi điều này xảy ra, một thay đổi nhỏ trong hoạt động của nhóm tạo ra sự bất thường, không có ảnh hưởng đến nhóm người ở mức trung bình (xem hình 2) nhưng lại tác động đến các giá trị ở những điểm cực trị rất lớn.

Chúng ta có thể tránh lỗi này bằng cách nhìn lại việc chúng ta có xem xét các điểm cực trị hay không. Khi bạn chỉ quan tâm đến nhóm người ở mức trung bình, sự khác biệt nhóm nhỏ thường không thành vấn đề. Khi bạn quan tâm đến các điểm cực trị, sự khác biệt nhóm nhỏ có thể trở nên rất quan trọng.

Hình 2: Trong hai tổng thể phân phối chuẩn, sự khác biệt giữa chúng sẽ rõ ràng hơn ở những điểm cực trị so với điểm trung bình.

4. Tin vào sự trùng hợp ngẫu nhiên

Bạn có biết rằng có sự tương quan giữa số người bị chết đuối mỗi năm tại Hoa Kỳ do ngã vào bể bơi và số lượng phim mà Nicholas Cage xuất hiện?

Nếu bạn đủ kiến thức bạn có thể tìm ra sự thú vị của mô hình về mối tương quan này, thực ra chỉ đơn thuần là do sự trùng hợp ngẫu nhiên.

Điều này xảy ra khi hai hiện tượng diễn ra cùng thời điểm, hoặc trong cùng một mô hình tương đồng nhau, không có nghĩa là chúng có liên quan đến nhau.

Tránh lỗi này bằng cách tìm hiểu mức độ liên kết quan sát được giữa các vấn đề có đáng tin cậy hay không. Nó chỉ xảy ra một lần hay diễn ra nhiều lần? Các mối liên hệ có thể dự đoán được trong tương lai không? Nếu bạn nhận thấy nó chỉ xảy ra một lần duy nhất, thì đó là sự tình cờ ngẫu nhiên.

Hình 3: Có tồn tại mối liên hệ nhân quả?

5. Xem xét ngược lại các nguyên nhân

Khi hai sự việc tương quan với nhau – ví dụ, các vấn đề về tình trạng thất nghiệp và bệnh tâm thần – có thể khiến chúng ta liên tưởng đến lối suy nghĩ nhân quả “hiển nhiên” là – hậu quả của bệnh tâm thần chính là tình trạng thất nghiệp.

Nhưng đôi khi mối quan hệ nhân quả xảy ra theo một cách khác, chẳng hạn như tình trạng thất nghiệp mới dẫn đến các vấn đề về sức khoẻ tâm thần.

Bạn có thể tránh được lỗi này bằng cách nhớ suy nghĩ về hướng ngược lại trong mối quan hệ nhân quả, khi bạn thấy một mối liên hệ xảy ra. Liệu ảnh hưởng có đi theo hướng khác không? Hoặc chúng có tác động lẫn nhau, tạo ra một vòng lặp thông tin phản hồi?

6. Bỏ quên việc đánh giá các nguyên nhân bên ngoài

Mọi người thường bỏ qua không đánh giá “các yếu tố thứ ba” hoặc các nguyên nhân bên ngoài có thể xảy ra tạo ra mối liên hệ giữa hai vấn đề mặc dù thực chất cả hai đều là kết quả của yếu tố thứ ba.

Ví dụ, có thể tồn tại mối liên hệ giữa việc ăn ở nhà hàng và sức khỏe tim mạch tốt hơn. Điều đó sẽ khiến bạn tin rằng có một sự liên hệ giữa hai sự việc này.

Tuy nhiên, có thể nghĩ ngay rằng những người có khả năng ăn ở nhà hàng đều đặn là những người nằm trong nhóm có điều kiện kinh tế cao, và họ cũng có điều kiện để chăm sóc sức khoẻ tốt hơn, trong đó bao gồm cả việc chú ý đến sức khỏe tim mạch nhiều hơn.

Bạn có thể tránh được lỗi này bằng cách nhớ hãy suy nghĩ về tác động của các yếu tố thứ ba khi nhìn nhận về một mối tương quan nào đấy. Nếu bạn quan tâm đến một vấn đề như là một nguyên nhân có thể xảy ra, hãy tự hỏi mình “cái gì, trong hoàn cảnh nào, gây ra điều đó? Có phải yếu tố thứ ba có thể cùng gây ra cả hai kết quả quan sát được không?”.

7. Biểu đồ dễ gây ra sự nhầm lẫn

Rất nhiều mối nguy hại xảy ra trong việc chia giá trị/tỷ lệ và ghi nhãn ở trục tung đồ thị. Việc ghi nhãn chỉ ra phạm vi đầy đủ ý nghĩa của bất cứ điều gì bạn đang nghiên cứu.

Nhưng đôi khi người tạo ra đồ thị lựa chọn một phạm vi hẹp hơn, nhằm tạo sự khác biệt nhỏ hoặc làm rõ sự liên hệ hiệu quả hơn. Trên thang đo từ 0 đến 100, hai cột có thể có cùng chiều cao. Nhưng nếu bạn sử dụng đồ thị có nguồn dữ liệu tương tự nhưng vùng chỉ hiển thị từ 52.5 đến 56.5, chúng có thể trông hoàn toàn khác biệt.

Hình 4: Các đồ thị cho thấy sự khác nhau nhiều hay ít phụ thuộc vào việc chia tỷ lệ

Bạn có thể tránh được lỗi này bằng cách chú ý phần nhãn ghi dọc theo các trục của biểu đồ. Hãy hoài nghi về bất cứ đồ thị nào không ghi nhãn.

Nhung Phạm (dịch)

Nguồn: https://phys.org/news/2017-03-deadly-statistical-misinterpretation.html

———————-&&&———————-

Ứng dụng của 7 công cụ thống kê trong vấn đề sản xuất

Ứng dụng của 7 công cụ thống kê trong vấn đề sản xuất

(Nguồn: http://pms.edu.vn)

Một trong các nguyên tắc của quản lý hiện đại là các quyết định phải dựa trên dựa trên sự kiện, dữ liệu, không được quyết định dựa trên cảm tính. Muốn vậy cần phải thu thập, thống kê, phân tích các dữ liệu riêng lẻ thành những thông tin, sự kiện thể hiện bản chất của vấn đề, từ đó sẽ có cách giải quyết nó.
7 công cụ thống kê (seven tools) đã được người Nhật lựa chọn và ứng dụng rất thành công từ sau chiến tranh thế giới lần thứ II. Từ đó việc áp dụng chúng càng rộng rãi và phổ biến trên toàn thế giới từ cải tiến công nghệ, thay thế nguyên liệu đến kiểm soát chất lượng.

1

Tại các doanh nghiệp vừa và nhỏ ở Việt Nam, việc áp dụng các công cụ thống kê trong kiểm soát chất lượng rất hạn chế hoặc không biết áp dụng. Sử dụng một hoặc nhiều trong số 7 công cụ, mỗi doanh nghiệp có thể phân tích các yếu tố trong quá trình để xác định vấn đề. Giá trị của các công cụ thống kê ở chỗ, nó đem lại những công cụ đơn giản nhưng hữu hiệu. Chúng có thể được sử dụng một cách độc lập hoặc kết hợp để xác định chính xác những điểm bất thường, các điểm thiếu kiểm soát và giảm thiểu những tác động của chúng trong quá trình sản xuất, kinh doanh.

Tóm lại, việc sử dụng các công cụ thống kê trong kiểm soát chất lượng đảm bảo cho việc quản lý chất lượng có căn cứ thực tế và khoa học khi ra quyết định. Sử dụng các công cụ thống kế giúp giải thích được tình hình quản lý chất lượng một cách đúng đắn, phát hiện kịp thời các nguyên nhân gây lỗi để có biện pháp điều chỉnh thích hợp.

13(39)
Chính nhờ những hiệu quả của chúng nên việc sử dụng 7 công cụ thống kê trong kiểm soát chất lượng trở thành một nội dung không thể thiếu trong quản lý chất lượng của mỗi doanh nghiệp, 7 công cụ đề cập ở đây bao gồm:

  1. Phiếu kiểm tra (Check sheet): được sử dụng cho việc thu thập dữ liệu. Dữ liệu thu được từ phiếu kiểm tra là đầu vào cho các công cụ phân tích dữ liệu khác, do đó đây bước quan trọng quyết định hiệu quả sử dụng của các công cụ khác.
  2. Biểu đồ Pareto (Pareto chart): sử dụng các cột để minh họa các hiện tượng và nguyên nhân ảnh hưởng có tính đến tầm quan trọng của chúng đối với sản phẩm. Sử dụng biểu đồ này giúp cho quản lý biết được những nguyên nhân cần phải tập trung xử lý.
  3. Biểu đồ nhân quả (Cause-effect diagram): giúp liệt kê những nguyên nhân có thể có dẫn đến kết quả, từ đó giúp ra nguyên nhân của một vấn đề.
  4. Biểu đồ phân bố (Histogram): là một dạng của đồ thị cột trong đó các yếu tố biến động hay các dữ liệu đặc thù được chia thành các lớp hoặc thành các phần và được diễn tả như các cột với khoảng cách lớp được biểu thị qua đường đáy và tần suất biểu thị qua chiều cao. Biểu đồ dạng này được sử dụng để theo dõi sự phân bố thô của sản phẩm/quá trình, từ đó đánh giá được năng lực của quá trình đó, giúp phòng ngừa trước khi các vấn đề đó sảy ra.
  5. Biểu đồ kiểm soát (Control chart): là biểu đồ với các đường giới hạn đã được tính toán bằng phương pháp thống kê được sử dụng nhằm mục đích theo dõi sự biến động của các thông số về đặc tính chất lượng của sản phẩm, theo dõi những thay đổi của quy trình để kiểm soát tất cả các dấu hiệu bất thường xảy ra khi có dấu hiệu đi lên hoặc đi xuống của biểu đồ.
  6. Biểu đồ phân tán (Scatter diagram): Biểu đồ phân tán chỉ ra mối quan hệ giữa 2 biến trong phân tích bằng số, để giải quyết các vấn đề và xác định điều kiện tối ưu bằng cách phân tícḥ lượng mối quan hệ nhân quả giữa các biến số.
  7. Phương pháp phân vùng (Stratified diagram): Phân vùng thông thường để tìm ra nguyên nhân của khuyết tật.

Trong bối cảnh môi trường kinh tế cạnh tranh gay gắt hiện nay, bên cạnh việc đổi mới công nghệ, các doanh nghiệp, đặc biệt là các doanh nghiệp vừa và nhỏ cần chú trọng ứng dụng các công cụ quản lý để cải tiến, nâng cao năng suất chất lượng trong hoạt động sản xuất, kinh doanh. Vì đây là những công cụ hữu hiệu, đã được các doanh nghiệp của các nước phát triển như Nhật Bản Hàn Quốc, Mỹ … áp dụng và gặt hái được những thành công vượt trội về năng suất chất lượng.

——————-&&&——————-