Cách học tốt nhất là thực hành, cách dạy dở nhất là giảng giải

Cách học tốt nhất là thực hành, cách dạy dở nhất là giảng giải

(Tác giả: Paul Halmos – Nguồn: http://tiasang.com.vn)

Lời người dịch. Paul Richard Halmos (1916-2016) là nhà toán học Mĩ gốc Hung, một trong số nhà khoa học Do Thái có ảnh hưởng lớn của nửa sau thế kỷ 20, có nhiều đóng góp nền tảng trong nhiều lĩnh vực rộng lớn của Toán học, như logic toán học, lý thuyết xác suất, thống kê, lý thuyết toán tử, lý thuyết ergodic và giải tích hàm (đặc biệt là về không gian Hilbert). Không giống như hầu hết các nhà toán học khác, di sản của ông, không chỉ đơn thuần là toán học mà còn là lời khuyên và triết lý về cuộc sống toán học: về cách dạy toán, học toán, cách viết, cách nói hoặc thậm chí là cách nghĩ về toán. Các bài giảng, bài nói chuyện của ông luôn đem lại cảm hứng cho những người làm toán chuyên nghiệp, những người dạy toán và học toán. Dưới đây là bài nói chuyện của ông, đã được xuất bản trên tạp chí The American Mathematical Monthly, nói về triết lý dạy toán và qua đó là học toán.


Tại ngày hội Toán học của Viện nghiên cứu khoa học MSRI: Các nhà toán học đưa môn học này đến với trẻ em thông qua những trò ảo thuật. Ảnh: MSRI.

Thôi, cứ nói chuyện sau tức là chuyện dạy đã: nào ai đã từng để ý có mấy ông thầy giáo giỏi nhất lại là người giảng giải tệ nhất chưa? (tôi biết đấy, nhưng thôi nói ra không khéo mất hết bạn bè). Về phía ngược lại, có ai để ý chuyện có mấy tay giảng hay cực kỳ lại không nhất thiết phải là thầy giỏi? Một bài giảng hay thì thường là có hệ thống, đầy đủ, chính xác chi tiết và tóm lại là chán; nghĩa là bài giảng thì không dùng để dạy được. Tất nhiên là gặp những huyền thoại nói năng như Emil Artin1 hay John von Neumannthì dẫu có giảng họ vẫn dạy rất tốt, thần thái và nhiệt huyết của họ xuyên thấu được bài giảng để thúc đẩy người nghe phải đứng lên làm gì đó, nhưng đó là chuyện huyền thoại. Còn với những người phàm trần như chúng ta, không đạt được mức giảng dở như Wiener3 (cho nên cũng không thể được nhận xét là dạy thần sầu như ông), mà cũng không giảng hay được như Artin (cũng không thể tạo được kịch tính như ông) nên với chúng ta, cứ hễ giảng thì cầm chắc là dạy tệ.

Học toán thực ra là giải quyết những vấn đề cụ thể

Thế nào là thầy dạy giỏi? Tôi quan niệm rất đơn giản, thực dụng: nhìn trái đoán cây. Nếu là thầy dạy đại học mà đào tạo ra được những tiến sĩ toán là những nhà toán học, sáng tạo ra những quy tắc toán mới, giàu chất lượng thì đó là người dạy giỏi. Nếu là thầy dạy vi tích phân mà tạo ra được những sinh viên toán sau đại học, hay những kỹ sư, nhà sinh học, nhà kinh tế xuất sắc thì đó là thầy dạy giỏi. Nếu là thầy dạy “cấp ba” mà tạo ra được những sinh viên học vi tích phân, những nhân viên kế toán, hoặc những thợ sửa xe, những ông kỹ thuật viên ngành mộc thì đó là ông thầy dạy giỏi.

Với một người học toán mà nghe ai đó nói về toán thì cũng chẳng hơn gì người học bơi nghe nói về bơi. Anh không thể học kỹ thuật bơi bằng cách nghe người ta nói phải vươn tay và đạp chân thế nào, và cũng không thể học giải toán bằng cách nghe người ta nói phải bình phương và dùng y thay sin (u).

Thế thì người ta có thể học toán bằng cách đọc không? Tôi có khuynh hướng nói không. Đọc thì hơn nghe một chút vì nó chủ động hơn, nhưng cũng không hơn mấy. Đọc mà có cây bút với tờ giấy bên cạnh thì tốt hơn nhiều, thực ra có bút giấy bên cạnh là đang đi đúng hướng rồi đấy. Nghĩa là, thực ra, cách đọc sách tốt nhất là có bút giấy bên cạnh, tức là lấy cây bút mà viết lên mảnh giấy và quăng quyển sách đi.

Nói thì quá khích vậy nhưng tôi xin hồi lời ấy ngay. Tôi cũng biết nói vậy là quá khích và thực lòng tôi không có ý nói vậy đâu, chẳng qua tôi chỉ muốn nhấn thật mạnh rằng đừng nên sa đà với việc cho rằng học nghĩa là nghe giảng và đọc sách. Giá mà chúng ta có cuộc đời dài hơn, đầu óc thông minh hơn và số lượng người thầy tận tâm nhiều đến mức mà tỉ lệ thầy/trò là 1/1 thì tôi đã quyết giữ cái quan điểm quá khích kia. Tiếc là đời không được vậy.

Học toán thực ra là giải quyết những vấn đề cụ thể. Hilbert4 có nói đâu đó (tôi không nhớ ở đâu) rằng cách tốt nhất để hiểu 1 lý thuyết là tìm cho ra 1 ví dụ điển hình cụ thể của nó và nghiên cứu ví dụ đó, một ví dụ thật căn cốt đến mức có thể minh họa mọi khả năng xảy ra. Sai lầm lớn nhất của nhiều sinh viên, thậm chí sinh viên giỏi, là dù họ có thể phát biểu vanh vách nội dung các định lý, nhớ chính xác phép chứng minh nhưng họ tuyệt không thể đưa ra được một ví dụ cụ thể nào, không xây dựng được các phản ví dụ hay giải được các bài toán trong một số trường hợp đặc biệt. Thực tế tôi đã thấy nhiều sinh viên có thể phát biểu được Định lý phổ cho toán tử Hermit trên không gian Hilbert nhưng lại không biết làm sao chéo hóa một ma trận thực đối xứng cấp ba. Vậy là bậy quá. Nghĩa là, học vậy là bậy. Mà cái học bậy đó thì chắc là, ít ra phải có một phần, do dạy bậy.

Paul Halmos.

Từ những nhà toán học chuyên nghiệp cho đến người lâu lâu đụng chuyện dùng toán, nghĩa là bao gồm luôn nguyên cái cộng đồng khoa học nằm giữa hai phân khúc đó, tất thảy họ đều cần phải giải quyết các vấn đề, nghĩa là giải các bài toán. Nhiệm vụ chúng ta là dạy họ giải các bài toán đó thế nào hay nói đúng hơn là dạy cho những người thầy tương lai của họ là nên dạy thế nào cho họ giải các bài toán đó.

Khóa nào tôi dạy tôi cũng thích bắt đầu bằng một bài toán. Lần gần nhất tôi dạy “nhập môn lý thuyết tập hợp” thì câu hỏi đầu tiên tôi đặt ra là định nghĩa của số đại số và câu hỏi thứ hai là: có số nào không phải là số đại số không. Hay lần gần nhất tôi dạy về “Lý thuyết hàm thực căn bản”, câu đầu tiên của tôi là một câu hỏi: có hàm số liên tục không tăng nào đi từ khoảng (0, 1) vào chính nó mà đồ thị có độ dài bằng 2 không? Hầu như cho khóa nào ta cũng đều có thể tìm vài câu hỏi kiểu vậy, tức là những câu hỏi có thể đặt ra mà gần như không cần thuật ngữ chuyên ngành nhưng vẫn đủ gây chú ý, hứng thú và đạt được những câu trả lời không tầm thường tí nào, bao quát được tất cả những ý tưởng quan trọng của môn học ấy. Sự tồn tại của những câu hỏi đó chính là ý nghĩa của việc nói rằng toán học chính là giải những bài toán và việc tôi nhấn mạnh vào việc giải toán (như là một hành động ngược lại với việc nghe giảng và đọc sách) thực ra được kích ý từ những câu hỏi đó.

Một phát biểu nổi tiếng của Polya5 về việc giải toán là nếu anh không giải được một bài toán thì có nghĩa rằng có một bài toán dễ hơn bài đó anh không giải được –hãy tìm bài dễ hơn đó. Nếu bạn có thể dạy được phát biểu đó cho sinh viên thì hãy dạy đi, để cho những sinh viên đó sau này sẽ dạy lại cho học trò họ. Làm được vậy thì đã giải được cái bài toán “tạo ra người thầy dạy giải toán” rồi đó. Phần khó nhất của việc trả lời các câu hỏi chính là việc tạo ra các câu hỏi; nhiệm vụ của chúng ta như những người thầy hoặc như thầy của thầy chính là dạy được việc tạo ra câu hỏi. Dạy cho một kỹ sư dùng quyển các công thức phương trình vi phân thì dễ; cái khó là làm thế nào dạy anh ta (và thầy của anh ta) phải làm gì khi không tìm thấy câu trả lời trong quyển công thức ấy. Trong trường hợp đó thì vấn đề chính lại trở lại là “bài toán (dễ hơn) là gì?”. Hãy tìm ra câu hỏi đúng cần hỏi, vậy là đã bước trên con đường giải được bài toán cần giải.

Vậy thì cái bí mật, tức cách tốt nhất để học giải quyết một vấn đề là gì? Câu trả lời lại ngầm chứa trong câu mà tôi đưa ra lúc đầu, tức là “giải quyết các vấn đề”. Phương pháp mà tôi dùng có đôi lúc được gọi là “phương pháp Moore” vì chính do R.L. Moore6đã phát triển và áp dụng tại Đại học Texas. Đó là phương pháp dạy hay phương pháp tạo cho sinh viên tinh thần giải quyết vấn đề, chính là hỗn hợp của những gì Socrates xưa đã dạy chúng ta và cũng là tinh thần chiến đấu mạnh mẽ trong các cuộc thi đấu Olympic.

Cái cách mà một người giảng thì dở nhưng lại là một thầy giáo giỏi, theo nghĩa là tạo ra được những người học giỏi, chính là cách một hạt cát tạo ra được một con trai có viên ngọc trai. Một bài giảng hay và một cuốn sách, chẳng hạn, “Nhập môn đại số cho nữ sinh” có thể là dễ ưa thật đấy nhưng một ông thầy giỏi phải biết thách thức, đặt câu hỏi, gây bức bối, làm khó chịu, duy trì đòi hỏi cao- tóm lại là toàn những chuyện khó ưa. Một ông thầy giỏi có thể không phải là một ông thầy hòa đồng dễ gây cảm tình (trừ với những học trò cũ, giờ không học ông nữa, mới nhận ra ông đáng mến chừng nào), vì nhiều học trò không thích bị thách thức, bị đặt câu hỏi, bị quấy rầy, bức bối. Nhưng ông lại thai nghén ra những viên ngọc quý (thay vì đi đúc hàng loạt).

Truyền tâm thế nghiên cứu

Để tôi kể về cái lần tôi phải dạy 1 khoá đại số tuyến tính cho sinh viên mới nhập trường. Ngay buổi đầu tiên tôi bắt đầu bằng cách phát mấy tờ giấy cho sinh viên, trên đó ghi rõ 50 định lý. Chỉ định lý thôi, chẳng có giới thiệu, định nghĩa, giải thích gì và tất nhiên là cũng không có chứng minh. Thời gian còn lại tôi nói với lớp một chút về phương pháp Moore. Sau đó tôi bảo sinh viên là trong học kỳ đó khỏi đọc về đại số tuyến tính. Nói chung là cái khóa đó họ muốn làm gì thì làm, họ được miễn mọi công việc đọc, học hỏi như thường lệ. Nguyên khóa chỉ có 50 định lý ấy thôi. Chỉ mỗi việc hiểu 50 phát biểu đó, giải thích chúng, cho ví dụ và phản ví dụ và, dĩ nhiên là, chứng minh mấy định lý đó, là xong.

Robert Lee Moore được coi là một trong những nhà giáo dạy toán tốt nhất trong lịch sử. Ông có 50 học sinh cao học về sau trở thành những nhà toán học xuất sắc. Đại học Texas dành hẳn một tòa nhà mang tên ông. Ảnh: Daily Texan

Nguyên cả lớp dòm tôi. Họ không tin. Họ nghĩ chắc tôi làm biếng nên tìm cách bỏ chạy, chứ học kiểu đó thì học hành gì. Tới đó cũng chưa hết nửa tiếng đồng hồ buổi đầu tiên nên nửa tiếng còn lại tôi cho họ vài định nghĩa căn bản để hiểu chừng nửa tá định lý đầu tiên rồi sau đó chúc họ học tốt, bái bai. Tới buổi thứ hai và các buổi sau đó, tôi gọi Smith chứng minh định lý 1, Kovacs định lý 2, và cứ vậy. Tôi khuyến khích Kovacs, Herrero và các sinh viên khác hãy rình Smith như chim ưng rình mồi và xâu xé anh ta liền nếu anh ta sai.

Tôi thì ngồi nghe, cẩn thận hết mức và mặc dù cố không ra vẻ tàn bạo thì chính tôi đôi lúc cũng nhảy vào công kích sinh viên đang chứng minh ấy luôn, khi tôi thấy mình cần phải làm vậy. Tôi chỉ ra những chỗ hổng, kiên trì nói là tôi không hiểu, rồi đặt những câu hỏi về mấy vấn đề bên lề, đòi những phản thí dụ hoặc đôi lúc tôi cung cấp luôn. Có cơ hội là tôi nói về lịch sử của vấn đề, bài toán rồi chỉ ra những mối liên hệ với những phần khác trong toán. Thêm vào đó, tôi có thể lấy hẳn 5 phút để giới thiệu về định nghĩa mới của vấn đề vừa nảy ra. Tính chung tôi giảng khoảng 20 phút cho mỗi tiết 50 phút. Thực ra thì 20 phút là dài rồi nhưng dù sao cũng ngắn hơn nhiều so với 50 phút (có khi còn là 55 phút) cho mỗi tiết.

Vậy mà khóa học lại thành hấp dẫn. Đến tuần thứ hai, sinh viên vẫn đang chứng minh các định lý và tìm những lỗi của nhau trong chứng minh, rõ ràng là một tiến trình học dễ chịu. Nhiều sinh viên cảm động đến với tôi mà thú thật rằng lúc đầu họ rất ngờ vực nhưng sau đó họ đã tâm phục. Hầu hết sinh viên đều nói rằng họ dành thời gian cho môn đó của tôi nhiều hơn các môn khác trong cùng kỳ và rằng họ học được rất nhiều.

Những gì tôi vừa kể rất giống “phương pháp Moore” như ông R. L. Moore đã dùng nhưng cũng có nhiều điểm thay đổi. Tôi chắc rằng có thể tạo ra hàng trăm điểm khác biệt để tùy vào mỗi thầy và mỗi môn học mà điều chỉnh và dùng. Những điểm chi tiết nhỏ đó không phải là điều chính yếu. Quan trọng là khiến cho đặt được câu hỏi và trả lời câu hỏi.

Nhiều lần tôi dùng phương pháp Moore thì một hay hai học kỳ sau, các giáo sư cùng trường nói với tôi rằng họ nhận ra được ngay học trò nào trong lớp họ đã từng dự “lớp Moore” của tôi thông qua thái độ, hành vi những học trò đó. Điểm khác khiến họ nhận ra đó chính là sự trưởng thành về mặt toán học (cách/tâm thế nghiên cứu) so với những sinh viên khác và có khuynh hướng và khả năng hơn trong việc đặt ra những câu hỏi đi thẳng vào trọng tâm.

Chính cái “tâm thế nghiên cứu” là một hỗ trợ vô cùng to lớn cho mọi thầy giáo, học trò, người sáng tạo và người dùng toán. Để nói cho rõ hơn thì, ví dụ như tâm thế đó đã giúp tôi thế nào khi tôi dạy môn Phép tính vi tích phân căn bản (cho một lớp quá đông nên không dùng được “phương pháp Moore”), vì tôi có một trí nhớ rất “thần sầu”. “Thần sầu” ở đây nghĩa là tệ thần sầu. Vì nếu chỉ cần không dạy môn tính đó trong chừng một hay hai học kỳ là tôi quên sạch. Quên các định lý, các bài toán, công thức, kỹ thuật. Thành ra một tuần trước khi dạy, lúc soạn bài, ngó  cái đề cương/mô tả môn học, nếu không có cái đó thì ngó cái bảng mục lục các tựa đề bài giảng (chỉ tựa đề thôi chứ không xem nội dung cần giảng) là tôi phải làm lại từ đầu, nghĩa là tôi phải đi ‘nghiên cứu’ về môn Phép tính vi tích phân ấy. Kết quả là tôi luôn thấy hứng thú hơn là nếu tôi đã nhớ sẵn, và lần nào cũng vậy, tôi đều ngạc nhiên và vui thú một cách nguyên sơ bởi những tái phát kiến của sinh viên về những điều chắc Leibniz đã biết từ hồi ông còn be bé. Cái sự hứng thú, ngạc nhiên, vui thú và sốt sắng ấy của tôi cả lớp đều cảm nhận rõ và nó được các sinh-viên-phát-kiến xem như một nghi lễ phong tước cho họ.

Nhà toán học Tadashi Tokieda (người đứng trên bàn), ĐH Stanford nổi tiếng về những bài giảng của mình, sử dụng những hiện tượng xung quanh đồ vật thường ngày để minh họa cho những định lý toán học và vật lý. Nguồn: japaneseamericaninboston.blogspot.com

Để dạy được tâm thế nghiên cứu thì mỗi người thầy phải nghiên cứu và phải được rèn luyện trong việc làm nghiên cứu. Ý tôi không phải là thầy nào dạy lượng giác thì phải bỏ nửa đời ra mà đi chứng minh các định lý quá khó về categorical teratology chẳng hạn và tham gia cuộc đua “publish or perish” (phải có bài công bố cho bằng được). Ý tôi là mỗi thầy giáo, dù là dạy đại số trung học đi chăng nữa thì cũng thành thầy giỏi hơn nếu nghĩ về những ứng dụng của môn đó trong những lĩnh vực khác, đọc về những kết nối của môn đó với các môn khác, tìm cách giải quyết những vấn đề mà những ứng dụng hay liên kết đó mang đến – tóm lại là nếu người thầy đó chịu nghiên cứu sâu về  môn đại số ở trung học cùng những lĩnh vực liên quan đến nó. Đó là cách duy nhất để giữ tâm thế nghiên cứu, tâm thế đặt câu hỏi cứ sống mãi trong chính người thầy đó và giữ nó trong điều kiện thích hợp để truyền đạt lại cho người khác.

Rồi, nói cho gọn thì chỉ có mấy điều thôi:

Cách học tốt nhất là hành – hỏi và làm.

Cách dạy tốt nhất là khiến cho sinh viên hỏi và làm. Đừng đi rao giảng kiến thức– hãy kích thích hành động.

Cách dạy cho người dạy tốt nhất là khiến họ hỏi và làm những gì để sau này đến phiên họ cũng sẽ khiến sinh viên của họ hỏi và làm.

Phan Đình Phùng, Hồ Hồng Ân dịch

Nguồn: https://www.jstor.org/stable/2319737?seq=1#page_scan_tab_contents)

Chú thích:

[1] Emil Artin (1898-1962) nhà đại số hàng đầu người Áo, thầy của nhiều nhà toán học nổi tiếng như S. Lang, M. Zorn.

[2] John von Neumann (1903-1957) nhà toán học thiên tài Mỹ gốc Hung, người đặt nền móng cho nhiều ngành khoa học như lý thuyết trò chơi, khoa học máy tính. Ông là thành viên của dự án Manhattan, chế tạo bom nguyên tử.

[3] Norbert Wiener (1894-1964) Nhà toán học Mĩ, giáo sư toán tại MIT, người có đóng góp lớn cho điều khiển học, điều khiển máy tính và tự động hóa.

[4] David Hilbert (1862-1943) Một trong những nhà toán học ảnh hưởng nhất cuối TK 19 người Đức, thầy hướng dẫn của von Neumann.

[5] George Pólya (1887-1985) nhà toán học Hungary. Quyển sách “How to Solve It” của ông về phương pháp giải Toán từ lâu đã được dịch ra nhiều thứ tiếng (trong đó có tiếng Việt).

[6] R.L. Moore (1882–1974) nhà tô pô học người Mĩ, giáo sư Đại học Taxas, nổi tiếng với “phương pháp Moore”. Ông từng nói “Người học trò được dạy tốt nhất là người được giảng ít nhất” (“That student is taught the best who is told the least”).

—————————-&&&————————-

R/Finance 2018: Applied Finance with R – June 1-2, 2018

R/Finance 2018: Applied Finance with R – June 1-2, 2018

Friday, June 1st, 2018
08:00 – 09:00   Optional Pre-Conference Tutorials
   Dirk Eddelbuettel: Rcpp: From Simple Examples to Machine Learning (pdf)
   R. Douglas Martin: Tutorial on Robust Statistics in Quantitative Finance (pdf)
   Brian Peterson: Quantitative Strategy Evaluation with quantstrat/blotter (html)
   Dale Rosenthal: A Tour of Financial Modeling (pdf)
   M. Weylandt, L. Damiano: Bayesian Inference and Volatility Modeling Using Stan
09:00 – 09:30   Registration (2nd floor) & Continental Breakfast (3rd floor)
   Transition between seminars
09:30 – 09:35   Kickoff
09:35 – 09:40   Sponsor Introduction
09:40 – 10:04   Yu Li: Analysis of Predictive Power of Click Data on Fund Flow Using R (pptx)
   Daniel Melendez: Asset and Liability Management with R
   Daniel McKellar: Global Financial Communities: Geography and Industry Effects (pdf)
   Jonathan Regenstein: Shiny Fama French
10:04 – 10:24   Majeed Simaan: Rational Explanation for Rule-of-Thumb Practices in Asset Allocation (pdf)
10:24 – 10:44   Kris Boudt: The Minimum Regularized Covariance Determinant Estimator (pdf)
10:44 – 11:05   Break
11:05 – 11:55   Norm Matloff: Statistical Cinderella: Parallel Computation for the Rest of Us (pdf)
11:55 – 12:55   Lunch
12:55 – 13:15   Matthew Ginley: Approximations for Rare Events Forecasting Under Monotonic Constraints (pdf)
13:15 – 13:35   Rainer Hirk: A Credit Risk Application of Multivariate Ordinal Regression Models using the R package mvord (pdf)
13:35 – 13:59   Wilmer Pineda: Bayesian Estimation of Stock Market Value at Risk Using Vine-Copula models (pdf)
   Neil Hwang: Dynamic k-Partite Stochastic Block Model (pptx)
   Glenn Schultz: Fixed Income Analytics at Scale: Using R and Bond Lab to Improve the UST Securities Market (pptx)
   Dirk Hugen: Investment Analytics with R and PostgreSQL via the PL/R extension (pdf)
13:59 – 14:19   Michael Gordy: Spectral Backtests of Forecast Distributions with Application to Risk Management (pdf)
14:19 – 14:39   Break
14:39 – 15:09   Mario Annau: hdf5r – HDF5 for R Reloaded (html)
   David Smith: Speeding up R with Parallel Programming in the Cloud (pptx)
   Stephen Bronder: Stan (Almost!) Has GPU Capabilities Now! Example Performance of Gaussian Processes (pdf)
   XIn Chen: Generalized Linear Model Fitting with Elastic Net Regularization for Gamma Distributed Data using Rcpp (pdf)
   JJ Lay: Implementation of the stochastic volatility and interest rate model with multiple GPUs in R (pdf)
15:09 – 15:29   Michael Kane: Assessing Systemic Risk in the Bittrex Cryptocurrency Market (docx)
15:29 – 15:49   William Foote: Adventures in Extreme Finance: The Market Risk of Heavy Metal (docx)
15:49 – 16:13   Justin Shea: Economic Time Series Filtering: An Alternative Approach (pdf)
   Thomas Zakrzewski: Q-Gaussian Probability of Defaults Model (pdf)
   Paul Laux: The Timing of Variance Risk Premia around Macroeconomic News Events (pdf)
   Hernando Cortina: The Out-of-Sample Alpha of Just Stocks (pptx)
16:13 – 17:03   JJ Allaire: Machine Learning with TensorFlow and R (html)
17:03 – 17:08   Information about reception and dinner
17:08 – 18:38   Conference Reception
19:08 – 19:08   (Optional) Transfer to Conference Dinner
19:08 –    (Optional) Conference Dinner (Rooftop, Wyndham Hotel)
Saturday, June 2nd, 2018
08:00 – 09:00   Coffee/ Breakfast
09:00 – 09:05   Kickoff
09:05 – 09:35   Ilya Kipnis: A Primer on Volatility ETN Trading Strategies (pptx)
   Matt Dancho: A Time Series Platform For The Tidyverse (pptx)
   Carson Sievert: Building reactive web applications for finance with dash for R
   Michael Kapler: Interactively Exploring Seasonality Patterns in R (pdf)
   Bernhard Pfaff: The R Package rbtc: Implementation of the Core Bitcoin’s API (pdf)
09:35 – 09:55   Eran Raviv: Forecast Combinations in R using the ForecastComb Package (html)
09:55 – 10:15   Leopoldo Catania: Predicting Cryptocurrencies Time-Series (pdf)
10:15 – 10:35   Break
10:35 – 10:55   Guanhao Feng: Deep Learning Alpha (pdf)
10:55 – 11:15   Xiao Qiao: Correlated Idiosyncratic Volatility Shocks (pdf)
11:15 – 12:05   Li Deng: AI In Finance (pptx)
12:05 – 12:35   Keven Bluteau: Abnormal Tone and Abnormal Returns: An Event Study Analysis (pdf)
   Samuel Borms: The R Package sentometrics to Compute, Aggregate and Predict with Textual Sentiment (pdf)
   Kyle Balkissoon: Weather and Text Data for Investment Research (pdf)
   Petra Bakosova: Seasonal Effect, Trends and Pre-Announcement Drifts: From Anomalies to Trades (pdf)
   Che Guan: Machine Learning Application in Digital Currency Price Prediction (pdf)
12:35 – 13:40   Lunch
13:40 – 14:00   David Ardia: Questioning the News about Economic Growth: Sparse Forecasting Using Thousands of News-based Sentiment Values
14:00 – 14:20   Dries Cornilly: The rTrawl Package for Modeling High Frequency Financial Time Series (pptx)
14:20 – 14:40   Luis Damiano: Hierarchical Hidden Markov Models in High-Frequency Stock Markets (pdf)
14:40 – 15:10   Phillip Guerra: A Practitioner’s Defense of the Use of Auto-Trading Algorithms (pdf)
   Krishna Kumar: Genetic Programming Applied to FX Trading
   Bryan Lewis: A Funny Thing Happened on the Way to the Banach Space
   Pedro Albuquergue: Conditional Autoregressive Value-at-Risk: all flavors of CAViaR. (pdf)
   Angela Li and Soumya Kalra: R-Ladies on Diversity (pptx)
15:10 – 15:30   Stephen Rush: Currency Risk and Information Diffusion (pdf)
15:30 – 15:50   Break
15:50 – 16:10   Jasen Mackie: Round Turn Trade Simulation (html)
16:10 – 16:30   Thomas Harte: Trading the Untradable: Pricing Derivatives When Prices Are Not Observable (pdf)
16:30 – 16:50   Conclusion
16:50 – 17:05   Transition to Cruz Blanca
17:05 – 21:20   Post-conference Reception at Cruz Blanca

Cognitive Class MOOC-Blockchain Essentials

Understand blockchain technology and how it can solve business problems. Learn the basics of developing applications with chaincode.

About this Blockchain course

Blockchain is an emerging technology that can radically improve banking, supply chain, and other transaction networks and can create new opportunities for innovation. Businesses contain many examples of networks of individuals and organizations that collaborate to create value and wealth. These networks work together in markets that exchange assets in the form of goods and services between the participants.

Blockchain technology provides the basis for a dynamic shared ledger that can be applied to save time when recording transactions between parties, remove costs associated with intermediaries, and reduce risks of fraud and tampering.

The video lectures and lab in this course help you learn about blockchain for business and explore key use cases that demonstrate how the technology adds value.

Course outline

Module 1 – Discover Blockchain

    • What is blockchain
    • The business backdrop
    • The problem area
    • Relation to bitcoin
    • Requirements for blockchain in a business environment
    • Requirements deep dive

Module 2 – Leverage blockchain benefits

    • Why blockchain is relevant for business
    • Consensus: shared reference data example
    • Provenance: supply chain example
    • Immutability: audit and compliance example
    • Finality: letter of credit example
    • Industry use cases
    • Customer adoption

Module 3 – Transform your business with blockchain

    • IBM and Hyperledger relationship: Blockchain for business
    • Hyperledger Composer
    • Public references
    • IBM engagement model

Demo – Blockchain asset transfer

    • Transfer assets in blockchain
    • Blockchain asset transfer demo

Lab – Transfer assets

    • Set up the Hyperledger Composer Playground
    • Transfer assets in a blockchain network
    • Explore editor views archive data

Recommended skills prior to taking this course

  • None

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

Đăng ký (free): link

———————&&&———————–

Blockchain Demo – by Anders Brownworth

Blockchain Demo – by Anders Brownworth

Part one is a very basic visual introduction to the concepts behind a blockchain. We introduce the idea of an immutable ledger using an interactive web demo.

In part two, we build on the concepts from the previous video and introduce public / private key pairs and signing using an interactive web demo.

Link: https://anders.com/blockchain/

—————–&&&—————-

DATA SCIENCE WEEK. VIASM: 21-30/8/2018

DATA SCIENCE WEEK. VIASM: 21-30/8/2018

(Nguồn: http://viasm.edu.vn)

Thời gian: 13:30 đến 15:00 ngày 21/08/2018, 13:30 đến 15:00 ngày 22/08/2018, 15:30 đến 17:00 ngày 23/08/2018, 13:30 đến 15:00 ngày 23/08/2018, 13:30 đến 15:00 ngày 24/08/2018, 09:00 đến 11:00 ngày 24/08/2018, 09:00 đến 11:00 ngày 27/08/2018, 14:00 đến 16:00 ngày 28/08/2018, 09:00 đến 11:00 ngày 29/08/2018, 09:00 đến 11:00 ngày 30/08/2018,

Địa điểm: Hội Trường Tầng 3, Tòa nhà B1 Đại học Bách khoa Hà Nội.

Báo cáo viên: Nguyễn Xuân Long, Nguyễn Hùng Sơn, Hồ Tú Bảo, Lê Hồng Vân

Tóm tắt:

DATA SCIENCE WEEK

DSLab/VIASM & FIRST PROJECT

Đơn vị tổ chức: Viện Nghiên cứu cao cấp về Toán, Trường ĐH Bách Khoa Hà Nội, JVN.

AUGUST 21-24, AFTERNOON (13:30 – 15:00)

Lecture: Mathematical foundations of machine learning

Lecturer: Lê Hồng Vân, Institute of Mathematics of Czech Academy of Sciences

Abstract: Machine learning is an interdisciplinary field in the intersection of mathematical statistics and computer sciences. Machine learning studies statistical models, develops methods and algorithms for deriving predictors or meaningful patterns from empirical data. Machine learning techniques are applied in search engine, natural language processing, image detection, robotics, self-driving cars and artificial intelligence. In our lecture series we address the following questions:

– What is the mathematical model of learning?

– How do we quantify the difficulty/complexity of a learning problem and success of a learning machine?

– What are current tasks of machine learning?

– Can machines learn to think?

Lecture 1 (August 21): Learning, machine learning and artificial intelligence.

Lecture 2 (August 22): Statistical models and framework for machine learning.

Lecture 3 (August 23): PAC (probably approximately correct) learning theory.

Lecture 4 (August 24): Deep learning, pattern theory and algebra of human thoughts.

————————————————–

AUGUST 23, AFTERNOON

Seminar:

Title: Streaming dynamic and distributed inference of latent geometric structures

Speaker: Nguyễn Xuân Long, University of Michigan, Ann Arbor

Time and Place: 15:30-17:00, VIASM

Abstract:

We develop new models and algorithms for learning the temporal dynamics of the topic polytopes and related geometric objects that arise in topic model based inference. Our model is nonparametric Bayesian and the corresponding inference algorithm is able to discover new topics as the time progresses. By exploiting the connection between the modeling of topic polytope evolution, Beta-Bernoulli process and the Hungarian matching algorithm, our method is shown to be several orders of magnitude faster than existing topic modeling approaches, as demonstrated by experiments working with several million documents in a dozen minutes.

—————————————————– 

AUGUST 24, MORNING

Tutorial Lecture:Gaussian and Dirichlet processes for statistical learning and inference 

Lecturer: Nguyễn Xuân Long, University of Michigan, Ann Arbor

Time and Place: 9:00-11:00, VIASM

Abstract:

Bayesian nonparametrics is an area in statistics which provides a fertile and powerful mathematical framework for the development of many computational and statistical modeling ideas. The spirit of Bayesian nonparametrics is to enable the kind of inferential procedures according to which both the statistical modeling and computational complexity may adapt to increasingly large and complex data patterns in a graceful and effective way. This circle of ideas and techniques is expected to have increasingly large role to play in the era of big data. In this tutorial lecture, I will introduce Gaussian processes and Dirichlet processes, two of the most common tools that arise in Bayesian nonparametric model constructions for regression, classification, clustering, and density estimation problems. Computational issues and applications will be discussed.

—————————————————– 

AUGUST 27, MORNING 

Lecture: Ontology based Machine Learning 

Lecturer: Nguyễn Hùng Sơn, Warsaw University

Time and Place: 9:00-11:00, VIASM

Abstract:

One of the common problems in many machine learning or data mining projects is ralated to the issue called „information rich” but „knowledge poor”. Usually, the domain knowledge is presented either as an ontology or as a taxonomy (a lighter version of ontology) of concepts. In this talk we present some knowledge aquisition techniques as well as the utility of domain knowledge in some machine learning techniques. We will show that ontology can improve the accuracy of classification and clustering algorithms. Moreover, ontology can be also used to build a semantic evaluator for clustering algorithms.

——————————————————

AUGUST 28, AFTERNOON 

Lecture: Neural Random Access Machines – a deep learning technique for sequential data. 

Lecturer: Nguyễn Hùng Sơn, Warsaw University

Time and Place: 14:00-16:00, VIASM

Abstract: We present a new neural network architecture inspired by Neural Turing Machines called a Neural Random Access Machine.  This architecture can manipulate and dereference pointers to an external variable-size random-access memory. It has been shown that the proposed model can learn to solve algorithmic tasks and is capable of discovering simple data structures like linked-lists and binary trees. For a subset of tasks, the learned solutions generalize to sequences ofarbitrary length. 

—————————————————– 

AUGUST 29, MORNING

Public lecture: AI nào cho Việt Nam? 

Lecturer: Hồ Tú Bảo, VIASM

Time and Place: 9:00-11:00, VIASM 

Abstract:

Trong phần đầu chúng tôi tóm tắt lại những nội dung cơ bản và tình hình phát triển của AI nói chung. Trong phần sau, dựa trên mục tiêu phát triển đất nước và tình hình phát triển AI ở Việt Nam, chúng tôi chia sẻ một số ý kiến về việc chúng ta cần và nên chú trọng vào những lĩnh vực nào của AI trong bối cảnh Việt Nam thời chuyển đổi số.

—————————————————— 

AUGUST 30, MORNING 

Lecture: Khoa học dữ liệu trong chăm sóc sức khoẻ và nghiên cứu y học 

Lecturer: Hồ Tú Bảo, VIASM

Time and Place: 9:00-11:00, VIASM 

Abstract:

Chăm sóc sức khoẻ và nghiên cứu y học là lĩnh vực quan trọng của mọi quốc gia với rất nhiều thách thức. Trong những năm qua, lượng dữ liệu y tế đã tăng lên rất nhiều, mở ra khả năng khai thác và sử dụng chúng cho hai mục tiêu kể trên. Bài giảng này trước hết giới thiệu một bức tranh toàn cảnh về khoa học dữ liệu trong y tế, đặc biệt việc khai thác và sử dụng bệnh án điện tử. Phần sau của bài giảng giới thiệu một số công việc, bài toán  và kết quả nghiên cứu đề tài chúng tôi đã và đang tiến hành ở Việt Nam.

—————————————————————– 

BIO

Nguyễn Xuân Long is associate professor of Statistics and of Electrical Engineering and Computer Science at the University of Michigan, Ann Arbor. He received his PhD degree from the University of California, Berkeley. Nguyen’s interests include nonparametric Bayesian statistics, machine learning and optimization, as well as applications in signal processing and environmental sciences.  He is a recipient of the Leon O. Chua Award from UC Berkeley for his PhD research, the IEEE Signal Processing Society’s Young Author best paper award, the CAREER award from the NSF’s Division of Mathematical Sciences, and best paper awards from the International Conference on Machine Learning (ICML) in 2004 and 2014. Nguyen is an associate editor of several journals including Bayesian Analysis, Journal of Machine Learning Research and SIAM Journal on Mathematics of Data Science. 

Nguyễn Hùng Sơn received the Ph. D. in 1997, D. Sci. (habilitation) in 2008 and he is working as a professor in University of Warsaw. His main research interests are fundamentals and applications of Rough set theory, data mining, text mining, bioinformatics, intelligent multiagent systems, soft computing, pattern recognition. On these topics he has published more than 140 research papers in edited books, international journals and conferences. Hung Son Nguyen is the fellow of International Rough Set society, and a member of the Editorial Board of international journals, i.e., “Transaction on Rough Sets”, “Data mining and Knowledge Discovery” (from 2005-2008) and “ERCIM News”, Computational Intelligence and the Manager Editor of “Fundamenta Informaticea”. He has served as a program co-chair of RSCTC’06 and ’RSKT2012, IJCRS2018, as a PC member of various other conferences including PKDD, PAKDD, AAMAS, RSCTC, RSFDGrC, RSKT, etc., and as a reviewer of many other journals. He was involved in numerous research and commercial projects including dialog-based search engine (Nutech), fraud detection for Bank of America (Nutech), logistic project for General Motors (Nutech), Semantic Search Engine, Intelligent Decision Support System for Firefighting in Poland, RID – Development of Innovative Transport System. 

Hồ Tú Bảo is Professor Emeritus of Japan Advanced Institute of Science and Technology (JAIST), Director of Data Science Lab of the Vietnam Institute for Advanced Study in Mathematics (VIASM) and Director of the John von Neumann Institute (JVN) of Vietnam National University at Ho Chi Minh City. He graduated (1978) from Hanoi University of Technology, Master (1984) and Doctor (1987) in Artificial Intelligence from the Universite Paris 6, and Habilitation a diriger de recherche (1998) from the University Paris 9. He has been doing research, application and teaching in the fields of Artificial Intelligence, Machine Learning, Data Mining, and more recently in Data Science for nearly forty years. He is members of the Steering Committee of PRICAI (Pacific Rim International Conference on Artificial Intelligence), PAKDD (Pacific Asia Knowledge Discovery and Data Mining), ACML (Asia Conference on Machine Learning).

Lê Hồng Vân received her Ph.D. in mathematics from Moscow State University (MSU), Moscow in 1987, under the supervision of Anatoly Fomenko, and DrSc. in mathematics from MSU, Moscow, in 1990. She is a senior Researcher of the Institute of Mathematics of the Czech Academy of Sciences (CAS) and holds Associate Professorship of the Opava University, Czech Republic. Prior to joining the CAS she held research positions at Hanoi Institute of Mathematics in Hanoi, International Center of Theoretical Physics (ICTP) in Trieste, Max-Planck-Institute for Mathematics in Bonn, University Leipzig, Max-Planck-Institute for Mathematics in Leipzig. She held visiting positions at Institut Henri Poincar´e in Paris, Isaac Newton Institute in Cambridge, Institut des Hautes Etudes Scientifiques in Bures-sur-Yvette ´ and ETH Z¨urich. Her current research interests include differential geometry, geometric analysis, differential topology, algebraic topology, symplectic topology, representation theory, theoretical statistics and machine learning. She is a co-author with Nihat Ay, J¨urgen Jost and Lorenz Schwachh¨ofer of the book “Information Geometry”, published in 2017 in the series “Ergebnisse der Mathematik und ihrer Grenzgebiete” of Springer. She received the prize of the Moscow Mathematical Association in 1990 and the prize of ICTP in 1991, the Heisenberg-Fellowship of the German Research Association (DFG) for 1994-1998.

——————&&&——————

Trường đại học trong thời đại trí tuệ nhân tạo

Trường đại học trong thời đại trí tuệ nhân tạo

(Tác giả: Andrew Wachtel – Nguồn: http://tiasang.com.vn)

Trong 50 năm nữa, trí tuệ nhân tạo và học máy sẽ mạnh hơn hẳn hiện nay, công nghệ sẽ thay thế lao động của con người vì công nghệ hoạt động hiệu quả hơn con người trong hầu hết các công việc. Giáo dục đại học chuẩn bị gì cho sinh viên trước sự kiện này?

Gần đây tôi được đề nghị giữ chức chủ tịch một trường đại học ở Kazakhstan, với ba môn học chính: kinh doanh, kinh tế học và luật pháp; giảng dạy theo chuyên ngành hẹp, mặc dù nghiêm khắc về mặt tri thức. Tôi đang xem xét công việc này, nhưng tôi có đưa ra mấy điều kiện.

Tôi đề nghị chuyển trường đại học này thành cơ cở giáo dục, trong đó sinh viên tiếp tục tập trung vào ba môn chính, nhưng họ cũng phải hoàn thành “chương trình học tập cốt lõi” về nhân văn, khoa học xã hội và khoa học tự nhiên – trong đó có khoa học máy tính và thống kê. Sinh viên còn phải chọn một đề tài phụ từ một trong những môn khoa học nhân văn hay khoa học xã hội.

Có nhiều lý do để nhấn mạnh quá trình chuyển đổi như thế, nhưng quan trọng nhất, theo tôi, là cần phải chuẩn bị cho sinh viên mới ra trường để họ có thể thích ứng với thế giới, trong đó trí tuệ nhân tạo và công nghệ dựa trên nền tảng trí tuệ nhân tạo ngày càng có vai trò nổi bật hơn. Muốn thành công trong công việc, sinh viên sẽ cần phải có những kĩ năng mới.

Trong 50 năm nữa, trí tuệ nhân tạo và học máy sẽ mạnh hơn hẳn hiện nay, công nghệ sẽ thay thế lao động của con người vì công nghệ hoạt động hiệu quả hơn con người trong hầu hết các công việc. Giáo dục đại học phải đào tạo sinh viên để họ có thể đối đầu với sự kiện này. Giả sử rằng trí tuệ nhân tạo sẽ chuyển hóa việc làm trong tương lai, khi con người không còn có thể cạnh tranh với người máy, những người làm giáo dục phải suy nghĩ xem sinh viên mới ra trường cần những kĩ năng nào.

Dễ dàng dự đoán rằng những nhiệm vụ đơn giản sẽ biết mất trước tiên. Quá trình chuyển hoá này đang diễn ra trong những nước giàu có, nhưng sẽ cần một thời gian nữa mới tới những nơi như Kazakhstan. Khi xu hướng này tăng tốc, dân số cũng sẽ điều chỉnh theo cho phù hợp. Suốt nhiều thế kỉ, dân số tăng lên khi cơ hội kinh tế gia tăng; ví dụ, số người trong gia đình nông dân tăng lên khi nhu cầu tăng, đấy là vì cần nhiều lao động hơn để có thể sản xuất đủ hàng hóa cho người tiêu dùng.

Nhưng dân số hiện nay trên thế giới là không ổn định. Khi trí tuệ nhân tạo tiến sâu hơn vào nơi làm việc, công việc sẽ biến mất, tỉ lệ người có việc làm sẽ giảm, dân số sẽ giảm theo. Về nguyên tắc, thế là tốt – trái đất đang nứt ra thành từng mảng – nhưng sẽ khó quản lý trong ngắn hạn, đấy là khi tốc độ suy giảm dân số thấp hơn tốc độ suy giảm việc làm.

Ví lý do đó, thế hệ người lao động tiếp theo – các sinh viên hiện nay – cần được đào tạo đặc biệt thì mới thịnh vượng được. Đồng thời, và có lẽ hơn tất cả các thời kì trước đây, họ cần loại hình giáo dục có thể giúp họ tư duy một cách bao quát hơn và tạo ra những kết nối khác thường và bất ngờ giữa những lĩnh vực khác nhau.

Rõ ràng là, những người lãnh đạo trong tương lai phải thành thạo với máy tính – từ lập trình cơ sở tới mạng máy tính mô phỏng hoạt động của bộ não người – thì mới hiểu được cách thức máy móc kiểm soát năng suất là động và các quá trình phân tích. Sinh viên mới ra trường còn cần kiến thức về tâm lý học, đấy là chỉ nói, nếu muốn hiểu được “bộ não”của máy tính khác bộ não người ở chỗ nào. Và người lao động trong tương lai còn cần phải được giáo dục về đạo đức thì mới có thể định hướng được trong cái thế giới mà giá trị của con người không còn được coi là đương nhiên nữa.

Những người làm giáo dục cho những sinh viên tương lai này phải bắt đầu ngay từ bây giờ. Muốn không trở thành những người theo thuyết định mệnh mù quáng, các chuyên gia trong lĩnh vực kinh doanh phải nghiên cứu lịch sử kinh tế và chính trị. Các sinh viên kinh tế học phải học các môn kỹ thuật, như thể họ sẽ là các kỹ sư chịu trách nhiệm xây dựng lực lượng lao động trong tương lai vậy. Còn các sinh viên luật thì phải tập trung vào giao điểm giữa tập hợp dữ liệu lớn (big data) và nhân quyền, để họ có quan điểm thấu triệt, cần cho việc bảo vệ người dân khỏi những lực lượng có thể tìm cách “vắt chanh bỏ vỏ” những người mà họ đã sử dụng.

Ngay cả những sinh viên học những môn sáng tạo và giải trí cũng phải học khác đi. Vì lý do là, trong thế giới mà trí tuệ nhân tạo giữ thế thượng phong, mọi người đều cần được giúp đỡ để quản lý thời gian rảnh rỗi của mình. Chúng ta sẽ không thôi chơi quần vợt chỉ vì robot bắt đầu thắng giải Wimbledon; nhưng sẽ cần các kỹ năng tổ chức và giao tiếp mới thì mới giúp được người ta điều chỉnh những thay đổi trong sáng tạo và chơi. Cần những kĩ năng mới, được điều chỉnh cho phù hợp với thế giới mà trí tuệ nhân tạo giữ thế thượng phong thì mới quản lý được các ngành công nghiệp này.

Công việc trong tương lai có thể khác hẳn những kịch bản mà tôi có thể tưởng tượng ra, hay có thể gây ra nhiều đổ vỡ hơn; không ai biết. Nhưng, giáo dục đại học có trách nhiệm chuẩn bị cho sinh viên trước mọi tình huống có thể xảy ra – ngay cả những tình huống mà hiện nay dường như không thể nào xảy ra được. Chiến lược tốt nhất cho những người làm giáo dục trong bất kỳ lĩnh vực nào và bất cứ khi nào, là dạy kỹ năng làm cho con người trở thành con người, chứ không phải đào tạo sinh viên để họ có thể giành chiến thắng trong cuộc cạnh tranh với các công nghệ mới.

Dù tôi có làm ở đâu trong ngành giáo dục thì việc đào tạo các thanh niên để họ có thể đối mặt với tương lai cũng luôn luôn là công việc của tôi. Và hiện nay, tương lai đó dường như sẽ bị máy móc chi phối. Muốn thành công, những người làm giáo dục – và các trường đại học của chúng ta – phải tiến hóa.

Phạm Nguyên Trường dịch
Nguồn: https://www.project-syndicate.org/commentary/artificial-intelligence-higher-education-by-andrew-wachtel-2018-02
—————–
* Andrew Wachtel là Chủ tịch của trường Đại học Mỹ của Trung Á.

Dù AI là tương lai, đại học vẫn cần phải duy trì những giá trị quá khứ 
Sự bùng nổ của trí tuệ nhân tạo (AI) đã và đang đặt ra những thách thức, rằng đại học cần phải làm gì để tận dụng được các lợi thế do tiềm năng đó mang lại? Năm 2000, nhà giáo dục học người Mỹ Chuck M. Vest – nhân vật rất có uy tín tại Học viện Công nghệ MIT, trong bức thư gửi Hội đồng trường đã viết: “Liệu tương lai của giáo dục, công việc học tập và đào tạo, sẽ thuộc về môi trường kỹ thuật số nhờ các thế hệ máy tính đời mới, hay sự học tốt nhất vẫn phải đến từ nỗ lực tự thân của người học, nhờ vào những tương tác trực tiếp trong khuôn viên các ngôi trường. Tôi tin rằng câu trả lời là Cả hai”. Quan điểm này, sau đó đã được đúc kết lại trong cuốn sách “Pursuing the Endless Frontier: Essays on MIT and the Role of Research Universities” xuất bản năm 2005 (Tạm dịch: Theo đuổi giới hạn vô cùng: các tiểu luận về MIT và vai trò của Đại học nghiên cứu) Cũng theo Vest, đại học chính là phương tiện tốt nhất giúp đào tạo nên những cá nhân tài năng, có đóng góp quan trọng đối với sự hình thành tri thức, công nghệ và kỹ thuật mới. Vì vậy, để hoàn thành sứ mệnh của mình, các đại học cần thiết phải duy trì được sự cân bằng giữa “liên tục” và “thay đổi”. Từ “liên tục” ở đây được dùng để chỉ các giá trị thuộc về chiều sâu, cùng những nguyên tắc mang tính hướng dẫn; đó còn là sự cam kết “xuất sắc trong học thuật” và tính thiết yếu của những “cuộc đời trí tuệ”.
—————–&&&—————-

Viện CFA sẽ đưa tiền số và blockchain vào đề thi năm 2019

Viện CFA sẽ đưa tiền số và blockchain vào đề thi năm 2019

(Nguồn: http://cafef.vn)

Viện CFA cho biết họ quyết định bổ sung hai chủ đề mới (nằm trong phần mới có tên gọi là Fintech trong quản lý đầu tư) sau khi kết quả khảo sát cho thấy mối quan tâm đến với các chủ đề này tăng lên.

Vừa có thêm 1 dấu hiệu rõ ràng cho thấy tiền số đã “đặt chân” đến phố Wall.

Viện CFA, tổ chức đứng sau chương trình đào tạo với 3 cấp độ khó nhằn đã giúp đào tạo hơn 150.000 chuyên gia tài chính trên toàn thế giới, vừa thông báo sẽ bổ sung các chủ đề tiền số và blockchain vào chương trình đào tạo Level I và Level II trong năm tới. Tài liệu cho các kỳ thi của năm 2019 sẽ được công bố vào tháng 8 tới và đây là lần đầu tiên tiền số và blockchain được đề cập đến.

Viện CFA cho biết họ quyết định bổ sung hai chủ đề mới (nằm trong phần mới có tên gọi là Fintech trong quản lý đầu tư) sau khi kết quả khảo sát cho thấy mối quan tâm đến với các chủ đề này tăng lên. Thế giới tài chính và thế giới tiền số đang ngày càng gắn kết với nhau nhiều hơn sau nhiều sự kiện trọng đại trong năm ngoái: giá bitcoin bùng nổ, các hợp đồng tương lai bitcoin được công nhận hợp pháp và giao dịch trên sàn Chicago, những tập đoàn nổi tiếng như Goldman Sachs cũng chú ý đến các tài sản số và ngày càng có nhiều nhân vật trên phố Wall tham gia vào các startup liên quan đến tiền số.

Mặc dù kể từ đầu năm đến nay thị trường tiền số chìm trong sắc đỏ và những ảnh hưởng của công nghệ blockchain đến thế giới thực còn hạn chế, một số nhà quan sát cho rằng cuối cùng thì công nghệ blockchain vẫn sẽ thay đổi hoàn toàn hệ thống tài chính toàn cầu.

“Chúng tôi cho rằng lĩnh vực này sẽ tiến nhanh hơn bất kỳ lĩnh vực nào khác, không những thế còn vững bền hơn”, Stephen Horan – 1 lãnh đạo của Viện CFA – nói. “Đó không phải là mốt nhất thời sẽ nhanh chóng bị lãng quên”.

Tiền số và blockchain sẽ xuất hiện cùng nhóm với các chủ đề khác thuộc mục fintech bao gồm AI (trí tuệ nhân tạo), công nghệ máy học machine learning, dữ liệu lớn big data và giao dịch tự động. Theo ông Horan, giáo trình có thể bao gồm cả những topic sâu hơn như sự giao thoa giữa các đồng tiền kỹ thuật số và nền kinh tế.

Kayden Lee (27 tuổi), 1 sinh viên ngành tài chính kinh tế tại ĐH Columbia đã thi CFA Level I hồi tháng 6 và đang thực tập tại vị trí chuyên viên phân tích quỹ ở Singapore, nói: “Điều này có lợi cho các thí sinh, bởi vì tiền số đang xâm lấn và được áp dụng ngày càng rộng rãi trong thế giới đầu tư. Tuy nhiên quan trọng hơn là tập trung vào fintech và blockchain, hai công nghệ này sẽ cải tiến hay thậm chí là gây xáo trộn một số lĩnh vực nhất định như thế nào”.

Ngoài ra tiền số và blockchain cũng sẽ xuất hiện trong phần thi về đạo đức nghề nghiệp, vấn đề mà một số người cho là thế giới tiền số đang bị thiếu. Nhiều dự án tiền số hoạt động trong phạm vi pháp luật cho phép nhưng cũng có nhiều sàn giao dịch tài sản số và các vụ ICO bị lợi dụng để lừa đảo, thao túng thị trường, rửa tiền và trở thành nạn nhân của các vụ trộm. Thiếu khung pháp lý rõ ràng và một loạt vụ hack chính là một trong những nguyên nhân chính khiến bitcoin mất hơn một nửa giá trị kể từ đầu năm đến nay.

Đã có 227.031 người từ 91 quốc gia và vùng lãnh thổ đăng ký dự thi các kỳ thi CFA trong tháng 6 vừa qua, một con số cao kỷ lục. Phần lớn thí sinh đến từ châu Á – cũng là nơi tiền số bùng nổ mạnh nhất trên thế giới. Theo CryptoCompare.com, 45% các giao dịch bitcoin được thực hiện bằng đồng yên NHật, trong khi nhiều sàn tiền số lớn nhất thế giới được đặt ở Hàn Quốc.

Theo Darius Sit, cựu trader FX tại BNP Paribas và hiện đang làm việc tại quỹ QCP Capital tập trung vào tiền số, việc các tổ chức như Viện CFA quan tâm đến tiền số và blockchain là 1 tín hiệu rất tích cực. “Đào tạo nhiều hơn bao giờ cũng tốt hơn”, Darius Sit nói. Trung bình các thí sinh thi đỗ phải bỏ ra khoảng 300 giờ học cho mỗi level để bồi đắp các kiến thức về thế giới tài chính.

Thu Hương

Theo Trí thức trẻ/Bloomberg

———————&&&———————