Ngành Kinh tế số

NGÀNH KINH TẾ SỐ LÀ GÌ

Ngành Kinh tế số (Digital Economy) là một ngành học thuộc nhóm ngành Kinh tế học (thuộc khối ngành Khoa học xã hội và hành vi) được đào tạo ở bậc đại học tại Việt Nam từ năm 2021.

Sinh viên ngành này sẽ được học về nền Kinh tế số – nền kinh tế vận hành chủ yếu dựa trên công nghệ số, đặc biệt là các giao dịch điện tử tiến hành thông qua Internet. Kinh tế số bao gồm tất cả các lĩnh vực về nền kinh tế (công nghiệp, nông nghiệp, dịch vụ; sản xuất, phân phối, lưu thông hàng hóa, giao thông vận tải, logistic, tài chính ngân hàng, …) mà công nghệ số được áp dụng.

Ngành Kinh tế số có thể xem là sự kết hợp giữa hai lĩnh vực: Kinh tế/kinh doanh và Công nghệ thông tin (định hướng Khoa học dữ liệu). Ngành “lai” giữa một hoặc nhiều ngành với Khoa học dữ liệu đang là xu thế trong giai đoạn Cách mạng Công nghiệp lần thứ 4 bùng nổ. Vì vậy, đây là ngành được xem là đáp ứng đúng nhu cầu, giúp sinh viên không cần học song ngành hoặc học văn bằng hai vẫn có kiến thức của hai lĩnh vực.

MỤC TIÊU ĐÀO TẠO

Đào tạo đội ngũ nguồn nhân lực chất lượng cao có:

– Kiến thức cơ bản về dữ liệu lớn, công nghệ thông tin và quản lý kinh tế trong thời đại số;

– Kiến thức chuyên sâu về kinh doanh trên nền tảng số và các kỹ năng dẫn dắt để chuyển đổi số cho các tổ chức, các công ty, doanh nghiệp hay tập đoàn;

– Kiến thức về thiết kế, vận hành và khai thác các công cụ trên nền tảng số để phát triển kinh doanh nhằm nâng cao sức cạnh tranh của doanh nghiệp, giúp phát triển khởi nghiệp và đổi mới sáng tạo.

– Tư duy nghiên cứu độc lập; có năng lực tự học bổ sung kiến thức, nâng cao trình độ chuyên môn thích nghi với sự thay đổi của môi trường công nghệ phát triển.

– Kỹ năng nghiên cứu khoa học, kỹ năng hoạch định và đề xuất các giải pháp kinh doanh phù hợp cho tổ chức, doanh nghiệp khi thực hiện chuyển đổi số.

NGÀNH KINH TẾ SỐ RA LÀM GÌ

– Chuyên gia lập dự án và lập kế hoạch về chuyển đổi số, an toàn và bảo mật thông tin kinh tế tại các Bộ, Ngành từ Trung ương tới địa phương, các ngân hàng, các công ty tài chính, các công ty kinh doanh;

– Chuyên gia quản lý thương mại, quản lý hệ thống kinh doanh trực tuyến, quản lý kênh phân phối cho các doanh nghiệp sản xuất, tập đoàn kinh tế, công ty thương mại – dịch vụ;

– Chuyên viên hoặc quản lý tại các doanh nghiệp cung cấp giải pháp thương mại điện tử, giải pháp kinh doanh trên nền tảng số;

– Chuyên gia phân tích đầu tư tại các tổ chức tài chính. Chuyên gia phân tích, dự báo chiến lược kinh doanh tại các doanh nghiệp sản xuất, công ty thương mại – dịch vụ.

– Giảng viên/nghiên cứu viên ở các trường đại học/viện.

---

Chuyên ngành: Phân tích kinh doanh trong môi trường số – Trường Đại học Thương mại (TMU)

(Business analytics in Digital environment – Thuongmai University)

Mục tiêu chung: Đào tạo cử nhân ngành Kinh tế số, chuyên ngành Phân tích kinh doanh trong môi trường số có phẩm chất chính trị, đạo đức và sức khỏe tốt; có kiến thức cơ bản về khoa học xã hội, chính trị và pháp luật; có kiến thức chuyên sâu và hiện đại về phân tích kinh doanh trên nền tảng số; có năng lực làm việc độc lập, sáng tạo; có khả năng xác định và giải quyết những vấn đề phân tích kinh doanh tại các tổ chức/doanh nghiệp trong bối cảnh phát triển kinh tế số, đáp ứng yêu cầu hội nhập quốc tế và Cách mạng Công nghiệp lần thứ tư.

Mục tiêu cụ thể: Đào tạo cử nhân ngành kinh tế số có kiến thức cơ bản và hiện đại về thống kê ứng dụng, công nghệ thông tin và kinh tế – kinh doanh, nắm được xu hướng chuyển đổi số của các doanh nghiệp, các tổ chức trong thời đại số; Đào tạo cử nhân ngành kinh tế số có kiến thức chuyên sâu về phân tích dữ liệu và công nghệ số trong kinh doanh và thương mại; Đào tạo cử nhân ngành kinh tế số có khả năng phát hiện vấn đề, thu thập và xử lý số liệu bằng các công cụ hiện đại nhằm dự báo, đề xuất các chiến lược kinh doanh thông minh cho các doanh nghiệp/tổ chức trong bối cảnh phát triển nền kinh tế số; Đào tạo cử nhân ngành kinh tế số có phẩm chất đạo đức nghề nghiệp cần thiết; có năng lực tự chủ, tự chịu trách nhiệm, tự học và sáng tạo để nâng cao kiến thức, 91 phát triển kỹ năng trong lĩnh vực chuyên môn về phân tích kinh doanh trong quá trình chuyển đổi số.

Khung chương trình đào tạo

STT	Khối kiến thức và các học phần	Số TC	Cấu trúc
1	KIẾN THỨC GIÁO DỤC ĐẠI CƯƠNG	40
1.1	Giáo dục đại cương	29
1.1.1	Các học phần bắt buộc	27
1	Triết học Mác-Lênin	3	36,18
2	Chủ nghĩa xã hội khoa học	2	24,12
3	Tư tưởng Hồ Chí Minh	2	24,12
4	Kinh tế chính trị Mác-Lênin	2	24,12
5	Lịch sử Đảng cộng sản Việt Nam	2	21,18
6	Pháp luật đại cương	2	24,12
7	Tiếng Anh 1	2	24,12
8	Tiếng Anh 2	2	24,12
9	Tiếng Anh 3	2	24,12
10	Toán đại cương	3	36,18
11	Tin học quản lý	3	36,18
12	Phương pháp nghiên cứu khoa học	2	24,12
1.1.2	Các học phần tự chọn	2
1	Lịch sử các học thuyết kinh tế	2	24,12
2	Khởi sự kinh doanh	2	24,12
1.2	Giáo dục thể chất	3
1.2.1	Các học phần bắt buộc	1
1	Giáo dục thể chất chung	1

1.2.2 Các học phần tự chọn 2

	Chọn 2 TC trong các HP sau:
1	Bóng ném	1
2	Bóng chuyền	1
3	Cầu lông	1
4	Bóng bàn	1
5	Cờ vua	1
6	Bóng rổ	1
1.3	Giáo dục quốc phòng – an ninh	8
2	KIẾN THỨC GIÁO DỤC CHUYÊN NGHIỆP	91
2.1.	Kiến thức cơ sở ngành	29
2.1.1.	Các học phần bắt buộc	18
1	Kinh tế học	3	36,18
2	Nhập môn tài chính-tiền tệ	3	36,18
3	Kinh tế lượng	3	36,18
4	Nguyên lý kế toán	3	36,18
5	Tiếng Anh chuyên ngành 1	2	24,12
6	Chuyển đổi số trong kinh doanh	2	24,12
7	Tiếng Anh chuyên ngành 2	2	24,12
2.1.2.	Các học phần tự chọn	11
1	Các mô hình toán kinh tế	2	24,12
2	Marketing căn bản	3	36,18
3	Thị trường chứng khoán	3	36,18
4	Thương mại điện tử căn bản	3	36,18
5	Kinh doanh quốc tế	3	36,18
6	Khai phá dữ liệu trong kinh doanh	2	24,12
7	Quản trị học	3	36,18
8	Luật kinh tế 1	3	36,18
2.2.	Kiến thức ngành (bao gồm chuyên ngành)	40
2.2.1.	Các học phần bắt buộc	29
1	Lý thuyết kinh tế số	3	36,18
2	Hệ thống thông tin quản lý	3	36,18
3	Phân tích kinh doanh hỗ trợ ra quyết định*	3	34,12,5
4	Cơ sở dữ liệu	2	24,12
5	Học máy	3	36,18
6	Lập trình với Python	3	36,18

7	Thống kê thực hành	3	0,90
8	Các phương pháp và mô hình dự báo kinh tế xã  hội***	3	36,18
9	Các mô hình kinh doanh số	3	36,18
10	Phân tích dữ liệu lớn*	3	34,12,5
2.2.2.	Các học phần tự chọn	11
1	Văn hóa kinh doanh	2	24,12
2	Quản trị tài chính 1	3	36,18
3	Marketing thương mại điện tử	3	36,18
4	Thanh toán điện tử	3	36,18
5	Công nghệ Blockchain và ứng dụng trong thương  mại điện tử	2	24,12
6	Thiết kế và triển khai Website	3	36,18
7	Quản trị Logistics Kinh doanh	3	36,18
8	Toán tài chính ứng dụng	3	36,18
2.3.	Kiến thức bổ trợ	12
2.3.1.	Các học phần bắt buộc	6
1	Marketing số	3	36,18
2	Phân tích báo cáo tài chính	3	36,18
2.3.2.	Các học phần tự chọn	6
1	Kinh doanh chứng khoán	3	36,18
2	Định giá tài sản	3	36,18
3	Hành vi tổ chức	3	36,18
4	Hành vi khách hàng	3	36,18
2.4	Thực tập nghề nghiệp và làm tốt nghiệp khóa  học	10
1	Thực tập và viết Báo cáo thực tập tổng hợp	3	0, 90
2	Thực tập và viết khóa luận tốt nghiệp	7	0, 210

Ghi chú: Tổng số tín chỉ tích lũy tối thiểu toàn khóa học: 131 tín chỉ với 120 tín  chỉ học tập và tốt nghiệp, 11 TC Giáo dục thể chất và Giáo dục quốc phòng – an ninh.  Trong 120 TC học tập và tốt nghiệp có 80 tín chỉ bắt buộc và 30 tín chỉ tự chọn. Các  học phần có dấu * có tổ chức báo cáo thực tế. Các học phần có dấu *** là học phần có  đánh giá thi là bài tập lớn/dự án.

Phân tích EFA, CFA và SEM với R

Lê Văn Tuấn

Đại học Thương mại

Tóm tắt. Bài viết giới thiệu các phương pháp phân tích EFA, CFA và mô hình SEM. Các câu lệnh trên phần mềm R được trình bày đầy đủ nhằm cung cấp cho bạn đọc công cụ để thực hiện các phân tích/ mô hình này. Bộ dữ liệu được sử dụng trong chạy mô hình là bộ dữ liệu khảo sát thực tế để nghiên cứu về lòng trung thành của nhân viên.

Phiên bản: 9/2021

1. Mở đầu

a) Phân tích EFA

Trong thống kê đa biến, phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là một phương pháp thống kê được sử dụng để khám phá cấu trúc cơ bản của một tập hợp các biến tương đối lớn. EFA là một kỹ thuật trong phân tích nhân tố (Factor Analysis) có mục tiêu bao quát là xác định các mối quan hệ cơ bản giữa các biến được đo lường. Nó thường được các nhà nghiên cứu sử dụng khi phát triển thang đo (thang đo là tập hợp các câu hỏi được sử dụng để đo lường một chủ đề nghiên cứu cụ thể) và dùng để xác định một tập hợp các cấu trúc tiềm ẩn bên dưới một loạt các biến được đo lường. Nó nên được sử dụng khi nhà nghiên cứu không có giả thuyết tiên nghiệm về các nhân tố hoặc mô hình của các biến được đo lường. Thông thường, các nhà nghiên cứu sẽ có một số lượng lớn các biến được đo lường, được giả định là có liên quan đến một số lượng nhỏ hơn các nhân tố “không được quan sát”. Các nhà nghiên cứu phải xem xét cẩn thận số lượng các biến được đo lường để đưa vào phân tích. Các thủ tục EFA chính xác hơn khi mỗi nhân tố được đại diện bởi nhiều biến đo lường trong phân tích.

EFA dựa trên mô hình nhân tố chung. Trong mô hình này, các biến biểu hiện được biểu thị dưới dạng một hàm của các nhân tố chung, nhân tố duy nhất và sai số đo lường. Mỗi nhân tố duy nhất chỉ ảnh hưởng đến một biến biểu hiện và không giải thích mối tương quan giữa các biến biểu hiện. Các nhân chung ảnh hưởng đến nhiều hơn một biến biểu hiện và các hệ số tải nhân tố (Factor Loading) là các thước đo mức độ ảnh hưởng của một nhân tố chung đến một biến biểu hiện. Đối với quy trình EFA, chúng ta quan tâm nhiều hơn đến việc xác định các nhân tố chung và các biến biểu hiện liên quan.

b) Phân tích CFA

Trong thống kê, phân tích nhân tố khẳng định (Confirmatory Factor Analysis – CFA) là một dạng phân tích nhân tố đặc biệt. Nó được sử dụng để kiểm tra xem các thước đo của một cấu trúc có phù hợp với sự hiểu biết của nhà nghiên cứu về bản chất của cấu trúc (hoặc nhân tố) đó hay không. Như vậy, mục tiêu của CFA là kiểm tra xem dữ liệu có phù hợp với mô hình đo lường giả định hay không. Mô hình giả thuyết này dựa trên lý thuyết và/hoặc nghiên cứu phân tích trước đó.

Trong phân tích nhân tố khẳng định, nhà nghiên cứu trước tiên phát triển một giả thuyết về những nhân tố mà họ tin rằng đang làm cơ sở cho các biện pháp được sử dụng và có thể áp đặt các ràng buộc đối với mô hình dựa trên các giả thuyết tiên nghiệm này. Bằng cách áp đặt những ràng buộc này, nhà nghiên cứu đang buộc mô hình phải phù hợp với lý thuyết của họ.

Cả EFA và CFA đều được sử dụng để hiểu phương sai chung của các biến đo lường được cho là do một nhân tố hoặc cấu trúc tiềm ẩn. Tuy nhiên, bất chấp sự tương đồng này, EFA và CFA là những phân tích khác biệt về mặt thống kê và khái niệm. Mục tiêu của EFA là xác định các nhân tố dựa trên dữ liệu và tối đa hóa lượng phương sai được giải thích. Nhà nghiên cứu không bắt buộc phải có bất kỳ giả thuyết cụ thể nào về việc có bao nhiêu nhân sẽ xuất hiện, và những nhân tố này sẽ bao gồm những mục hoặc biến nào. Nếu các giả thuyết này tồn tại, chúng không được đưa vào và không ảnh hưởng đến kết quả của các phân tích thống kê. Ngược lại, CFA đánh giá các giả thuyết tiên nghiệm và phần lớn được thúc đẩy bởi lý thuyết. Các phân tích CFA yêu cầu nhà nghiên cứu đưa ra giả thuyết trước về số lượng các nhân tố, liệu các nhân tố này có tương quan hay không và các mục/thước đo nào ảnh hưởng đến và phản ánh các nhân tố nào. Như vậy, trái ngược với EFA, trong đó tất cả các tải đều có thể thay đổi tự do, CFA cho phép giới hạn rõ ràng của một số tải nhất định bằng 0.

c) Mô hình SEM

Mô hình phương trình cấu trúc SEM (Structural Equation Modelling) là một kỹ thuật mô hình thống kê rất tổng quát. Sự quan tâm trong SEM thường là vào các kiến trúc lý thuyết (các khái niệm lý thuyết), được trình bày bởi các nhân tố ngầm (các khái niệm tiềm ẩn). Các quan hệ giữa các kiến trúc lý thuyết được trình bày bởi các hệ số hồi quy hay hệ số đường dẫn giữa các nhân tố. SEM ám chỉ một cấu trúc của các hiệp tương quan (covariances_hiệp phương sai) giữa các biến được quan sát, các quan hệ này cho ra một tên khác là mô hình hóa cấu trúc hiệp tương quan (covariance structure modeling_mô hình cấu trúc hiệp phương sai). Tuy nhiên, mô hình có thể được mở rộng thêm bao gồm trung bình của các biến quan sát được hoặc các nhân tố trong mô hình, làm cho tên mô hình hóa cấu trúc hiệp tương quan ít chính xác. Nhiều nhà nghiên cứu chỉ đơn giản nghĩ mô hình loại này là các mô hình LISREL (LInear Structural RELations (các quan hệ cấu trúc tuyến tính)), điều này cũng ít chính xác. Các mô hình phương trình cấu trúc ngày nay không nhất thiết phải tuyến tính, và khả năng mở rộng của SEM xa hơn phương trình LISREL ban đầu.

SEM liên quan đến việc xây dựng một mô hình, một biểu diễn mang tính thông tin của một số hiện tượng lý thuyết hoặc quan sát được. Trong mô hình này, các khía cạnh khác nhau của một hiện tượng được giả thiết có liên quan với nhau theo một cấu trúc. Cấu trúc này là một hệ phương trình, nhưng nó thường được thiết kế trên giấy hoặc sử dụng máy tính với các mũi tên và ký hiệu. Cấu trúc này ngụ ý các mối quan hệ thống kê và thường là nhân quả giữa các biến, các sai số và có thể bao gồm nhiều phương trình.

Mô hình SEM bao gồm nhiều kỹ thuật thống kê khác nhau như phân tích đường dẫn (Path Analysis), phân tích nhân tố khẳng định (Confirmatory Factor Analysis), mô hình nhân quả với các biến tiềm ẩn (Causal modeling with Latent variable, và cũng thường gọi là SEM), và thậm chí cả phân tích phương sai (Analysis of Variance), mô hình hồi quy tuyến tính bội (Multiple Linear Regression).

2. Đọc dữ liệu

3. Phân tích EFA với R

4. Phân tích CFA với R

5. Mô hình SEM với R

download bài viết đầy đủ:

phan-tich-efa-cfa-va-sem-voi-rDownload

link download dữ liệu: Khao sat nhan vien.csv (dropbox.com)

Ứng dụng phần mềm R định giá quyền chọn cho các cổ phiếu trên TTCK Việt Nam

Lê Văn Tuấn

Đại học Thương mại

Tóm tắt. Bài viết trình bày việc ứng dụng phần mềm R trong định giá quyền chọn cho cổ phiếu trên TTCK Việt Nam. Các phương pháp định giá quyền chọn gồm có: dùng mô hình Black-Scholes, mô hình Cox-Ross-Rubinstein (còn gọi là mô hình cây nhị phân) và mô phỏng Monte Carlo. Các loại quyền chọn được định giá là: quyền chọn kiểu Âu, kiểu Mỹ và kiểu Á.

1. Mở đầu

Định giá quyền chọn là một mảng kinh điển trong tài chính định lượng trên thế giới. Ba phương pháp cơ bản để định giá quyền chọn là: dùng mô hình Black-Scholes (1973), dùng mô hình Cox-Ross-Rubinstein (còn gọi là mô hình cây nhị phân – 1979) và mô phỏng Monte Carlo (1977,1996,2001). Mô hình Black-Scholes chỉ áp dụng cho quyền chọn kiểu Âu, hai phương pháp còn lại áp dụng cho nhiều loại quyền chọn. Cơ sở lý thuyết của các phương pháp này có thể xem trong (Capinski, 2003).

Các hướng phát triển của định giá quyền chọn được trình bày chi tiết trong (Gong, 2011), cụ thể là:

• Sử dụng mô hình Heston với giả thiết tài sản gốc tuân theo mô hình Black-Scholes nhưng độ biến động là ngẫu nhiên.
• Ứng dụng mô hình GARCH để mô hình hóa độ biến động
• Sử dụng tính chất động lượng của phân phối log-chuẩn cắt cụt
• Sử dụng quá trình ngẫu nhiên diffusion với bước nhảy

Ở hướng thực hành trên phần mềm R, (Daróczi, 2013) trình bày các phương pháp Black-Scholes và Cox-Ross-Rubinstein để định giá quyền chọn; phương pháp mô phỏng Monte Carlo có thể xem trong (Iacus, 2011) .

Tại Việt Nam, khái niệm quyền chọn được giảng dạy cho sinh viên ngành tài chính tại hầu hết các trường đại học khối ngành kinh tế. Lý thuyết về định giá quyền chọn cũng được giảng dạy cho sinh viên học về tài chính định lượng tại nhiều trường. Nhiều giáo trình trình bày về định giá các loại quyền chọn theo các phương pháp khác nhau, chẳng hạn (Dũng, 2014).

Bên cạnh đó, cũng xuất hiện nhiều công trình nghiên cứu về việc ứng dụng quyền chọn cho thị trường chứng khoán Việt Nam.

Trong (Thủy, 2011), các tác giả đưa ra tình hình chung của TTCK Việt Nam, những khó khăn và thuận lợi trong việc triển khai giao dịch quyền chọn trên TTCK Việt Nam.

Hướng sử dụng mô hình Black-Scholes để định giá quyền chọn có thể xem trong một số tài liệu. Trong đó, (Thái, 2013) ứng dụng mô hình Black-Scholes để định giá quyền chọn cho chỉ số VN30, các tác giả cũng thực hiện một số kiểm định để kiểm tra các giả thiết của mô hình Black-Scholes. Trong (Đào, 2019), các tác giả đã sử dụng mô hình GARCH để mô hình hóa độ biến động. Trong (Tuyen, 2013), các tác giả đã sử dụng một mở rộng của mô hình Black-Scholes, đó là giả thiết tài sản gốc tuân theo chuỗi Markov, để áp dụng định giá quyền chọn cho chỉ số VN-Index; các tác giả cũng đã chứng tỏ rằng mô hình Markov là phù hợp với dữ liệu của TTCK Việt Nam.

Hướng sử dụng mô hình Cox-Ross-Rubinstein (mô hình cây nhị phân) có thể xem trong (Trung, 2011), tuy nhiên, trong bài viết này các tác giả chỉ trình bày cơ sở lý thuyết của mô hình.

Chúng tôi chưa tìm thấy công trình nghiên cứu về định giá quyền chọn của Việt Nam sử dụng phương pháp mô phỏng Monte Carlo.

Download bài viết đầy đủ:

ung-dung-phan-mem-r-dinh-gia-quyen-chon-cho-cac-co-phieu-tren-ttck-viet-namDownload

Hướng dẫn lập trình ngôn ngữ python: Toán cao cấp

Hướng dẫn lập trình ngôn ngữ python

(Cho học phần Toán cao cấp)

Tài liệu ngắn này chúng tôi viết dựa theo một số tài liệu trên internet nhằm giúp các bạn sinh viên làm quen với việc sử dụng một ngôn ngữ lập trình để giải các bài toán của học phần Toán cao cấp.

MỤC LỤC

Chủ đề 0. Hello World

Chủ đề 1. Tính toán trên trường số thực

Chủ đề 2. Vectơ, ma trận và định thức

Chủ đề 3. Giải hệ phương trình tuyến tính

Chủ đề 4. Dạng toàn phương

Chủ đề 5. Vẽ đồ thị của hàm số

Chủ đề 6. Tìm giới hạn

Chủ đề 7. Tính đạo hàm

Chủ đề 8. Tìm giá trị lớn nhất – nhỏ nhất

Chủ đề 9. Tính tích phân hàm một biến

Chủ đề 10. Phương trình vi phân

Chủ đề 11. Phương trình sai phân

Phụ lục: Download, cài đặt và chạy “Hello World”

Tài liệu:

Huong dan lap trinh Python _Toan cao cap_Download

Lưu ý:

0. Các bạn SV làm Bài tập nhóm đặt câu hỏi ở phần comment

1. Các bạn SV gặp vấn đề thì chịu khó tìm câu trả lời ở phần comment. Tôi sẽ KHÔNG trả lời những câu hỏi mà đã trả lời trước ở phần comment.

2. Tôi không giải đáp hộ các bạn những lỗi kỹ thuật (những lỗi do bạn gõ lệnh sai). Tôi chỉ giải đáp những vấn đề mang tính nguyên lý. Nhóm làm không được thì không có điểm.

3. Để làm được, các bạn cần đọc kỹ + chạy thử các VD trong Tài liệu hướng dẫn, kiểm tra kỹ câu lệnh mình viết có đúng như hướng dẫn không.

4. Nếu gặp lỗi, xem kỹ xem có phải lỗi do TXĐ (hàm số không xác định). Nếu là lỗi do TXĐ thì chỉ cần copy câu lệnh + giải thích vì sao hàm số không xác định.

5. Khi các bạn đặt câu hỏi, phải copy đầy đủ các câu lệnh & thông báo lỗi thì tôi mới giải đáp được.

GIỚI THIỆU BIOPYTHON – NGÔN NGỮ CỦA TIN SINH HỌC

GIỚI THIỆU BIOPYTHON – NGÔN NGỮ CỦA TIN SINH HỌC

(Nguồn: http://bioinformatics.vn)

1 Biopython là gì?

Dự án Biopython là 1 tổ chức quốc tế của những lập trình viên sử dụng công cụ Python (http://www.python.org) trong lĩnh vực sinh học phân tử. Python là một ngôn ngữ lập trình hướng đối tượng, thông dịch, và linh hoạt nên đã trở nên phổ biến trong tính toán (computing) khoa học. Python dễ học, có cú pháp rõ ràng và có thể dễ dàng mở rộng với các module được viết bằng C, C++, hay FORTRAN.

Website Biopython (biopython.org) có các tài nguyên online về các module, script, và web link cho các lập trình viên Python để sử dụng trong tin sinh học và nghiên cứu. Về cơ bản, mục tiêu của Biopython là làm cho việc sử dụng Python trong tin sinh học trở nên dễ dàng nhất có thể bằng cách tạo ra các module và lớp có thể tái sử dụng và có chất lượng cao. Biopython có các bộ chuyển đổi giữa các định dạng file dùng trong tin sinh học (BLAST, Clustalw, FASTA, Genbank,…), có kết nối với các service trực tuyến (NCBI, Expasy,…), giao diện với các phần mềm phổ biến cũng như hiếm dùng (Clustal, DSSP, MSMS,…), a standard sequence class, various clustering modules, a KD tree data structure,.v.v. và tài liệu.

Về mặt cơ bản, chúng ta sẽ muốn lập trình bằng Python và làm nó trở nên dễ dàng nhất có thể để sử dụng Python trong tin sinh học bằng cách tạo ra các module và script có thể tái sử dụng và có chất lượng cao.

2 Tôi có gì trong một gói Biopython?

Phiên bản Biopython chính có rất nhiều chức năng, bao gồm:

– Khả năng chuyển đổi các file trong tin sinh học thành cấu trúc dữ liệu sử dụng trong Python, hỗ trợ các định dạng sau đây:

+ Đầu ra của Blast – cả bản Blast độc lập lẫn bản web

+ Clustalw

+ FASTA

+ GenBank

+ PubMed và Medline

+ ExPASy file, chẳng hạn như Enzyme và Prosite

+ SCOP, bao gồm file ‘dom’ và ‘lin’

+ UniGene

+ SwissProt

– Những file thuộc định dạng được hỗ trợ có thể được lặp lại trong các bản ghi, hoặc sẽ được đánh chỉ số và được truy cập qua một giao diện Tra cứu (Dictionary)

– Mã để xử lý với những trạm xử lý tin sinh học online phổ biến như:

+ NCBI – Blast, Entrez và PubMed services

+ ExPASy – các giá trị Swiss-Prot và Prosite cũng như tìm kiếm từ Prosite

– Giao diện với các chương trình tin sinh học thông dụng như:

+ Bản Blast độc lập của NCBI

+ Chương trình alignment Clustalw

+ Công cụ dòng lệnh EMBOSS

– Một lớp chuẩn cho việc giải trình tự để xử lý các công việc liên quan đến giải trình tự, đánh id trên trình tự, và các đặc điểm của trình tự

– Các công cụ để thực hiện các thao tác trên trình tự như translation (dịch mã), trancription (phiên mã) và weight calculations (tính kích thước)

– Mã phân loại dữ liệu sử dụng K-Nearest Neighbors, Naives Bayes hay Support Vector Machines.

– Mã để alignment (gióng hàng), gồm 1 cách chuẩn để tạo và xử lý các ma trận thay thế.

– Mã để có thể dễ dàng chia các công việc có thể thực song song thành các luồng xử lý riêng biệt.

– Chương trình có giao diện để làm các thao tác xử lý trình tự cơ bản, dịch mã, BLASTing, v..v..

– Tài liệu mở rộng và hướng dẫn sử dụng các module, bao gồm tài liệu wiki trực tuyến, website và danh sách mail.

– Tích hợp với BioSQL, một cơ sở dữ liệu trình tự cũng đc hỗ trợ bởi dự án BioPerl và BioJava.

Hy vọng những điều này sẽ cho bạn nhiều lý do để tải về và bắt đầu sử dụng Biopython.

Nguồn: Biopython.org

ỨNG DỤNG MỘT SỐ MÔ HÌNH HỌC MÁY TRONG DỰ BÁO CHIỀU BIẾN ĐỘNG CỦA THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM

ỨNG DỤNG MỘT SỐ MÔ HÌNH HỌC MÁY TRONG DỰ BÁO CHIỀU BIẾN ĐỘNG CỦA THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM(*)

Lê Văn Tuấn, Nguyễn Thu Thủy, Lê Thị Thu Giang

Bộ môn Toán, Đại học Thương mại, Hà Nội, Việt Nam

---

Tóm tắt. Bài viết sử dụng một số mô hình/thuật toán học máy để dự báo xu hướng biến động (tăng/giảm) của chỉ số thị trường chứng khoán của Việt Nam. Kết quả cho thấy, trong các mô hình hồi quy Logistic, mô hình phân tích phân biệt tuyến tính (LDA), phân tích phân biệt toàn phương (QDA) và mô hình K – lân cận (KNN): mô hình KNN(10) có độ chính xác dự báo tốt nhất. Câu lệnh R được cung cấp đầy đủ tới bạn đọc.

---

1.     MỞ ĐẦU

Chuỗi chỉ số thị trường chứng khoán thường được đặc trưng bởi một hành vi theo đám đông và phi tuyến tính khiến cho việc dự báo trở thành một nhiệm vụ đầy thách thức. Các yếu tố tạo ra sự biến động trong lĩnh vực này rất phức tạp và bắt nguồn từ nhiều nguyên nhân với bản chất khác nhau. Từ các quyết định kinh tế, chính trị và đầu tư cho đến những nguyên nhân không rõ ràng, ở một khía cạnh nào đó, đều gây ra nhiều khó khăn trong dự đoán chỉ số thị trường chứng khoán. Thị trường chứng khoán luôn thu hút các nhà đầu tư do khả năng sinh lời cao, tuy nhiên, nó cũng chứa đựng rất nhiều rủi ro. Vì vậy, cần có một công cụ thông minh để giảm thiểu rủi ro với hy vọng có thể tối đa hóa lợi nhuận. Ngày nay, các mô hình Học máy (Machine Learning) đã trở thành một công cụ phân tích mạnh mẽ được sử dụng để trợ giúp và quản lý đầu tư hiệu quả. Các mô hình này đã được sử dụng rộng rãi trong lĩnh vực tài chính để cung cấp những phương pháp mới nhằm giúp các nhà đầu tư đưa ra quyết định tốt hơn trong việc đầu tư chứng khoán.

Thị trường chứng khoán mỗi quốc gia ngày càng phát triển sâu rộng và hòa nhập vào thị trường quốc tế vì chúng có lợi nhuận hấp dẫn (He và cộng sự, 2015; Chou và Nguyễn, 2018) và là một tài sản có tính thanh khoản tương đối cao do chúng có thể được mua – bán nhiều lần thông qua các sở giao dịch chứng khoán. Mặc dù vậy, đầu tư cổ phiếu có rủi ro cao do sự không chắc chắn và biến động trên thị trường chứng khoán (Hyndman và Athanasopoulos, 2018). Do đó, các nhà đầu tư phải hiểu bản chất của từng cổ phiếu riêng lẻ và các yếu tố phụ thuộc của chúng ảnh hưởng đến giá cổ phiếu để tăng cơ hội đạt được lợi nhuận cao hơn. Quan trọng nhất, các nhà đầu tư cần phải đưa ra các quyết định đầu tư hiệu quả vào đúng thời điểm (Ijegwa và cộng sự, 2014) bằng cách sử dụng lượng thông tin chính xác và thích hợp (Nguyen và cộng sự, 2015).

Dự báo sự biến động trên thị trường chứng khoán là một chủ đề quan trọng trong lĩnh vực tài chính. Việc dự báo hiệu quả sẽ giúp nhà đầu tư xây dựng được chiến lược đầu tư tối ưu cũng như phòng ngừa rủi ro. Dự báo một số chỉ số tài chính dựa trên một số yếu tố tác động sẽ dễ dàng nhưng kết quả có thể không chính xác vì các yếu tố chưa được đưa vào mô hình cũng có thể quan trọng trong việc giải thích sự biến động của chỉ số tài chính. Chẳng hạn, giá của cổ phiếu hoặc chỉ số của thị trường có thể bị ảnh hưởng bởi nhiều yếu tố khác nhau, ví dụ: tăng trưởng kinh tế (Perwej và Perwej, 2012; Selvin và cộng sự, 2017). Rất khó để phân tích tất cả các yếu tố theo cách thủ công (Nguyen và cộng sự, 2015; Sharma và cộng sự, 2017), vì vậy, sẽ tốt hơn nếu có các công cụ hỗ trợ phân tích dữ liệu này. Trong đầu tư chứng khoán, việc đưa ra quyết định đúng đắn trong khoảng thời gian kịp thời là một thách thức lớn vì cần một lượng thông tin đồ sộ để dự đoán sự biến động của giá thị trường chứng khoán. Những thông tin này rất quan trọng đối với các nhà đầu tư vì sự biến động của thị trường chứng khoán có thể dẫn đến tổn thất đầu tư đáng kể. Do đó, việc phân tích thông tin lớn này rất hữu ích cho các nhà đầu tư và cũng hữu ích cho việc phân tích xu hướng biến động của các chỉ số thị trường chứng khoán (Kim và Kang, 2019).

Với sự thành công rực rỡ của các mô hình Học máy (Machine Learning) trong nhiều lĩnh vực, ứng dụng của  Học máy trong tài chính ngày càng được chú ý và phát triển không ngừng (Nguyen et al., 2015; Attigeri et al., 2015; Kim and Kang, 2019). Việc áp dụng các mô hình Học máy để dự báo chứng khoán, cổ phiếu cũng rất phổ biến trên thế giới, không chỉ trong học thuật mà còn trong thực tiễn. Ở các bài toán dự báo ở những nghiên cứu trước đây, các tác giả thường sử dụng dữ liệu lịch sử của chuỗi thời gian để cung cấp các ước lượng cho các giá trị trong tương lai. Gần đây, các nhà nghiên cứu đã bắt đầu phát triển các kỹ thuật Học máy giống với quá trình sinh học và tiến hóa để giải quyết các vấn đề phức tạp và phi tuyến. Kỹ thuật này trái ngược với cách tiếp cận truyền thống, tức là các phương pháp thống kê cổ điển. Ví dụ về các kỹ thuật học máy có thể nhắc đến như Mạng thần kinh nhân tạo (Artificial Neural Networks  – ANN), Máy vectơ hỗ trợ (Support Vector Machines – SVM) và Lập trình di truyền (Genetic Programming  – GP), thuật toán K-lân cận (K-nearest neighbors – KNN), Mô hình hồi quy Logistic, phân tích phân biệt tuyến tính (Linear Discriminant Analysis – LDA), phân tích phân biệt toàn phương (Quadratic Discriminant  Analysis – QDA).

Bài báo này sẽ khám phá một ứng dụng của Học máy trong tài chính. Cụ thể, chúng tôi sẽ sử dụng các mô hình Học máy quen thuộc để áp dụng dự báo cho thị trường chứng khoán Việt Nam. Kết quả cho thấy, trong các mô hình hồi quy Logistic, LDA, QDA, và KNN: mô hình KNN(10) có độ chính xác dự báo tốt nhất.

(*) Đăng Kỷ yếu Hội thảo Khoa học Quốc tế thường niên các nhà khoa học trẻ của các trường khối kinh tế và kinh doanh (ICYREB 2020)

download bài viết đầy đủ:

ung-dung-mot-so-mo-hinh-hoc-may-trong-du-bao-chieu-bien-dong-cua-thi-truong-chung-khoan-viet-nam-1Download

Hướng dẫn lập trình ngôn ngữ python: Toán đại cương

Hướng dẫn lập trình ngôn ngữ python

(Cho học phần Toán đại cương)

Tài liệu ngắn này chúng tôi viết dựa theo một số tài liệu trên internet nhằm giúp các bạn sinh viên làm quen với việc sử dụng một ngôn ngữ lập trình để giải các bài toán của học phần Toán đại cương.

MỤC LỤC

Chủ đề 0. Hello World

Chủ đề 1. Tính toán trên trường số thực

Chủ đề 2. Vectơ, ma trận và định thức

Chủ đề 3. Hệ phương trình tuyến tính

Chủ đề 4. Đồ thị của hàm số

Chủ đề 5. Đạo hàm

Chủ đề 6. Giá trị nhỏ nhất – lớn nhất

Chủ đề 7. Các tham số đặc trưng

Phụ lục: Download, cài đặt và chạy “Hello World”

Tài liệu:

huong-dan-lap-trinh-python-_toan-dai-cuong_-1Download

Lưu ý:

0. Các bạn SV làm Bài tập nhóm đặt câu hỏi ở phần comment

1. Các bạn SV gặp vấn đề thì chịu khó tìm câu trả lời ở phần comment. Tôi sẽ KHÔNG trả lời những câu hỏi mà đã trả lời trước ở phần comment.

2. Tôi không giải đáp hộ các bạn những lỗi kỹ thuật (những lỗi do bạn gõ lệnh sai). Tôi chỉ giải đáp những vấn đề mang tính nguyên lý. Nhóm làm không được thì không có điểm.

3. Để làm được, các bạn cần đọc kỹ + chạy thử các VD trong Tài liệu hướng dẫn, kiểm tra kỹ câu lệnh mình viết có đúng như hướng dẫn không.

4. Nếu gặp lỗi, xem kỹ xem có phải lỗi do TXĐ (hàm số không xác định). Nếu là lỗi do TXĐ thì chỉ cần copy câu lệnh + giải thích vì sao hàm số không xác định.

5. Khi các bạn đặt câu hỏi, phải copy đầy đủ các câu lệnh & thông báo lỗi thì tôi mới giải đáp được.

Bài tập: Toán đại cương [TMU]

Trường Đại học Thương mại

Tài liệu này cung cấp hệ thống bài tập phục vụ cho học phần Toán đại cương, được giảng dạy tại trường Đại học Thương mại.

Download:

baitap_toandaicuong_10_2020Download

P/s. Không có hướng dẫn giải.

———————–&&&———————–

Ngôn ngữ lập trình Python

“Ngôn ngữ lập trình phổ biến nhất trên thế giới”

Ngôn ngữ Python là gì?

Python là ngôn ngữ lập trình hướng đối tượng, cấp cao, mạnh mẽ, được tạo ra bởi Guido Van Rossum. Thiết kế bắt đầu vào cuối những năm 1980 và được phát hành lần đầu tiên vào tháng 2 năm 1991.

Tính năng chính của Python:

Ngôn ngữ lập trình đơn giản, dễ học;

Miễn phí, mã nguồn mở;

Khả năng di chuyển: chạy được trên Windows, Mac OS, Linux.

Khả năng mở rộng và có thể nhúng: kết hợp các ngôn ngữ khác vào code Python;

Ngôn ngữ thông dịch cấp cao: không phải quản lý bộ nhớ, dọn dẹp những dữ liệu vô nghĩa,…;

Thư viện tiêu chuẩn lớn để giải quyết những tác vụ phổ biến;

Hướng đối tượng.

Python được dùng ở đâu?

Lập trình ứng dụng web; Khoa học và tính toán (đặc biệt trong Machine Learning, Data mining và Deep Learning); Tạo nguyên mẫu phần mềm (bản chạy thử – prototype); Ngôn ngữ tốt để dạy lập trình.

Trang chủ (download): https://www.python.org/

---

Tài liệu (tiếng Việt):

• Võ Duy Tuấn: https://github.com/voduytuan/python-book-for-dummies/find/master
• Vũ Hữu Tiệp: https://machinelearningcoban.com/

---

Python-How to learn:

• w3schools: https://www.w3schools.com/python/
• Jason Brownlee: https://machinelearningmastery.com/start-here/#getstarted
• Quantopian: https://www.quantopian.com/posts [4 trading]

[Tham khảo: Internet]

————————-&&&———————-

Bỏ Pascal, học sinh lớp 11 sẽ được dạy Python

Bỏ Pascal, học sinh lớp 11 sẽ được dạy Python

(Nguồn: https://zingnews.vn/)

Sau nhiều năm đưa vào giảng dạy, Pascal sẽ bị loại bỏ khỏi chương trình Tin học phổ thông vì lạc hậu, không còn phổ biến.

Bộ GD&ĐT đã ban hành hướng dẫn điều chỉnh nội dung dạy học môn Tin học đối với bậc THCS và THPT từ năm học 2020-2021. Đáng chú ý là chương trình lớp 11 với nội dung giảng dạy chủ yếu liên quan đến ngôn ngữ lập trình Pascal bị lược bỏ khá nhiều.

Theo Bộ GD&ĐT, sách giáo khoa (SGK) Tin học 11 trình bày những yếu tố đặc trưng riêng về Pascal quá sâu, không cần thiết, gây quá tải cho dạy và học. Ngoài ra, một số nội dung về Pascal mang nặng tính lý thuyết và vượt chuẩn kiến thức kĩ năng (KTKN).

Học sinh lớp 11 sẽ được học Python, C++ thay cho Pascal.

Việc điều chỉnh nội dung giảng dạy môn Tin học 11 tập trung thay đổi những nội dung vượt quá chuẩn KTKN, không ảnh hưởng nhiều đến mục đích chính của môn học là Lập trình và Ngôn ngữ lập trình bậc cao, như xác định trong chương trình Tin học 11 năm 2006.

Hướng dẫn cũng loại bỏ những nội dung đi sâu vào chi tiết của Pascal do một số nội dung không phù hợp với trình độ nhận thức, tâm sinh lý của học sinh. Ngoài ra, ngôn ngữ Pascal hiện đã lạc hậu, không còn thông dụng.

Trên tinh thần loại bỏ Pascal khỏi chương trình Tin học 11, Bộ GD&ĐT cho biết cơ sở giáo dục có thể lựa chọn giảng dạy các ngôn ngữ lập trình có tính cập nhật, hiện đại, được dạy trong trường phổ thông nhiều nước như Python, C, C++…

Theo hướng dẫn, các phần lý thuyết, thực hành của môn Tin học 11 sau khi điều chỉnh sẽ dựa trên ngôn ngữ lập trình do trường lựa chọn giảng dạy.

Bộ GD&ĐT cho rằng ngôn ngữ lập trình Pascal đã lỗi thời, không còn thông dụng. Ảnh: Wikipedia.

Đối với bậc THCS, chương trình Tin học lớp 8 cũng giới thiệu về cấu trúc lập trình cơ bản, được SGK minh họa bằng ngôn ngữ Pascal. Theo hướng dẫn mới, các trường sẽ lựa chọn ngôn ngữ lập trình khác để minh họa cho bài học.

Xuất hiện từ năm 1990, Python đang là một trong những ngôn ngữ lập trình bậc cao được sử dụng rộng rãi. Theo GitHub, Python là ngôn ngữ lập trình phổ biến thứ 2 trong năm 2019. Không chỉ dễ làm quen, Python còn được sử dụng trên nhiều hệ thống hiện đại tích hợp trí tuệ nhân tạo (AI), máy học và phân tích dữ liệu.

Trong khi đó, C và C++ là một trong những ngôn ngữ lập trình lâu đời nhất khi được tạo ra từ những năm 1970. Nhiều ngôn ngữ lập trình như PHP, Java hay JavaScript có nhiều điểm tương đồng với C. Theo Business Insider, C++ cũng được phát triển dựa trên C, là ngôn ngữ lập trình cốt lõi trong nhiều hệ điều hành, trình duyệt và trò chơi phổ biến.

———————&&&———————–